公开(公告)号：CN118968155A

公开(公告)日：2024-11-15

申请号：CN202411015713.5

申请日：2024-07-26

Applicant: 东北林业大学

Inventor： 董素宇 ,  马世舟 ,  韩雪 ,  董庆 ,  孙一欣

IPC: G06V10/764 ,  G06F17/18 ,  G06F17/16 ,  G06V10/26 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0895 ,  G06N3/098

Abstract: 一种基于混合数据增强和开集半监督学习的超声心动图角度分类方法及系统，它属于医学图像分析技术领域。本发明解决了现有方法难以捕获超声心动图中的有效信息、对类外分布数据的检测流程复杂且检测效率低、无法充分利用未标记数据集的特征信息的问题。本发明首先在教师模型编码部分的第三层与第四层之间添加混合数据增强单元；在学生模型编码部分中添加开集半监督单元作为分类器的并行分支；再对获取的包含带标签和不带标签的超声心动图进行预处理，利用预处理后的超声心动图对构建的模型进行训练，最后利用训练好的学生模型对待分类超声心动图进行分类。本发明方法可以应用于超声心动图角度分类。

公开(公告)号：CN119131044A

公开(公告)日：2024-12-13

申请号：CN202411015716.9

申请日：2024-07-26

Applicant: 东北林业大学

Inventor： 董素宇 ,  李怀栋 ,  孙一欣 ,  董庆 ,  韩雪

IPC: G06T7/10 ,  G06T7/00 ,  G06T5/50 ,  G06N3/0895 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06V10/764 ,  G06V10/774

Abstract: 一种基于两视角和半监督注意力模型的3D心脏图像分割系统，它属于医学图像分割技术领域。本发明解决了传统3D医学图像分割方法的分割性能差的问题。本发明采用了数据增强机制，即利用图像中的混合区域来扩展数据集，以增强在3D心脏医学图像分割任务中的性能，从冠状面和横断面两个视角对3D心脏图像进行分割，可以获取两个视角的互补分割信息，而且本发明设计的分割网络更加关注分割区域和边缘部分，同时通过采用半监督学习的方式，在不需要对全部3D心脏图像进行标注的情况下，结合两个视角的互补分割信息保证了图像的分割性能。本发明方法可以应用于3D心脏图像的分割。

公开(公告)号：CN119107499A

公开(公告)日：2024-12-10

申请号：CN202411234861.6

申请日：2024-09-04

Applicant: 东北林业大学

Inventor： 董素宇 ,  张贻峰 ,  董庆 ,  孙一欣 ,  曹绍东

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/82 ,  G16H50/30 ,  G16H30/40 ,  G06V10/80 ,  G06V10/77 ,  G06V10/52 ,  G06V10/44 ,  G06V10/42 ,  G06N3/0895 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06N3/088

Abstract: 一种基于轻量化模型和半监督学习的AS严重程度分类系统，它属于医学图像处理领域。本发明解决了现有方法存在对无标注数据的浪费、缺少视图分类和图像级AS严重程度分类导致的患者级AS严重程度分类的可解释性差、模型参数量大导致算力要求高等问题。本发明基于结构重参数化和深度大核卷积以及小波下采样设计了轻量级模型LWM，并通过半监督学习训练LWM。半监督学习使用了有针对性的强增强和选择性总损失计算，可以使用有标签数据和大量无标签数据训练模型LWM，训练好的LWM实现了视图分类和图像级AS严重程度分类，再使用基于视图相关性的聚合机制得到患者级AS严重程度分类结果。本发明方法可以应用于超声心动图的视图分类、AS严重程度分类。