超分辨率插值重建方法、装置、设备及介质

    公开(公告)号:CN119991441A

    公开(公告)日:2025-05-13

    申请号:CN202510085926.3

    申请日:2025-01-20

    Abstract: 本发明公开了一种超分辨率插值重建方法、装置、设备及介质,涉及医学影像分析技术领域,该方法可以从稀疏采样的图像生成稠密的水平位插值结果,增加层间分辨率。该方法采用频域空间域协同学习模块实现了频域和空间域的特征互补,高频特征可以公平的和低频特征进行学习,从而更好的学习到高频信息来弥补空间域的不足。以水平位为主特征提取方向,同时融合矢状位和冠状位的信息进一步提高插值重建效果。采用多视角特征融合模块融合不同视图信息,通过使来自不同视图的特征实时交互来从三个视图中提取互补信息,而无需增加太多计算量。

    基于运动估计的视频插帧方法、装置、设备及存储介质

    公开(公告)号:CN119363993A

    公开(公告)日:2025-01-24

    申请号:CN202411447057.6

    申请日:2024-10-16

    Abstract: 本发明公开了一种基于运动估计的视频插帧方法、装置、设备及存储介质,该方法通过对输入图像的纹理特征提取、运动特征提取、联合优化中间光流和中间帧图像三个环节,生成清晰准确的目标中间帧图像。其中,金字塔编码器提取图像的多尺度纹理特征,使得提取到的特征同时拥有全局信息和局部纹理细节。运动特征的提取不仅提供相邻帧之间的明确对应关系,长距离的运动光流还能够捕捉冠脉收缩和舒张的交替往复运动情况。编码器采用中间光流和目标值特征联合优化的方式,以获得最终的插值结果。最终能够生成冠脉等血管运动连贯准确的清晰的高帧率序列。

    基于单目相机重建的虚实融合渲染方法及装置

    公开(公告)号:CN114511665B

    公开(公告)日:2024-07-19

    申请号:CN202011171037.2

    申请日:2020-10-28

    Abstract: 基于单目相机重建的虚实融合渲染方法及装置,能够解决虚实互相遮挡时显示缺乏深度感的问题,提升了医生对增强现实显示中的深度感知,能够更精准地获取虚拟模型与真实解剖结构的位置关系,有助于手术视野的拓展。方法包括:(1)通过单目相机对真实场景的实时重建,获得真实目标的三维点云信息;(2)通过计算单目相机光心到真实目标三维点云的距离以及光心到虚拟模型的距离来判断虚拟模型是否被遮挡;(3)被遮挡的虚拟模型的部分仅渲染边缘轮廓,未被遮挡的部分正常渲染显示。

    一种二维造影图像上冠脉段标注方法及系统

    公开(公告)号:CN111178420B

    公开(公告)日:2024-01-09

    申请号:CN201911350676.2

    申请日:2019-12-24

    Abstract: 本发明实施例提供一种二维造影图像上冠脉段标注方法及系统,该方法包括:获取冠脉血管结构中感兴趣冠脉段之间的邻接矩阵;获取每一感兴趣冠脉段的参考特征;利用每一感兴趣冠脉段的参考特征、邻接矩阵,训练图网络,以获取每一感兴趣冠脉段的深层特征表达;根据每一感兴趣冠脉段的特征表达,获取每一感兴趣冠脉段的标注。本发明实施例提供的一种冠脉段标注方法,提出了具体、全面的参考特征去描述冠脉段;并使用图网络对冠脉段进行深层特征提取,图网络能够很好地处理冠脉结构,有效地学习冠脉结构中的拓扑关系,从而提高了本发明实施例的鲁棒性和准确性。

    基于流形正则化的血管3D/2D弹性配准方法及装置

    公开(公告)号:CN111667515B

    公开(公告)日:2023-11-14

    申请号:CN202010325644.3

    申请日:2020-04-22

    Abstract: 基于流形正则化的血管3D/2D弹性配准方法及装置,基于流形正则化的血管3D/2D弹性配准方法,其能够适用于任意具有拓扑结构的点云结构,可以得到最优的血管3D/2D弹性配准结果。方法包括:(1)在已知血管3D和2D点的匹配关系#imgabs0#基础上,获得3D点集矩阵和2D点集矩阵;(2)构建空间变换#imgabs1#使得#imgabs2#3D点的变换表示为#imgabs3##imgabs4#τ(yk)为yk的位移;(3)在血管拓扑流形#imgabs5#上的约束#imgabs6#描述为在拓扑上相邻的点的位移具有一致性,#imgabs7#用流形正则化表示;(4)获得血管3D/2D弹性配准的目标函数;(5)基于梯度优化的算法对目标函数进行求解。

    一种端到端的点云深度学习网络模型和训练方法

    公开(公告)号:CN111428855B

    公开(公告)日:2023-11-14

    申请号:CN202010116881.9

    申请日:2020-02-25

    Abstract: 一种端到端的点云深度学习网络模型和训练方法,可同时定位不同尺度人脸上的标识点,网络的定位精度好,定位速度快。网络模型,为类卷积神经网络CNN的深度学习网络结构,包括:(1)该网络从输入点云逐级降采样得到一系列采样点集,并使用点分布特征提取器逐级提取每个采样点集中采样点的邻域点云的点分布特征,采样点的邻域点云的点分布特征逐级抽象且空间感受野逐级扩大;(2)从采样点集中选取部分点集,并将这些采样点集中所有的采样点称为监测点,使用这些监测点对标识点进行定位;(3)对每个监测点位于不同标识点邻域的概率以及与不同的标识点的偏移量进行预测。

Patent Agency Ranking