公开(公告)号：CN115311230A

公开(公告)日：2022-11-08

申请号：CN202210941767.9

申请日：2022-08-08

Applicant: 吉林建筑大学

Inventor： 王旭 ,  尤天舒 ,  徐勇 ,  王生生 ,  丁相文 ,  郭秀娟 ,  富倩 ,  孙伟 ,  杜丽英 ,  赵越 ,  戴传祗

IPC: G06T7/00 ,  G06V10/26 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04

Abstract: 本发明提供了一种基于深度学习和特征融合的皮肤病变图像分割方法，建立使用了编码器‑解码器结构的用于皮肤病变图像分割的模型，在模型的特征编码路径上使用EfficientNet进行了特征的学习，在特征解码路径上使用密集特征融合方法增强解码器的解码能力，并且采用了门控完全特征融合模块来提升特征融合的质量，产生解码后的特征图，解码器在最后产生输入图像的分割结果，完成皮肤病变图像的分割处理。本发明使用了更为先进的EfficientNet作为模型的编码器，使得本申请模型编码器的参数数量减少而且特征学习能力增强。通过门控机制增强了有用的编码信息向解码路径的传递，抑制了无用的特征信息所带来的干扰，提升了模型的特征融合能力。

公开(公告)号：CN115222942A

公开(公告)日：2022-10-21

申请号：CN202210881646.X

申请日：2022-07-26

Applicant: 吉林建筑大学

Inventor： 王旭 ,  尤天舒 ,  徐勇 ,  王生生 ,  陈红宇 ,  郭秀娟 ,  富倩 ,  孙伟 ,  杜丽英 ,  赵越 ,  戴传祗

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08 ,  G06V10/44 ,  G06T7/00 ,  G16H50/20 ,  G16H50/80

Abstract: 本发明提供了一种基于弱监督学习的新冠肺炎CT图像分割的方法，包括以下步骤：先建立分割网络模型，模型整体上是编码器‑解码器结构，在分割网络模型的基础上，引入了一个分类模块，分类模块与分割模块共享一部分隐藏层，使得整个网络学习到更多的有用特征，同时改善了分割结果假阳性的问题；基于弱监督学习的思想，在像素级图像标签的基础上，通过分类网络从额外的图像级标签获取优化后的类激活图作为监督信息，增强了模型的分割性能表现。本发明通过利用分类网络注意力转移的特性，提出了类激活图积累模块，使得可以通过分类网络获得更加完整的类激活图，从而获得像素级标注结果。

公开(公告)号：CN115205306A

公开(公告)日：2022-10-18

申请号：CN202210922193.0

申请日：2022-08-02

Applicant: 吉林建筑大学

Inventor： 王旭 ,  尤天舒 ,  徐勇 ,  王生生 ,  毕凯 ,  郭秀娟 ,  富倩 ,  孙伟 ,  杜丽英 ,  赵越 ,  戴传祗

IPC: G06T7/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种基于图卷积的医疗图像分割方法，包括以下步骤：对于监督学习，使用图卷积网络配合卷积神经网络分割框架；先利用全卷积网络提取出医学图像的深层次特征，对提取出来的特征构建图的三元组信息，最后使用图卷积网络进行训练，弥补卷积网络带来的局部位置信息的损失；对于无监督域适应学习，使用双曲图卷积网络融合，对抗学习域适应网络框架。本发明有监督是情况下，通过使用U‑Net网络提取医学图像的特征信息，通过高斯核或朴素方式构建图信息，送入图卷积网络进行训练；无监督情况下，选择使用双曲图卷积模型替代图卷积网络。使用图卷积网络和双曲图卷积网络可以扩大感受范围，提高了分割精度，便捷实用。

公开(公告)号：CN113361437A

公开(公告)日：2021-09-07

申请号：CN202110667703.X

申请日：2021-06-16

Applicant: 吉林建筑大学

Inventor： 王旭 ,  吴春 ,  王生生 ,  徐勇 ,  尤天舒 ,  富倩

IPC: G06K9/00 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06T5/50 ,  G06T7/73

Abstract: 本发明公开了一种微创手术器械类别及位置检测方法和系统，涉及深度学习与计算机视觉技术领域，所述方法包括：采集微创手术过程图像数据集并进行人工标注；构建Soft‑ANL‑RCNN网络模型，所述Soft‑ANL‑RCNN网络模型以resnet101网络为骨干网络提取图像特征，采用非对称Non‑local结构对提取的特征图进行融合并挖掘特征图中的长距离信息，采用Soft‑NMS网络进行非极大值抑制处理；通过标注后的数据集对上述网络模型进行优化以获取最佳模型参数；将待检测图像输入模型中，对图像中的手术器械位置进行检测。本发明的方法能够准确检测微创手术器械的类别及位置，便于医护人员学习并使用。

公开(公告)号：CN115222942B

公开(公告)日：2023-06-02

申请号：CN202210881646.X

申请日：2022-07-26

Applicant: 吉林建筑大学

Inventor： 王旭 ,  尤天舒 ,  徐勇 ,  王生生 ,  陈红宇 ,  郭秀娟 ,  富倩 ,  孙伟 ,  杜丽英 ,  赵越 ,  戴传祗

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06V10/44 ,  G06T7/00 ,  G16H50/20 ,  G16H50/80

Abstract: 本发明提供了一种基于弱监督学习的新冠肺炎CT图像分割的方法，包括以下步骤：先建立分割网络模型，模型整体上是编码器‑解码器结构，在分割网络模型的基础上，引入了一个分类模块，分类模块与分割模块共享一部分隐藏层，使得整个网络学习到更多的有用特征，同时改善了分割结果假阳性的问题；基于弱监督学习的思想，在像素级图像标签的基础上，通过分类网络从额外的图像级标签获取优化后的类激活图作为监督信息，增强了模型的分割性能表现。本发明通过利用分类网络注意力转移的特性，提出了类激活图积累模块，使得可以通过分类网络获得更加完整的类激活图，从而获得像素级标注结果。