-
公开(公告)号：CN113902758A
公开(公告)日：2022-01-07
申请号：CN202111195866.9
申请日：2021-10-14
Applicant: 吉林大学
Abstract: 本发明提出一种基于双路径胶囊网络的脑部MR图像分割方法，该方法包括：第一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；第二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；第三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；第四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。本发明所述方法通过基于区域注意的半监督学习策略解决医学图像标注样本数据相对较少的问题，并采用级联架构描述相邻像素间的标签依赖关系，提高图像分割的准确度。实验结果表明，所述基于双路径胶囊网络的脑部MR图像分割方法能够有效处理脑部MR图像，并获得较好的分割结果。
-
公开(公告)号：CN118134866A
公开(公告)日：2024-06-04
申请号：CN202410235814.7
申请日：2024-03-01
Applicant: 吉林大学
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/771 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于原型对比学习的双分支网络模型的DR分类方法，包括：获取糖尿病患者的糖尿病视网膜病变DR图像，将所述DR图像输入至原型对比学习的双分支网络模型中进行分类识别，获得分类结果；其中，所述原型对比学习的双分支网络模型包括骨干网络、特征学习分支和分类器分支。本发明有效地缓解了数据集中样本分布不平衡带来的挑战，特别是在少数类别样本的学习特征方面，确保了从特征学习到分类决策的平稳过渡。
-
公开(公告)号：CN117576033A
公开(公告)日：2024-02-20
申请号：CN202311540075.4
申请日：2023-11-17
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/11 , G06N3/0895
Abstract: 本公开提供了基于多任务自监督学习的医学图像分割方法、装置及介质，获取医学图像，所述图像为灰度图像或彩色图像；将所述图像通过多任务联合预训练模块，根据任务要求不同进行训练，得到预训练好的编码器；将所述图像按照多个自监督学习任务的任务要求进行像素级变换；将所述图像的变换图像通过一个编码器结构，获得一个整合后的高维特征输出；将所述高维特征输出通过一个多头投影头，根据多任务要求训练以更新编码器参数；将所述编码器与分割解码器组合，对需分割的图像处理后输入，得到分割结果。针对多任务预训练模块设计了基于梯度的动态权重调整机制和动态学习率调整机制，缓解了多任务收敛速度的差异，更好地协同了多任务之间的学习过程。
-
公开(公告)号：CN117475283A
公开(公告)日：2024-01-30
申请号：CN202311415095.9
申请日：2023-10-29
Applicant: 吉林大学
IPC: G06V10/86 , G06V10/44 , G06V10/82 , G06N3/0464 , G06V10/774 , G06V10/46
Abstract: 本发明提出一种基于注意力机制的多焦点图像融合方法，该方法包括：第一借助卷积神经网络和注意力机制的性质，构建一个通用的端到端的多焦点图像融合网络模型，其输入为待输入的多焦点图像，输出为融合后的全聚焦图像；第二，构建一个接近真实情况的多焦点图像数据集，在该数据集上成功训练提出的融合模型；第三，将待融合图像输入到训练好的融合模型，得到最终的融合图像。本发明克服了其他传统或深度学习方法中忽视源图像重要信息的缺点，并具备较高的效率。实验结果表明，该方法能较好的融合各种多焦点图像。
-
公开(公告)号：CN110443775B
公开(公告)日：2022-12-16
申请号：CN201910534050.0
申请日：2019-06-20
Applicant: 吉林大学
Abstract: 本发明属于多聚焦图像融合技术领域，具体涉及基于卷积神经网络的离散小波变换域多聚焦图像融合方法；该方法包括以下步骤：首先，使用离散小波变换将每个源图像分解为一个低频子带和多个高频子带；第二，将它们输入到不同的卷积神经网络中，以便获得不同的权重图；第三，通过执行一系列处理后重新定义决策图；第四，根据它们的决策图，将频率子带分别融合；最后，通过逆DWT获得融合图像；是一种能够将多聚焦图像融合在一起，获得“全焦点”图像的融合方法，解决了多聚焦图像融合的问题，其融合效果优于传统融合方法，适应性更强，可以高效率的融合多聚焦图像。
-
Patent Agency Ranking
公开(公告)号：CN115187571A
公开(公告)日：2022-10-14
申请号：CN202210893407.6
申请日：2022-07-27
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于奖励函数引入先验知识的医学图像分割方法，包括如下步骤：获取公开的医学CT图像数据集；基于图像数据集，设计并得到奖励函数；在奖励函数中引入图像数据集中的CT图像的前景‑背景比引入，得到改进的奖励函数；在改进的奖励函数中引入先验知识实例的近似难度，得到最终的奖励函数；使用最终的奖励函数替换强化学习网络中的奖励函数，并进行强化网络训练，最后通过分割网络输出最终的分割结果图。本发明采用将外部先验知识引入到奖励函数的设计，使其朝着有益的方向极大地影响了模型学习的过程，图像中每个像素不仅考虑自身的状态，同时会考虑其它相邻像素的状态，并在约束方向上更新策略，分割结果与真实病变相似。
-
公开(公告)号：CN118196540A
公开(公告)日：2024-06-14
申请号：CN202410599748.1
申请日：2024-05-15
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06V10/82
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。
-
公开(公告)号：CN113902758B
公开(公告)日：2024-05-24
申请号：CN202111195866.9
申请日：2021-10-14
Applicant: 吉林大学
IPC: G06T7/11 , G06T7/90 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06N3/094
Abstract: 本发明提出一种基于双路径胶囊网络的脑部MR图像分割方法，该方法包括：第一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；第二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；第三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；第四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。本发明所述方法通过基于区域注意的半监督学习策略解决医学图像标注样本数据相对较少的问题，并采用级联架构描述相邻像素间的标签依赖关系，提高图像分割的准确度。实验结果表明，所述基于双路径胶囊网络的脑部MR图像分割方法能够有效处理脑部MR图像，并获得较好的分割结果。
-
公开(公告)号：CN117173065A
公开(公告)日：2023-12-05
申请号：CN202311071968.9
申请日：2023-08-24
Applicant: 吉林大学
Abstract: 本发明公开了一种基于纹理感知和像素强度相关性的解剖医学图像融合方法，包括：获取脑部疾病的MRI图像和CT图像，并进行配准；构建图像纹理信息能量感知函数，基于图像纹理信息能量感知函数对配准后的MRI图像和CT图像分别进行分解，获得各自对应的基础层和结构层；建立图像融合规则，基于图像融合规则对分解获得的基础层与结构层分别进行处理，获得融合基础层图像与融合结构层图像；基于融合基础层图像与融合结构层图像进行图像重建，获得融合图像，实现解剖医学图像融合。本发明有效解决了融合过程丢失图像对比度信息的问题，缓解图像信息损失现象。
-
公开(公告)号：CN116934721A
公开(公告)日：2023-10-24
申请号：CN202310929215.0
申请日：2023-07-27
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于多尺度特征提取的肾脏肿瘤分割方法，采用主流的编码器‑解码器架构，在编码器路径提出了一种特征细化模块，通过对每个阶段的特征进行通道上的划分和融合，从而可以在编码器路径上提取到更加细粒度的局部特征，这对于肾脏肿瘤这种尺寸变化较大的目标很有帮助；同时在解码器路径提出了一种多尺度特征提取模块，通过在路径中嵌套小的U型网络可以在不引入过多的内存消耗的情况下扩大感受野进而更有效的提取全局特征，此外多尺度特征提取模块中还包括一个软阈值去噪模块，软阈值去噪模块可以自动地选取阈值去消除与噪声相关的信息，从而提取到更具有判别性的特征。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.046 seconds)
