公开(公告)号：CN116071383B

公开(公告)日：2025-04-25

申请号：CN202310157600.8

申请日：2023-02-23

Applicant: 重庆邮电大学

Inventor： 李欣蔚 ,  刘洪 ,  王林金 ,  王伟 ,  陈勇 ,  陈望

IPC: G06T7/11 ,  G06T7/00 ,  G06V10/75 ,  G06V10/25 ,  G06V10/77 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于医学图像处理领域，具体涉及一种基于超高场磁共振影像重建的海马亚区分割方法及系统，包括：磁共振影像数据进行预处理，将预处理后的图像输入到超高场磁共振影像重建网络中进行特征提取，并对提取的特征进行融合重建，得到重建MRI；将重建后的MRI输入到判别器网络进行判别，并将判别后的MRI输入到海马亚区分割网络中提取多尺度特征信息，得到海马亚区分割概率图；根据海马亚区分割概率图对磁共振影像进行海马亚区分割；本发明在超高场磁共振影像重建过程中引入自注意机制、特征匹配损失和ROI损失，以恢复海马区域更多解剖细节，在海马亚区分割过程中引入多尺度深度监督，并设计一个解剖加权交叉熵损失利用丰富的先验知识，提高了分割结果的准确度。

公开(公告)号：CN115601384A

公开(公告)日：2023-01-13

申请号：CN202211092791.6

申请日：2022-09-08

Applicant: 重庆邮电大学(CN)

Inventor： 李欣蔚 ,  王林金 ,  李海铭 ,  邓远阳 ,  李章勇

IPC: G06T7/168 ,  G06T7/143

Abstract: 本发明属于医学图像分割方法技术领域，涉及一种基于几何神经网络的大脑皮层表面自动分割方法；所述方法包括获取大脑sMRI图像，重构出大脑皮层表面，并提取出大脑皮层表面的多维形态学特征；使用图拉普拉斯对大脑皮层表面的多维形态学特征进行分解，获得大脑皮层表面流形的谱表示；使用U形层级结构的分割模块提取目标图像的大脑皮层表面的上下文信息，使用相同结构的辅助模块提取图谱集图像的大脑皮层表面的解剖先验信息，并采用非局部注意力特征融合模块对分割模块的信息和辅助模块的信息进行融合，输出目标图像的大脑皮层表面的分割标签的预测概率图；本发明具有更好的实时性，更充分利用皮层表面的内蕴结构信息和脑区的全局信息的特点。

公开(公告)号：CN116740030A

公开(公告)日：2023-09-12

申请号：CN202310714446.X

申请日：2023-06-15

Applicant: 重庆邮电大学

Inventor： 李欣蔚 ,  王林金 ,  沈俊烨 ,  谭然 ,  胥吴玥熙 ,  朱秋颐 ,  陈彦琳 ,  徐梓仟

IPC: G06T7/00 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明属于医学图像处理领域，具体涉及一种基于超高场7T磁共振图像合成的海马亚区半监督自动分割方法；所述方法包括获取3T磁共振图像和7T磁共振图像，并进行预处理；采用训练完成的图像生成模型对所述3T磁共振图像处理，生成7T磁共振图像；采用训练完成的图像分割模型级联的第一个3DU‑Net网络对7T磁共振图像处理，提取出7T磁共振图像的多尺度粗分割结果；采用训练完成的图像分割模型级联的第二个3D U‑Net网络对7T磁共振图像的多尺度的粗分割结果处理，提取出7T磁共振图像的精分割结果。本发明能够提升分割网络的精度，自动分割出7T磁共振图像。

公开(公告)号：CN116071383A

公开(公告)日：2023-05-05

申请号：CN202310157600.8

申请日：2023-02-23

Applicant: 重庆邮电大学

Inventor： 李欣蔚 ,  刘洪 ,  王林金 ,  王伟 ,  陈勇 ,  陈望

IPC: G06T7/11 ,  G06T7/00 ,  G06V10/75 ,  G06V10/25 ,  G06V10/77 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于医学图像处理领域，具体涉及一种基于超高场磁共振影像重建的海马亚区分割方法及系统，包括：磁共振影像数据进行预处理，将预处理后的图像输入到超高场磁共振影像重建网络中进行特征提取，并对提取的特征进行融合重建，得到重建MRI；将重建后的MRI输入到判别器网络进行判别，并将判别后的MRI输入到海马亚区分割网络中提取多尺度特征信息，得到海马亚区分割概率图；根据海马亚区分割概率图对磁共振影像进行海马亚区分割；本发明在超高场磁共振影像重建过程中引入自注意机制、特征匹配损失和ROI损失，以恢复海马区域更多解剖细节，在海马亚区分割过程中引入多尺度深度监督，并设计一个解剖加权交叉熵损失利用丰富的先验知识，提高了分割结果的准确度。

公开(公告)号：CN115841607A

公开(公告)日：2023-03-24

申请号：CN202211240213.2

申请日：2022-10-11

Applicant: 重庆邮电大学

Inventor： 李欣蔚 ,  李海铭 ,  王林金 ,  许国美 ,  王安康 ,  刘艳平

IPC: G06V10/82 ,  G06V10/74 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于深度学习和脑网络结构领域，具体涉及一种基于图注意力网络的脑网络结构和相似度的联合学习方法，包括：对获取到的脑部影像数据进行皮层分割处理和形态学特征提取，并将受试者脑网络建模为一个图；通过皮尔森相关计算估计出初始脑网络结构；通过孪生图注意力学习网络，得到脑网络结构间的相似度；计算图正则化损失函数与孪生网络损失函数，约束初始脑网络结构的特性；根据脑网络的嵌入特征更新脑网络的邻接矩阵，并得到更新后的脑网络结构和计算脑网络结构的相似度。本发明通过联合优化脑网络结构估计和相似度学习两个任务，对形态学脑网络进行了有效的估计，为个体识别、疾病辅诊等后续任务提供了有价值的信息。