-
公开(公告)号：CN110420019B
公开(公告)日：2021-04-20
申请号：CN201910688377.3
申请日：2019-07-29
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种心冲击图信号的深度回归心率估计方法，用于解决现有技术中存在的估计误差较大的技术问题，实现步骤为：采集心冲击图信号和心脏脉冲信号；对心冲击图信号进行滤波；利用心冲击图信号的周期性先验知识获取训练样本集和测试样本集；构建基于心冲击图信号周期性和幅值特性的心率回归估计网络模型；对心率回归估计网络模型进行训练；获取心冲击图信号的心率估计值。本发明通过有监督的学习方式，使用双向循环神经网络获取心跳信号的周期性特征和幅值特征，通过回归网络同时利用心冲击图信号的周期性特征和幅值特征估计心率值，简化了心冲击图信号心率估计的步骤，有效地降低了心冲击图信号心率的估计误差。
-
Patent Agency Ranking
公开(公告)号：CN108492269B
公开(公告)日：2021-06-25
申请号：CN201810243457.3
申请日：2018-03-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种低剂量CT图像去噪方法，主要解决现有技术中仅考虑恢复图像灰度信息而导致的图像边缘模糊、细节丢失的问题。其实现方案：1)从人体同一部位获取多张低剂量和全剂量CT图像；2)对获得的CT图像数据集进行扩充和归一化，再在每对CT图像上进行取块，得到CT图像块数据集；3)建立一个12层的全卷积去噪神经网络，使用CT图像块数据集作为网络训练数据，利用带动量项的小批量梯度下降算法优化该网络，得到训练好的网络；4)输入一张完整的低剂量CT图像到该网络中，即可输出对应的去噪CT图像。本发明能在图像去噪的同时，较好地保持图像的边缘和细节，可用于对低剂量CT图像的增强，便于医生对CT图像病例的识别。
-
公开(公告)号：CN112241766A
公开(公告)日：2021-01-19
申请号：CN202011159865.4
申请日：2020-10-27
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种基于样本生成和迁移学习的肝脏CT图像多病变分类方法，主要解决现有方法对肝脏多种病变检测性能不高的问题。其实现方案为：划分数据集；分别构建肝脏器官分割网络和肝脏病变检测网络；基于深度卷积生成式对抗网络，构建肝囊肿样本生成网络和肝血管瘤样本生成网络，分别生成新的肝囊肿和肝血管瘤样本；构建肝脏病变分类网络；对待检测的肝脏CT图像先使用肝脏器官分割网络进行器官分割，再使用肝脏病变检测网络对分割结果进行病变检测，最后使用肝脏病变分类网络对检测到的病变进行分类。本发明缓解了不同类别样本量的不平衡，提高了病变分类性能，可用于对肝脏CT影像中存在的肝癌、肝囊肿、肝血管瘤多种病变的定位和定性。
-
公开(公告)号：CN108492269A
公开(公告)日：2018-09-04
申请号：CN201810243457.3
申请日：2018-03-23
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种低剂量CT图像去噪方法，主要解决现有技术中仅考虑恢复图像灰度信息而导致的图像边缘模糊、细节丢失的问题。其实现方案：1)从人体同一部位获取多张低剂量和全剂量CT图像；2)对获得的CT图像数据集进行扩充和归一化，再在每对CT图像上进行取块，得到CT图像块数据集；3)建立一个12层的全卷积去噪神经网络，使用CT图像块数据集作为网络训练数据，利用带动量项的小批量梯度下降算法优化该网络，得到训练好的网络；4)输入一张完整的低剂量CT图像到该网络中，即可输出对应的去噪CT图像。本发明能在图像去噪的同时，较好地保持图像的边缘和细节，可用于对低剂量CT图像的增强，便于医生对CT图像病例的识别。
-
公开(公告)号：CN112241766B
公开(公告)日：2023-04-18
申请号：CN202011159865.4
申请日：2020-10-27
Applicant: 西安电子科技大学
IPC: G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/047 , G06N3/0475 , G06N3/094 , G06N3/084
Abstract: 本发明公开了一种基于样本生成和迁移学习的肝脏CT图像多病变分类方法，主要解决现有方法对肝脏多种病变检测性能不高的问题。其实现方案为：划分数据集；分别构建肝脏器官分割网络和肝脏病变检测网络；基于深度卷积生成式对抗网络，构建肝囊肿样本生成网络和肝血管瘤样本生成网络，分别生成新的肝囊肿和肝血管瘤样本；构建肝脏病变分类网络；对待检测的肝脏CT图像先使用肝脏器官分割网络进行器官分割，再使用肝脏病变检测网络对分割结果进行病变检测，最后使用肝脏病变分类网络对检测到的病变进行分类。本发明缓解了不同类别样本量的不平衡，提高了病变分类性能，可用于对肝脏CT影像中存在的肝癌、肝囊肿、肝血管瘤多种病变的定位和定性。
-
公开(公告)号：CN110420019A
公开(公告)日：2019-11-08
申请号：CN201910688377.3
申请日：2019-07-29
Applicant: 西安电子科技大学
Abstract: 本发明提出了一种心冲击图信号的深度回归心率估计方法，用于解决现有技术中存在的估计误差较大的技术问题，实现步骤为：采集心冲击图信号和心脏脉冲信号；对心冲击图信号进行滤波；利用心冲击图信号的周期性先验知识获取训练样本集和测试样本集；构建基于心冲击图信号周期性和幅值特性的心率回归估计网络模型；对心率回归估计网络模型进行训练；获取心冲击图信号的心率估计值。本发明通过有监督的学习方式，使用双向循环神经网络获取心跳信号的周期性特征和幅值特征，通过回归网络同时利用心冲击图信号的周期性特征和幅值特征估计心率值，简化了心冲击图信号心率估计的步骤，有效地降低了心冲击图信号心率的估计误差。
-
-
-
-
-
Search Results
6
records
(took 0.023 seconds)
