公开(公告)号：CN117689883A

公开(公告)日：2024-03-12

申请号：CN202311443023.5

申请日：2023-11-01

Applicant: 中国医学科学院北京协和医院 ,  五邑大学

Inventor： 文进 ,  张洪燚 ,  王栋 ,  麦超云 ,  曾军英 ,  秦传波

IPC: G06V10/26 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/096

Abstract: 本申请实施例提供了一种医学图像分割方法、模型训练方法、装置及电子设备，该方法包括：通过将无标注的第一医学图像分别输入教师模型和学生模型，以及将带标注的第二医学图像输入学生模型，基于模型的语义分割，分别得到伪标签预测概率、第一预测概率和第二预测概率，通过伪标签预测概率和第一预测概率确定第一模型损失，通过第二预测概率和标签概率确定第二模型损失，进而基于损失训练学生模型，训练后的学生模型能够提供多种关键部位的语义分割，能够在医学图像中分割出多种器官及肿瘤，也可对肿瘤周边发生形变的器官进行精准的分割，医学图像的分割效果较好，可广泛应用于云技术、人工智能、医学图像处理等场景。

公开(公告)号：CN119762510A

公开(公告)日：2025-04-04

申请号：CN202411715356.3

申请日：2024-11-27

Applicant: 五邑大学

Inventor： 罗冠聪 ,  冯跃 ,  秦传波

IPC: G06T7/12 ,  G06T7/13 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本申请实施例提供了一种医学图像分割方法、装置、设备及存储介质，该方法包括：获取待分割的医学图像；获取各个局部特征提取网络提取的第一图像特征，其中，n为大于2的正整数；获取各个边缘检测网络检测的边缘特征；调用解码网络中的解码模块对第一图像特征进行解码得到初始解码特征，调用解码网络中的注意力模块基于第i个边缘特征对第i个初始解码特征进行注意力处理得到目标注意力特征，其中，解码网络包括各个局部特征提取网络对应的解码模块以及各个边缘检测网络对应的注意力模块，i为小于n的正整数；基于各个目标注意力特征对医学图像进行图像分割，得到图像分割结果。本申请实施例能够提高医学图像分割的精准度。

公开(公告)号：CN119131522A

公开(公告)日：2024-12-13

申请号：CN202411111507.4

申请日：2024-08-14

Applicant: 五邑大学

Inventor： 秦传波 ,  钟甫东 ,  曾军英 ,  贾旭东 ,  冯跃 ,  陈涛 ,  钟甫广

IPC: G06V10/774 ,  G06V10/26 ,  G06V10/74 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/08

Abstract: 本申请提供了医学图像分割模型的训练方法、图像分割方法及相关装置，包括对训练医学图像进行增强；提取增强图像的图像特征和提取文本描述的文本特征，融合图像特征和文本特征，根据图像特征和文本特征计算得到相似度，根据相似度生成提示信息；提取融合特征的注意力特征；根据提示信息和所述注意力特征对训练医学图像进行图像分割；根据所述图像分割结果调整模型参数得到训练好的医学图像分割模型；利用不同领域的文本信息来区分学习不同领域的特征，解决了在有限训练数据上提升模型的鲁棒性和泛化性，并且注重整体的参数量大小和计算资源的消耗，在少计算资源中实现高准确的医学图像分割。

公开(公告)号：CN111831956B

公开(公告)日：2024-05-28

申请号：CN202010548112.6

申请日：2020-06-16

Applicant: 五邑大学

Inventor： 曾军英 ,  王璠 ,  朱伯远 ,  朱京明 ,  秦传波 ,  翟懿奎 ,  甘俊英 ,  李泳韩

IPC: G06F17/10 ,  G06F18/24

Abstract: 本发明公开了一种高自由度类不平衡性损失函数的调整方法和存储介质，包括：采用标准交叉熵损失函数来对训练网络进行训练；根据收敛后的所述训练网络计算所述标准交叉熵损失函数的梯度模长；根据所述梯度模长来选择梯度均衡损失函数或者自适应调整权重损失函数；其中，所述梯度均衡损失函数用于均衡batch数据内落入所述梯度模长中每个区间的数量；所述自适应调整权重损失函数用于使每个所述batch数据自适应调整权重。本发明实施例可以根据数据集的特点自适应选取损失函数，然后在网络训练过程中再次自适应调整权重来充分学习图像特征，尤其是学习难度较大的样本，能够在充分利用有限数据资源的前提下有效解决类别不平衡问题。

公开(公告)号：CN113538654B

公开(公告)日：2024-04-02

申请号：CN202110653092.3

申请日：2021-06-11

Applicant: 五邑大学

Inventor： 秦传波 ,  曾俊博 ,  余振辉 ,  林庆彬 ,  曾军英 ,  朱京明 ,  舒乙青

IPC: G06T17/00 ,  G06T19/20 ,  G06T7/11 ,  G06T5/50 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明实施例提供了一种颅骨植入物图像生成方法、装置和计算机可读存储介质，包括：获取缺陷颅骨的颅骨三维图像；对所述颅骨三维图像进行预处理，得到三份不同维度的颅骨二维图像切片；搭建基于注意力和残差结构的U‑Net网络；将三份所述颅骨二维图像切片分别输入到三个结构相同的所述U‑Net网络，得到三份颅骨植入物二维图像切片；将三份所述颅骨植入物二维图像切片进行合成，得到与所述缺陷颅骨的缺陷位置所对应的颅骨植入物三维图像。相对于现有技术，本发明实施例的技术方案，能够较好的设计出精细的颅骨植入物，有效提高了颅骨植入物设计的精度。

公开(公告)号：CN112116606B

公开(公告)日：2024-02-20

申请号：CN202011054093.8

申请日：2020-09-29

Applicant: 五邑大学

Inventor： 秦传波 ,  吴雨杰 ,  廖文斌 ,  曾军英 ,  余振辉 ,  万昕

IPC: G06T7/11 ,  G06T5/50 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种脑肿瘤图像分割方法、系统及计算机可读存储介质，所述脑肿瘤图像分割方法包括：获取脑肿瘤图像，并对所述脑肿瘤图像进行预处理，得到预处理图像；构建基于分阶段式残差结构的U‑Net3+网络模型；其中，所述U‑Net3+网络模型使用FRN标准化层；输入所述预处理图像至所述U‑Net3+网络模型中进行训练，得到脑肿瘤分割图像。本发明能够较准确地提取脑肿瘤图像中的特征，有效提高了脑肿瘤图像的分割精度。

公开(公告)号：CN111833356B

公开(公告)日：2023-02-28

申请号：CN202010543134.3

申请日：2020-06-15

Applicant: 五邑大学

Inventor： 柯琪锐 ,  郭焕鑫 ,  陈凯炫 ,  周文略 ,  曾彩莲 ,  王金鑫 ,  翟懿奎 ,  秦传波 ,  甘俊英 ,  应自炉 ,  陈俊娟 ,  曾军英 ,  徐颖

IPC: G06T7/11 ,  G06V10/764

Abstract: 本发明公开了脑部胶质瘤图像分级方法、装置及存储介质，对输入的脑部胶质瘤图像作归一化处理和作感兴趣区域的增强处理，提高鲁棒性和分级的准确性；基于弱监督原理的掩膜处理能精准地为脑部胶质瘤图像中脑部胶质瘤对应的区域加上掩膜，进一步提高鲁棒性和分级的准确性，进而减少了对大量有真值标签的训练样本数据的依赖性；通过宽度学习网络避免了大规模耗时的网络训练，解决了获取更高精度时，增加网络层数而导致梯度消失和训练缓慢的问题。

公开(公告)号：CN110084238B

公开(公告)日：2023-01-03

申请号：CN201910278800.2

申请日：2019-04-09

Applicant: 五邑大学

Inventor： 曾军英 ,  王璠 ,  秦传波 ,  朱伯远 ,  甘俊英 ,  翟懿奎

IPC: G06V40/14 ,  G06V10/26 ,  G06V10/774 ,  G06V10/82

Abstract: 本发明公开了一种基于LadderNet网络的指静脉图分割方法、装置和存储介质。对指静脉图像进行预处理得出预处理图像，从预处理图像中随机选取一个点作为子块中心点并生成子块图像，从所述子块图像中获取静脉纹路作为网络训练的金标准，将子块图像和静脉纹路同时输入至LadderNet网络中完成特征提取。本发明通过子块图像获取静脉纹路，以静脉纹路作为网络训练的金标准，在不需要静脉数据集的情况下实现特征提取，大大减少了网络的计算量，提高特征提取的准确率和效率。

公开(公告)号：CN114842471A

公开(公告)日：2022-08-02

申请号：CN202210560275.5

申请日：2022-05-23

Applicant: 五邑大学

Inventor： 徐晓龙 ,  张成霖 ,  翁奇萍 ,  秦传波 ,  曾军英 ,  刘文海 ,  黄华连 ,  朱颖琪 ,  王梁 ,  彭慈恩 ,  陈艺元

IPC: G06V20/69 ,  G06V20/70 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的红细胞氧化损伤程度的获取方法，通过获取红细胞图像，对红细胞图像中的正常红细胞图像进行打标形成标签，获得正常红细胞的标签图像；将红细胞图像和正常红细胞的标签图像作为数据集，对数据集进行训练集和测试集划分，训练集和测试集都包含红细胞图像和正常红细胞的标签图像；基于U‑Net模型和YOLOv3模型，构建红细胞氧化损伤程度预测模型；采用训练集对红细胞氧化损伤程度预测模型进行训练，获得训练好的红细胞氧化损伤程度预测模型；采用测试集对训练好的红细胞氧化损伤程度预测模型进行测试，获得红细胞氧化损伤程度测试结果。本发明能够即时获得红细胞氧化损伤程度，直观的观察细胞的实时变化状态。

公开(公告)号：CN112530453B

公开(公告)日：2022-04-05

申请号：CN202011355810.0

申请日：2020-11-27

Applicant: 五邑大学 ,  智翔科技(江门)有限公司

Inventor： 余翠琳 ,  周文略 ,  陈家聪 ,  梁艳阳 ,  王天雷 ,  冯伟霞 ,  秦传波 ,  翟懿奎 ,  朱翠娥 ,  刘始匡 ,  黎繁胜 ,  蒋润锦 ,  张俊亮

IPC: G10L21/0208 ,  G10L15/22 ,  G10L25/24 ,  G10L25/30

Abstract: 本发明提供一种适用于噪声环境下的语音识别方法，包括：接收语音采集设备上传的待处理带噪对话语音；对待处理带噪对话语音进行语音增强处理，以提取待处理带噪对话语音中语音特征；根据语音特征从语音识别参数值集中搜索待处理带噪对话语音的目标语音识别参数设定值；将目标语音识别参数设定值发送给语音采集设备，以使得语音采集设备根据目标语音识别参数设定值对接收到的语音数据进行语音识别。本发明的实施能够改善在各种嘈杂环境中通过麦克风输入语音信号，实现高精度自动语音识别。