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：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。

公开(公告)号：CN116012344B

公开(公告)日：2023-10-20

申请号：CN202310043858.5

申请日：2023-01-29

Applicant: 东北林业大学

Inventor： 邱兆文 ,  肖辛 ,  杨光远 ,  董素宇 ,  郭子钰

IPC: G06T7/00 ,  G06T7/33 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于掩码自编码器CNN‑Transformer的心脏磁共振图像配准方法，属于医学图像处理技术领域。为解决现有技术中图像冗余特征以及注意力权重区分不够差异化所带来的计算量巨大，同时无法达到较高配准精度的问题。通过基于掩码自编码器的Transformer预训练网络获取预训练权重，以用于基于CNN‑Transformer配准网络的权重初始化，配准网络通过空间&通道并行挤压与激励模块生成具有不同维度注意力分布加权的特征图；通过Transformer编码器进行特征提取；通过基于CNN的解码器生成固定图像与浮动图像之间的形变场；将浮动图像、形变场输入空间变换网络，得到配准图像；计算配准图像与固定图像之间的损失，生成最优权重配准网络。本发明方法能够减少计算量的同时，达到更精准的配准结果。

公开(公告)号：CN116012344A

公开(公告)日：2023-04-25

申请号：CN202310043858.5

申请日：2023-01-29

Applicant: 东北林业大学

Inventor： 邱兆文 ,  肖辛 ,  杨光远 ,  董素宇 ,  郭子钰

IPC: G06T7/00 ,  G06T7/33 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于掩码自编码器CNN‑Transformer的心脏磁共振图像配准方法，属于医学图像处理技术领域。为解决现有技术中图像冗余特征以及注意力权重区分不够差异化所带来的计算量巨大，同时无法达到较高配准精度的问题。通过基于掩码自编码器的Transformer预训练网络获取预训练权重，以用于基于CNN‑Transformer配准网络的权重初始化，配准网络通过空间&通道并行挤压与激励模块生成具有不同维度注意力分布加权的特征图；通过Transformer编码器进行特征提取；通过基于CNN的解码器生成固定图像与浮动图像之间的形变场；将浮动图像、形变场输入空间变换网络，得到配准图像；计算配准图像与固定图像之间的损失，生成最优权重配准网络。本发明方法能够减少计算量的同时，达到更精准的配准结果。

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。