一种基于图学习的稀疏投影重建方法

    公开(公告)号:CN113838161B

    公开(公告)日:2022-02-22

    申请号:CN202111413375.7

    申请日:2021-11-25

    Abstract: 本发明公开了一种基于图学习的稀疏投影重建方法,属于医学影像领域。该方法通过在投影重建方法中每次迭代的过程中进行一次全局随机采样,获取每个像素点的全局随机采样点;再根据门函数进行随机点的相似筛选;最后利用这些相似的随机点通过图学习的方法修正每个像素点的像素值。以此来消除因为硬件原因或者稀疏重建方法本身所导致的形状伪影。通过本发明,可以在传统的投影重建方法中直接引入该方法,用于修复稀疏角度导致的重建后图像中的形状伪影,大大的提升成像质量。

    一种基于PET/CT的肺腺癌鳞癌诊断模型训练方法及装置

    公开(公告)号:CN113516210B

    公开(公告)日:2021-12-17

    申请号:CN202111075570.3

    申请日:2021-09-14

    Abstract: 本发明提供了一种基于PET/CT的肺腺癌鳞癌诊断模型训练方法及装置,本发明使用多任务学习的方法,通过基于病理图像的诊断分类训练获得的神经网络提取病理特征,来辅助训练基于PET/CT图像的诊断分类神经网络。本发明提高了基于PET/CT图像的肺癌诊断分类精度,同时病理图像仅用作训练过程中的先验知识,在实际应用中并不需要用作网络的输入。此方法通过多尺度融合的理念,提高了PET/CT图像用作肺癌诊断分类的精度,有利于其作为早期肺癌诊断的手段得到进一步推广与应用,为临床医师对患者的诊断以及后续治疗方案提供帮助;与此同时,病理图像作为先验知识辅助的方案,也进一步提升了病理切片的可解释性,有助于病理科医师对于病理特征的进一步提取。

    一种SPECT三维重建图像左心室自动分割的方法

    公开(公告)号:CN112508949B

    公开(公告)日:2021-05-11

    申请号:CN202110135783.4

    申请日:2021-02-01

    Abstract: 本发明公开了一种SPECT三维重建图像左心室自动分割的方法,通过对原始SPECT胸部三维图像线性插值进行等比例缩小,利用特征提取网络对缩小后图像提取刚性配准参数特征,利用空间变换网络及参数特征对SPECT图像进行自动转向获得标准视图的预测图像,从预测图像中切割中心部位获取心脏图像,并通过U‑NET网络进行图像自动分割获得标准视图下的左心室结构分割结果。本发明使用多任务学习的深度学习网络同步提取图像的位置特征和语义特征,并利用双网络特征的互相监督达到网络一体化训练的效果实现不同角度到标准视图的一体化自动转向、心脏定位及左心室的结构分割,减少了手动转向、分割的复杂性和人为误差,实现了图像操作的全自动并提高了准确性。

    一种SPECT三维重建图像左心室自动分割的方法

    公开(公告)号:CN112508949A

    公开(公告)日:2021-03-16

    申请号:CN202110135783.4

    申请日:2021-02-01

    Abstract: 本发明公开了一种SPECT三维重建图像左心室自动分割的方法,通过对原始SPECT胸部三维图像线性插值进行等比例缩小,利用特征提取网络对缩小后图像提取刚性配准参数特征,利用空间变换网络及参数特征对SPECT图像进行自动转向获得标准视图的预测图像,从预测图像中切割中心部位获取心脏图像,并通过U‑NET网络进行图像自动分割获得标准视图下的左心室结构分割结果。本发明使用多任务学习的深度学习网络同步提取图像的位置特征和语义特征,并利用双网络特征的互相监督达到网络一体化训练的效果实现不同角度到标准视图的一体化自动转向、心脏定位及左心室的结构分割,减少了手动转向、分割的复杂性和人为误差,实现了图像操作的全自动并提高了准确性。

    一种基于扩散模型的PET迭代重建方法及系统

    公开(公告)号:CN117437152B

    公开(公告)日:2024-04-02

    申请号:CN202311764922.5

    申请日:2023-12-21

    Abstract: 本发明涉及一种基于扩散模型的PET迭代重建方法及系统,主要解决现有PET重建系统中噪声干扰大、成像质量低的问题。本发明将扩散模型引入到迭代重建的过程中,在每次迭代重建时,将输入图像和对应的正投图像拼接输入至训练好的扩散模型进行逐步去噪,得到去噪后的输入图像;基于去噪后的输入图像重建获得输出图像;本发明通过利用扩散模型对PET弦图数据进行降噪,降低了原始信号中的噪声干扰,提高了数据质量;通过在原有的迭代重建步骤中引入扩散模型降噪单元来优化重建过程,进一步提高了重建图像的成像质量。与现有技术相比,本发明采用了基于扩散模型的迭代重建方法,能够有效地降低噪声干扰,提高图像成像质量,具有广泛的应用前景。

    基于噪声扩散学习的电阻抗层析成像图像重建方法和装置

    公开(公告)号:CN117011673B

    公开(公告)日:2024-03-26

    申请号:CN202311284723.4

    申请日:2023-10-07

    Abstract: 本发明公开了一种基于噪声扩散学习的电阻抗层析成像图像重建方法和装置,适用于工业过程成像、地质勘探和医学成像等技术领域。本发明通过获取含有电阻抗层析成像边界测量复电压序列信息的初始反投影图像对,再将初始反投影图像对输入至预先训练好的基于噪声扩散学习的电阻抗层析成像图像重建网络模型,可快速获取低噪、超高分辨率的电阻抗层析重建图像。其中基于噪声扩散学习的EIT图像重建网络模型训练的核心思想为先向电阻抗图像逐步添加概率分布已知的噪声,直至将其转换为正态分布的噪声图像,再在约束条件引导下,利用深度神经网络预测每一个时间节点处上一步添加的噪声来对噪声图像进行逐步去噪和更新估计,直至将其恢复为高精度重构图像。

    一种基于流形优化算法的动态脑功能网络学习及展示方法

    公开(公告)号:CN117194921A

    公开(公告)日:2023-12-08

    申请号:CN202311154997.1

    申请日:2023-09-07

    Abstract: 本说明书公开了一种基于流形优化算法的动态脑功能网络学习及展示方法及装置,可以获取一段时间内的血氧信号,并通过滑动窗口的方式对所述血氧信号进行预处理,得到预处理后的信号数据,该预处理后的信号数据包括每个时间窗口下各脑节点的BOLD信号,而后构建目标函数,该目标函数用于表征脑节点之间的信号距离和功能连接权重之间的积以及用于表示相邻时间窗口之间的动态图嵌入在格拉斯曼流形上的距离,最后,根据预处理后的信号数据,以最小化该目标函数为优化目标,确定出动态脑功能连接网络以及动态脑功能连接网络对应的动态图嵌入并展示,从而能够有效地确定出反映大脑真实的功能连接情况的动态脑功能连接网络及动态图嵌入。

    一种脑网络数据特征提取方法及装置

    公开(公告)号:CN116051849B

    公开(公告)日:2023-07-07

    申请号:CN202310342278.6

    申请日:2023-04-03

    Abstract: 本发明公开了一种脑网络数据特征提取方法及装置,该方法基于嵌入(Embedding)和格拉斯曼流形(Grassmannian Manifold)优化得到多层脑网络节点信息低维表示,通过使用嵌入的方法将多层脑网络节点信息进行低维表示,并将嵌入表示基于格拉斯曼流形进行优化,得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取,得到更加具有代表性、更加有效的多层脑网络节点低维表示信息,有效的提高多层脑网络数据信息的利用率,利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。

    一种基于混合精度模型加速的业务处理方法及装置

    公开(公告)号:CN116167431A

    公开(公告)日:2023-05-26

    申请号:CN202310454434.8

    申请日:2023-04-25

    Abstract: 本说明书公开了一种基于混合精度模型加速的业务处理方法及装置。首先,获取样本数据以及预先训练的业务模型。其次,将样本数据输入到业务模型中,得到标准结果。而后,对所述业务模型进行模型框架转换,得到待调整模型。然后,依次针对待调整模型的每个网络层,以调整该网络层对应的参数精度后得到的模型针对样本数据所输出的结果与标准结果之间的偏差满足预设条件为约束,对该网络层对应的参数精度进行调整。接着,得到目标模型,并部署。最后,在接收到业务数据后,将业务数据输入到目标模型,得到针对业务数据的输出结果,执行业务处理。本方法可以在保证深度学习模型的输出结果的准确性的情况下,提高深度学习模型的推理效率。

    一种脑网络数据特征提取方法及装置

    公开(公告)号:CN116051849A

    公开(公告)日:2023-05-02

    申请号:CN202310342278.6

    申请日:2023-04-03

    Abstract: 本发明公开了一种脑网络数据特征提取方法及装置,该方法基于嵌入(Embedding)和格拉斯曼流形(Grassmannian Manifold)优化得到多层脑网络节点信息低维表示,通过使用嵌入的方法将多层脑网络节点信息进行低维表示,并将嵌入表示基于格拉斯曼流形进行优化,得到更加有代表性、有意义的低维节点特征信息并可以通过重建低维表示获得低维脑部功能连接网络。本发明通过对复杂的多层脑网络信息进行降维与关键提取,得到更加具有代表性、更加有效的多层脑网络节点低维表示信息,有效的提高多层脑网络数据信息的利用率,利用较少的数据量实现较高准确率的疾病诊断、节点检测等脑部研究。

Patent Agency Ranking