公开(公告)号：CN118967719A

公开(公告)日：2024-11-15

申请号：CN202411059017.4

申请日：2024-08-02

Applicant: 东南大学

Inventor： 池强 ,  舒华忠 ,  刘宇航 ,  章悦

IPC: G06T7/11 ,  G06T7/187 ,  G06V10/774 ,  G06V10/74 ,  G06V10/82

Abstract: 本发明公开了一种基于自注意力机制和对比学习的小样本医学图像分割方法，该方法首先需要对核磁共振成像(Magnetic Resonance Imaging，MRI)数据进行预处理，将处理后的数据进行预分割；然后将预分割结果进行掩码矫正得到伪掩码；将伪掩码及其对应的医学图像送入深度学习网络模型，根据综合损失更新模型参数并保存模型训练结果；利用训练过的模型对新的医学图像数据进行分割，得到分割掩码。本发明通过对伪掩码进行矫正提高了网络模型学习的准确性，自注意力机制和对比学习的加入实现了小样本训练过程内部传递信息并抑制了图像背景信息干扰，在有限的标注数据情况下实现了对医学图像的高效分割。

公开(公告)号：CN118887127A

公开(公告)日：2024-11-01

申请号：CN202411051326.7

申请日：2024-08-01

Applicant: 东南大学

Inventor： 刘宇航 ,  舒华忠 ,  章悦 ,  池强

IPC: G06T5/70 ,  G06T5/60 ,  A61B6/03 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0895

Abstract: 本发明公开了一种基于分解卷积神经网络的自监督低剂量CT去噪方法。该方法首先获取低剂量计算机断层扫描(Low Dose Computed Tomography,LDCT)影像学DICOM数据；其次将LDCT影像学数据中CT扫描边界之外的像素点的值设置为0，并在[‑1024,3072]范围内进行归一化处理，将其存储为NPY格式；然后将低剂量CT数据集输入到基于图像分解的自监督去噪网络中进行训练，得到训练模型；最后，利用得到的训练模型对新的LDCT进行预测，获得去噪后的图像。本发明通过将LDCT图像分解成干净图像、与信号相关噪声图像以及与信号无关噪声图像，能够在无标签图像的情况下从LDCT图像中分离出高质量CT图像。本发明能够通过训练好的深度学习去噪模型直接得到去噪图像，为临床医生的影像诊断工作提供了技术支持。