-
公开(公告)号：CN119625038A
公开(公告)日：2025-03-14
申请号：CN202510146999.9
申请日：2025-02-11
Applicant: 中国计量大学
IPC: G06T7/33 , G06N3/045 , G06N3/082 , G06N3/0895
Abstract: 本申请提出了一种基于弱监督学习的MRI‑TRUS图像配准方法及装置，包括以下步骤：首先获取待配准的MRI图像与TRUS图像，将其输入预训练的分割子网络，得到相应掩码。接着把这些掩码和原图像再输入预训练的配准子网络获取配准结果。配准子网络含变换场和配准单元，变换场单元生成密集变换场，配准单元以MRI掩码和图像为移动对象，TRUS掩码和图像为固定对象，依据变换场使移动对象配准到固定对象中。通过分割子网络来获取待配准MRI掩码以及待配准TRUS掩码，再以待配准MRI掩码以及待配准TRUS掩码为引导在配准子网络中进行精确配准。
-
公开(公告)号：CN119626472A
公开(公告)日：2025-03-14
申请号：CN202510146998.4
申请日：2025-02-11
Applicant: 中国计量大学
IPC: G16H30/40 , G06T5/77 , G06T5/60 , G06N3/0455 , G06N3/0442 , G06N3/0499 , G06N3/08 , G06V10/26 , G06V10/25 , G06V10/764 , G06V10/82
Abstract: 本申请提出了超声图像中人工标记去除方法、装置及其可读存储介质，该方法先从多家医院采集甲状腺超声图像并处理数据集，再将其输入Restormer模型，利用其编码‑解码架构及MDTA和GDFN模块去除人工标记，采用渐进式学习策略训练优化，最后在去除标记的数据集上进行分类、分割和目标检测任务测试。本发明不依赖手动标注掩膜，能自适应学习识别并去除标记，保留图像细节和结构信息，有效解决了现有方法在处理超声图像人工标记时的诸多问题，显著提升了深度学习模型在相关任务中的性能。
-
公开(公告)号：CN119601180B
公开(公告)日：2025-05-09
申请号：CN202510142828.9
申请日：2025-02-10
Applicant: 中国计量大学
IPC: G16H30/20 , G06V10/26 , G06V10/774 , G06V10/80
Abstract: 本申请提出了一种基于多模态补全和亚区分割的高级胶质瘤分级方法及装置，包括以下步骤：获取同一患者的残模态MRI影像数据集，将所述残模态MRI影像数据集输入至预训练好的补全子网络中得到全模态MRI影像数据集；将全模态MRI数据集输入至预训练好的亚区分割子网络中得到亚区分割结果；基于所述亚区分割结果进行胶质瘤分级。本方案通过补全子网络来依据残模态MRI影像数据集生成全模态数据，为后续分析提供完整信息基础，并且通过亚区分割子网络为不同模态合理分配权重并突出胶质瘤亚区特征，实现对胶质瘤亚区的精细分割以精确的对高级胶质瘤进行分级。
-
公开(公告)号：CN119601180A
公开(公告)日：2025-03-11
申请号：CN202510142828.9
申请日：2025-02-10
Applicant: 中国计量大学
IPC: G16H30/20 , G06V10/26 , G06V10/774 , G06V10/80
Abstract: 本申请提出了一种基于多模态补全和亚区分割的高级胶质瘤分级方法及装置，包括以下步骤：获取同一患者的残模态MRI影像数据集，将所述残模态MRI影像数据集输入至预训练好的补全子网络中得到全模态MRI影像数据集；将全模态MRI数据集输入至预训练好的亚区分割子网络中得到亚区分割结果；基于所述亚区分割结果进行胶质瘤分级。本方案通过补全子网络来依据残模态MRI影像数据集生成全模态数据，为后续分析提供完整信息基础，并且通过亚区分割子网络为不同模态合理分配权重并突出胶质瘤亚区特征，实现对胶质瘤亚区的精细分割以精确的对高级胶质瘤进行分级。
-
-
-
Search Results
4
records
(took 0.03 seconds)
