公开(公告)号：CN110136122B

公开(公告)日：2023-01-13

申请号：CN201910411647.6

申请日：2019-05-17

Applicant: 东北大学(CN)

Inventor： 魏颖 ,  齐林 ,  刘悦 ,  王楚媛

IPC: G06T7/00 ,  G06T7/10

Abstract: 本发明涉及一种基于注意力深度特征重建的脑MR图像分割方法，包括步骤：S1、获取T1、T2和FLAIR三个模态的脑MR图像数据；S2、对获取到的三个模态的脑MR图像数据进行预处理，得到数据增强的三个模态的脑MR图像数据；S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据；S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM，获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据；本发明提供的图像分割方法通过空间自注意力模块计算任意两个位置之间的交互关系，捕获特征远程依赖性，深度特征重建模块使用深度特征对不同层级的特征进行重新加权，保持不同层级特征的一致性。

公开(公告)号：CN110148140A

公开(公告)日：2019-08-20

申请号：CN201910411684.7

申请日：2019-05-17

Applicant: 东北大学

Inventor： 刘悦 ,  魏颖 ,  王楚媛 ,  李翔

IPC: G06T7/11 ,  G06T7/41 ,  G06T7/00 ,  G06K9/62 ,  G06F17/16

Abstract: 本发明属于图像分割技术领域，尤其涉及一种基于线性化核标签融合的脑MR图像分割方法，包括如下步骤：S1、获取脑部MR图像数据；S2、将获得的脑部MR图像数据输入改进的脑部MR图像分割模型中，得到脑部MR图像数据的分割结果；其中，所述改进的脑部MR图像分割模型为采用虚样本替代高维样本的分割模型。本发明提供的图像分割方法，采用虚样本替代脑部MR图像分割模型中的高维样本，减少核矩阵的计算时间。

公开(公告)号：CN110136122A

公开(公告)日：2019-08-16

申请号：CN201910411647.6

申请日：2019-05-17

Applicant: 东北大学

Inventor： 魏颖 ,  齐林 ,  刘悦 ,  王楚媛

IPC: G06T7/00 ,  G06T7/10

Abstract: 本发明涉及一种基于注意力深度特征重建的脑MR图像分割方法，包括步骤：S1、获取T1、T2和FLAIR三个模态的脑MR图像数据；S2、对获取到的三个模态的脑MR图像数据进行预处理，得到数据增强的三个模态的脑MR图像数据；S3、将S2中得到的三个模态的脑MR图像数据输入深度编码模型中得到三个模态的脑MR图像卷积特征数据；S4、将S3中获得的三个模态的脑MR图像卷积特征数据输入空间自注意力模块SAM，获得空间自注意力模块修正后的综合各模态的脑MR图像卷积特征数据；本发明提供的图像分割方法通过空间自注意力模块计算任意两个位置之间的交互关系，捕获特征远程依赖性，深度特征重建模块使用深度特征对不同层级的特征进行重新加权，保持不同层级特征的一致性。