-
公开(公告)号：CN117974672A
公开(公告)日：2024-05-03
申请号：CN202410390772.4
申请日：2024-04-02
Applicant: 华侨大学
IPC: G06T7/00 , G06V10/20 , G06V10/42 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于全局信息的乳腺超声肿瘤病变区域检测方法及装置，涉及目标检测领域，包括：构建基于YOLOv5网络的乳腺超声肿瘤病变区域检测模型，构建高秩特征蒸馏模块和通道相关性关系蒸馏模块，将乳腺超声肿瘤病变区域检测模型的骨干网络的第三单元输出的低维图像特征和第四单元输出的高维图像特征均输入高秩特征蒸馏模块和通道相关性关系蒸馏模块，以构建高秩特征蒸馏损失函数和通道相关性蒸馏损失函数，并加入YOLOv5网络的损失函数中构建总损失函数，基于总损失函数训练得到经训练的乳腺超声肿瘤病变区域检测模型；将乳腺超声肿瘤灰度图像输入经训练的乳腺超声肿瘤病变区域检测模型，得到乳腺超声肿瘤病变区域，解决存在误检、漏检问题。
-
公开(公告)号：CN116485791B
公开(公告)日：2023-09-29
申请号：CN202310715680.4
申请日：2023-06-16
Applicant: 华侨大学
Abstract: 本发明公开了基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统，涉及医学图像处理领域，步骤如下：S1，获取乳腺超声肿瘤灰度图像数据集，标注数据并作图像预处理；S2，将预处理图像进行吸收度变换，得到超声吸收度图像；S3，将乳腺超声肿瘤灰度图像和对应的超声吸收度图像作为双视图，输入双视图检测模型；S4，双视图检测模型分别对双视图进行特征提取，有效反映双视图中肿瘤感兴趣区域；所述S4包括：将双视图不同尺度的特征图嵌入DFT单元进行特征融合。本发明结合乳腺超声肿瘤灰度图和吸收度图，弥补乳腺超声肿瘤灰度图像信息不足的缺陷；利用DFT单元动态学习灰度图像和吸收度图像的二元关系，对二者进行融合与交互，增强关联性和互补性。
-
公开(公告)号：CN116485791A
公开(公告)日：2023-07-25
申请号：CN202310715680.4
申请日：2023-06-16
Applicant: 华侨大学
Abstract: 本发明公开了基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统，涉及医学图像处理领域，步骤如下：S1，获取乳腺超声肿瘤灰度图像数据集，标注数据并作图像预处理；S2，将预处理图像进行吸收度变换，得到超声吸收度图像；S3，将乳腺超声肿瘤灰度图像和对应的超声吸收度图像作为双视图，输入双视图检测模型；S4，双视图检测模型分别对双视图进行特征提取，有效反映双视图中肿瘤感兴趣区域；所述S4包括：将双视图不同尺度的特征图嵌入DFT单元进行特征融合。本发明结合乳腺超声肿瘤灰度图和吸收度图，弥补乳腺超声肿瘤灰度图像信息不足的缺陷；利用DFT单元动态学习灰度图像和吸收度图像的二元关系，对二者进行融合与交互，增强关联性和互补性。
-
公开(公告)号：CN117974672B
公开(公告)日：2024-06-18
申请号：CN202410390772.4
申请日：2024-04-02
Applicant: 华侨大学
IPC: G06T7/00 , G06V10/20 , G06V10/42 , G06V10/774 , G06V10/82
Abstract: 本发明公开了一种基于全局信息的乳腺超声肿瘤病变区域检测方法及装置，涉及目标检测领域，包括：构建基于YOLOv5网络的乳腺超声肿瘤病变区域检测模型，构建高秩特征蒸馏模块和通道相关性关系蒸馏模块，将乳腺超声肿瘤病变区域检测模型的骨干网络的第三单元输出的低维图像特征和第四单元输出的高维图像特征均输入高秩特征蒸馏模块和通道相关性关系蒸馏模块，以构建高秩特征蒸馏损失函数和通道相关性蒸馏损失函数，并加入YOLOv5网络的损失函数中构建总损失函数，基于总损失函数训练得到经训练的乳腺超声肿瘤病变区域检测模型；将乳腺超声肿瘤灰度图像输入经训练的乳腺超声肿瘤病变区域检测模型，得到乳腺超声肿瘤病变区域，解决存在误检、漏检问题。
-
公开(公告)号：CN117392119B
公开(公告)日：2024-03-12
申请号：CN202311666194.4
申请日：2023-12-07
Applicant: 华侨大学
IPC: G06T7/00 , G06N3/0464 , G06T7/73 , G06V10/25 , G06V10/44 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于位置先验和特征感知的肿瘤病变区域检测方法及装置，涉及医学图像处理领域，包括：获取乳腺超声图像并预处理，得到预处理后的乳腺超声图像；构建基于改进的YOLOv5网络的乳腺肿瘤病变区域检测模型并训练，得到经训练的乳腺肿瘤病变区域检测模型，该模型包括骨干网络、颈部结构和头部结构，将YOLOv5网络中的骨干网络和颈部结构中的CBS模块改为DBS模块，将C3模块中的CBS模块改为DBS模块，CBM模块改为DBM模块，在SPPF模块后面增加一个位置注意力模块，将头部结构中检测模块改为特征感知模块；将预处理后的乳腺超声图像输入经训练的乳腺肿瘤病变区域检测模型，得到病变区域、对应的肿瘤良恶性类别及置信度，解决易受散斑噪声影响导致准确低的问题。
-
Patent Agency Ranking
公开(公告)号：CN117372308B
公开(公告)日：2024-03-12
申请号：CN202311645210.1
申请日：2023-12-04
Applicant: 华侨大学
Abstract: 本发明公开了一种相衬细胞显微图像清晰度增强方法及系统，涉及图像处理领域，方法包括如下步骤：利用非对称滑动窗口图像预增强算法对相衬细胞显微图像进行灰度值预增强，得到预增强的相衬细胞显微图像；利用弱结构特征提取算法对预增强的相衬细胞显微图像进行计算处理，得到弱结构特征图像；利用预增强的相衬细胞显微图像与弱结构特征图像作差分融合，得到增强相衬细胞显微图像。本发明采用多尺度导向滤波提取相衬显微图像的背景与边缘图像；采用多尺度差分运算进一步增强弱结构特征的清晰度；通过差分运算进一步解决弱边缘的问题，输出细节突出、结构完整、背景均匀的增强相衬细胞显微图像。
-
公开(公告)号：CN117422715A
公开(公告)日：2024-01-19
申请号：CN202311740818.2
申请日：2023-12-18
Applicant: 华侨大学
Abstract: 本发明提供一种基于全局信息的乳腺超声肿瘤病变区域检测方法，属于医学图像领域，包括：步骤S1、获取标注图像数据集；步骤S2、构建作为目标检测模型的卷积神经网络：backbone部分采用由上至下依次布置的特征提取模块和坐标注意力模块，特征提取模块包括CBS模块以及交替模块，交替模块输出高维特征图，坐标注意力模块对该高维特征图的进行全局编码，得到全局信息特征图；neck部分采用相互融合的FPN网络和PANET网络，得到多个维度特征图；head部分采用TSCODE模块，CBS模块输出的低维特征图和多个维度特征图作为TSCODE模块的多层输入特征图，输出基于全局信息预测的图像。本发明实现对乳腺超声肿瘤图像中存在误检漏检问题的优化，提高检测的识别率和准确性。
-
公开(公告)号：CN118379285A
公开(公告)日：2024-07-23
申请号：CN202410807398.3
申请日：2024-06-21
Applicant: 华侨大学
IPC: G06T7/00
Abstract: 本发明公开了基于特征差分动态融合的乳腺肿瘤病变区检测方法及系统，涉及图像处理技术领域，方法包括以下步骤：获取灰度图像数据集和吸收度图像数据集；构建基于特征差分动态融合的乳腺肿瘤病变区检测模型；利用灰度图像数据集和吸收度图像数据集训练所述乳腺肿瘤病变区检测模型；利用训练好的所述乳腺肿瘤病变区检测模型实现乳腺肿瘤病变区检测；所述乳腺肿瘤病变区检测模型包括第一图像特征提取模块、第二图像特征提取模块、特征差分动态融合模块和融合预测模块。本发明在超声吸收度图像与灰度图像的特征中融入互补视图的特征，充分挖掘双视图之间的差异信息，相比单视图病变区域检测具有更强的鲁棒性和可靠性，强化有用信息的同时抑制噪声。
-
公开(公告)号：CN118196102A
公开(公告)日：2024-06-14
申请号：CN202410617091.7
申请日：2024-05-17
Applicant: 华侨大学
Abstract: 本发明公开了一种基于双网络去影的乳腺超声肿瘤病变区域检测方法及装置，涉及目标检测领域，包括：构建清晰超声模型、存影超声模型和若干个注意力特征融合模块，清晰超声模型和存影超声模型分别包括依次连接的若干个第一特征提取单元以及若干个特征适应模块，分别将经过预处理后的画面清晰的乳腺超声图像和画面存影的乳腺超声图像分别输入清晰超声模型和存影超声模型中，第一特征提取单元输出的第一特征和特征适应模块输出的第二特征输入到对应的注意力特征融合模块中，得到融合特征，最后一个阶段的融合特征、第二特征、第一特征相加得到乳腺超声肿瘤病变区域检测结果。本发明解决了噪声和伪影导致肿瘤病变区域检测的准确率低的问题。
-
公开(公告)号：CN117422715B
公开(公告)日：2024-03-12
申请号：CN202311740818.2
申请日：2023-12-18
Applicant: 华侨大学
Abstract: 本发明提供一种基于全局信息的乳腺超声肿瘤病变区域检测方法，属于医学图像领域，包括：步骤S1、获取标注图像数据集；步骤S2、构建作为目标检测模型的卷积神经网络：backbone部分采用由上至下依次布置的特征提取模块和坐标注意力模块，特征提取模块包括CBS模块以及交替模块，交替模块输出高维特征图，坐标注意力模块对该高维特征图的进行全局编码，得到全局信息特征图；neck部分采用相互融合的FPN网络和PANET网络，得到多个维度特征图；head部分采用TSCODE模块，CBS模块输出的低维特征图和多个维度特征图作为TSCODE模块的多层输入特征图，输出基于全局信息预测的图像。本发明实现对乳腺超声肿瘤图像中存在误检漏检问题的优化，提高检测的识别率和准确性。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.015 seconds)
