-
公开(公告)号：CN108171700A
公开(公告)日：2018-06-15
申请号：CN201810028896.2
申请日：2018-01-12
申请人： 西安电子科技大学
CPC分类号： G06T7/0012 , G06K9/6256 , G06T7/75 , G06T2207/20081 , G06T2207/20084 , G06T2207/20104 , G06T2207/30064
摘要： 本发明公开了一种基于对抗网络的医学图像肺结节检测方法，主要解决现有技术对医学图像肺结节遮挡情况而导致检测精度低的问题。其实现方案为：1)对医学图像进行数据预处理，获取样本数据集；2)对样本数据集进行缩放和裁剪的处理，并对处理后的所有样本中加入高斯噪声，组成扩充后的样本数据集；3)将Faster‑RCNN检测器与对抗空间丢弃网络ASDN进行叠加，构建基于对抗网络的新型检测器；4)利用样本数据集对新型检测器进行训练，得到训练好的新型检测模型；5)用训练好的检测模型对测试数据集进行肺结节检测，得到每张医学图像中的肺结节检测结果。本发明提高了对医学图像肺结节的检测精度，可用于计算机辅助诊断系统。
-
公开(公告)号：CN107578063A
公开(公告)日：2018-01-12
申请号：CN201710720021.4
申请日：2017-08-21
申请人： 西安电子科技大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种快速选取地标点的图像谱聚类方法，主要解决现有图像谱聚类方法的聚类精度低和计算复杂度高的问题。其方法步骤为：(1)读取待谱聚类的所有的图像；(2)计算待谱聚类图像的近邻图；(3)选取地标点；(4)计算待谱聚类图像的特征稀疏表示矩阵；(5)计算待谱聚类图像的相关矩阵；(6)计算稀疏表示矩阵的右奇异特征矩阵；(7)识别聚类。本发明相对于现有的一些图像谱聚类技术可以降低图像的稀疏表示误差，提高谱聚类结果的准确率，并且计算复杂度低。
-
公开(公告)号：CN107492095A
公开(公告)日：2017-12-19
申请号：CN201710652335.5
申请日：2017-08-02
申请人： 西安电子科技大学
CPC分类号： G06T7/0012 , G06K9/6292 , G06T2207/20081 , G06T2207/20084 , G06T2207/30064
摘要： 本发明公开了一种基于深度学习的医学图像肺结节检测方法，主要解决现有技术由于提取的有效医学图像数据量不足而导致检测精度低的问题。其实现方案为：1)获取医学图像；2)在医学图像中引入高斯噪声，扩充数据样本集；3)构建新的特征提取网络；4)用新的特征提取网络，结合现有的区域建议网络和分类网络，获得检测模型；5)利用扩充数据样本集对检测模型进行训练；6)用训练好的检测模型进行肺结节检测。本发明构建的新的特征提取网络，减轻了网络过拟合的程度，提高了对医学图像肺结节的检测精度，可用于计算机辅助诊断系统。
-
公开(公告)号：CN107578063B
公开(公告)日：2019-11-26
申请号：CN201710720021.4
申请日：2017-08-21
申请人： 西安电子科技大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种快速选取地标点的图像谱聚类方法，主要解决现有图像谱聚类方法的聚类精度低和计算复杂度高的问题。其方法步骤为：(1)读取待谱聚类的所有的图像；(2)计算待谱聚类图像的近邻图；(3)选取地标点；(4)计算待谱聚类图像的特征稀疏表示矩阵；(5)计算待谱聚类图像的相关矩阵；(6)计算稀疏表示矩阵的右奇异特征矩阵；(7)识别聚类。本发明相对于现有的一些图像谱聚类技术可以降低图像的稀疏表示误差，提高谱聚类结果的准确率，并且计算复杂度低。
-
-
-
搜索结果
4 条记录 (耗时 0.025 秒)
