一种模态缺失医学图像分割方法、装置、终端及存储介质

    公开(公告)号:CN117934511A

    公开(公告)日:2024-04-26

    申请号:CN202410111337.3

    申请日:2024-01-26

    Applicant: 吉林大学

    Abstract: 本发明公开了一种模态缺失医学图像分割方法、装置、终端及存储介质,属于医学图像处理技术领域,包括获取三维医学图像,将所述三维医学图像正则化得到正则化后的三维医学图像;将所述正则化后的三维医学图像通过编码器提取并进行整合得到高维图像特征输出数据;将所述高维图像特征输出数据通过多级知识蒸馏方法得到进一步丰富后的高维图像特征;将所述进一步丰富后的高维图像特征输入到分割解码器当中得到最终分割结果。本发明从单模态输入中提取更多的潜在信息,最终提高在单模态情境下的分割性能,得到高质量的分割结果。

    一种基于样本难度的垃圾邮件分类方法

    公开(公告)号:CN111582365B

    公开(公告)日:2022-07-22

    申请号:CN202010374804.3

    申请日:2020-05-06

    Applicant: 吉林大学

    Abstract: 本发明属于机器学习分类技术领域,具体涉及一种基于样本难度的垃圾邮件分类方法;能够提高垃圾邮件分类的准确性和稳定性,本发明根据邮件样本的难度信息为每个邮件样本制定统一的误分类损失函数,然后根据最小化总体误分类损失的原则提出一种更可靠和稳定的分类器算法,并将该算法应用在垃圾邮件分类中;本发明方法更加注重对简单样本的正确分类,这符合认知规律,即在误分率大致相当的情况下,该分类方法在分类难度值越小的邮件样本上误分率越低,这使得该分类方法的可信度高,更加可靠、稳定,适用性更强。

    一种基于样本难度的垃圾邮件分类方法

    公开(公告)号:CN111582365A

    公开(公告)日:2020-08-25

    申请号:CN202010374804.3

    申请日:2020-05-06

    Applicant: 吉林大学

    Abstract: 本发明属于机器学习分类技术领域,具体涉及一种基于样本难度的垃圾邮件分类方法;能够提高垃圾邮件分类的准确性和稳定性,本发明根据邮件样本的难度信息为每个邮件样本制定统一的误分类损失函数,然后根据最小化总体误分类损失的原则提出一种更可靠和稳定的分类器算法,并将该算法应用在垃圾邮件分类中;本发明方法更加注重对简单样本的正确分类,这符合认知规律,即在误分率大致相当的情况下,该分类方法在分类难度值越小的邮件样本上误分率越低,这使得该分类方法的可信度高,更加可靠、稳定,适用性更强。

    一种多模态医学图像分割系统

    公开(公告)号:CN118864864B

    公开(公告)日:2024-11-26

    申请号:CN202411337970.0

    申请日:2024-09-25

    Applicant: 吉林大学

    Abstract: 本发明公开了一种多模态医学图像分割系统,属于医学图像分割技术领域。系统包括:图像生成模块以及分割模块;所述图像生成模块用于对非配对图像进行跨模态图像生成,得到生成图像;将得到的所述生成图像通过对比学习,得到配准图像;所述分割模块用于采用分割模型对输入的所述配准图像与源图像进行分割操作,得到分割图像。本发明为了解决传统静态权重分配方法在动态环境中缺乏灵活性,无法在整个训练过程中自适应调整以反映任务重要性变化的问题,提出了一种动态权重控制机制。

    一种多模态医学图像分割系统

    公开(公告)号:CN118864864A

    公开(公告)日:2024-10-29

    申请号:CN202411337970.0

    申请日:2024-09-25

    Applicant: 吉林大学

    Abstract: 本发明公开了一种多模态医学图像分割系统,属于医学图像分割技术领域。系统包括:图像生成模块以及分割模块;所述图像生成模块用于对非配对图像进行跨模态图像生成,得到生成图像;将得到的所述生成图像通过对比学习,得到配准图像;所述分割模块用于采用分割模型对输入的所述配准图像与源图像进行分割操作,得到分割图像。本发明为了解决传统静态权重分配方法在动态环境中缺乏灵活性,无法在整个训练过程中自适应调整以反映任务重要性变化的问题,提出了一种动态权重控制机制。

    基于涂鸦标注的弱监督的两阶段医学图像分割方法及装置

    公开(公告)号:CN118628694A

    公开(公告)日:2024-09-10

    申请号:CN202410758130.5

    申请日:2024-06-13

    Applicant: 吉林大学

    Abstract: 本公开提供一种基于涂鸦标注的弱监督的两阶段医学图像分割方法及装置,一阶段获取二维医学图像作为源图像,将数据增强变换后的源图像通过两个权重共享的编码器和两个不同的解码器,获得具有特征扰动的两个分割结果;将所述结果通过动态混合,得到训练初始模型;二阶段获取三维医学图像作为源图像,经处理得到两个三维分割结果,将分割结果通过伪标签传播模块,训练以继续更新编码器参数;将编码器和未扰动的解码器组合,对需分割的图像处理后输入,得到分割结果。针对三维医学图像训练阶段设计了基于伪标签质量的动态权重调节模块,最大化利用监督信号、最小化误差传播并加快训练收敛,通过训练后的编码器解码器,得到高质量的分割结果。

    一种层次结构标签驱动的小样本图像分类方法

    公开(公告)号:CN118196540B

    公开(公告)日:2024-08-30

    申请号:CN202410599748.1

    申请日:2024-05-15

    Applicant: 吉林大学

    Abstract: 本发明适用于小样本图像分类技术领域,提供了一种层次结构标签驱动的小样本图像分类方法,包括以下步骤:获取带有层次结构的多标签图像,构建卷积神经网络作为对比学习框架的主干网络,按照标签层次结构构建对比学习数据对;将数据对输入搭建好的网络模型中,获得特征向量并以特征向量为基础计算对比损失,同时将特征向量映射至具有负曲率的双曲空间中计算相似性损失;将对比损失和相似性损失结合成网络总损失,通过最小化损失函数来优化网络参数。本发明通过将双曲空间结合层次标签先验知识的方式缓解了数据集内细粒度数据间难分问题,同时本发明也可应用于带有偏斜、少样本、细粒度等问题的相关领域,具有可观的技术和经济价值。

    一种基于多尺度结构纹理分解的多模态医学图像融合方法

    公开(公告)号:CN116912206A

    公开(公告)日:2023-10-20

    申请号:CN202310871992.4

    申请日:2023-07-17

    Applicant: 吉林大学

    Abstract: 本发明公开了一种基于多尺度结构纹理分解的多模态医学图像融合方法,包括以下步骤:S1、获取两张已配准的多模态医学图像,所述医学图像包括灰度图像和彩色图像,并获取所述彩色图像的光照分量;S2、将所述光照分量和所述灰度图像分别进行多尺度结构纹理分解,得到第一分解输出和第二分解输出;S3、对所述第一分解输出和所述第二分解输出进行融合,得到融合图像。针对包含大量能量信息的结构层,采用非线性函数给强度大的像素位置赋予更高的融合权重,从而避免了融合结果中出现强度损失,更好地保留了结构信息。

Patent Agency Ranking