-
公开(公告)号：CN113379691A
公开(公告)日：2021-09-10
申请号：CN202110605271.X
申请日：2021-05-31
Applicant: 南方医科大学
Abstract: 一种基于先验引导的乳腺病灶深度学习分割方法，包括以下步骤：S1，读取乳腺超声图像数据；S2，获取病灶区域内的至少三个标记点；S3，使用线性光谱聚类超像素方法和多尺度组合分组方法处理图像；S4，通过加权求和的方式得到包含病灶先验信息的前景图像；S5，将前景先验图像取反，获得背景先验图像；S6，利用前景与背景先验图像进行前景与背景特征提取；S7，融合互补的前景与背景特征，输出病灶分割结果。本发明通过预处理获得包含乳腺肿瘤先验信息的图像后，利用U‑Net网络框架对病灶区域进行特征提取。该方法利用前景与背景先验信息的引导，提升超声乳腺病灶的分割精度。该方法分割得到的病灶图像，纹理细节丰富，边缘清晰，图像丢失少。
-
公开(公告)号：CN108648187A
公开(公告)日：2018-10-12
申请号：CN201810455859.X
申请日：2018-05-14
Applicant: 南方医科大学
Abstract: 本发明提出了一种基于深度特征袋的分类方法，其通过提取二维正交平面的代表性图像的深度特征，然后采用特征袋模型对所提取的深度特征进行重新编码，最后通过核融合方法结合了三个二维正交平面的特征，求得分类函数对图像进行分类标签。该分类方法大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，能够缓解因数据量不充足带来的过拟合问题。三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建的分类函数更具辨别性。
-
公开(公告)号：CN108596247A
公开(公告)日：2018-09-28
申请号：CN201810368169.0
申请日：2018-04-23
Applicant: 南方医科大学
Abstract: 一种融合放射组学和深度卷积特征进行图像分类的方法,通过7个步骤得到医学分类图像。本发明结合了放射组学与深度学习两种技术，通过联合由放射组学提供的相对全局的特征和由深度学习提供的相对局部的特征来对图像分类，继承了两者的优势同时又弥补了两者的不足，从而提升医学图像进行分类的准确度。同时本发明提出一种沿着图像块池化的策略，该池化技术弥补了由于深度学习对大数据的要求而引入的图像块技术造成的分类精度不高的弊端，同时为来自图像块的深度特征与其他传统特征结合提供基础。
-
Patent Agency Ranking
公开(公告)号：CN113379691B
公开(公告)日：2022-06-24
申请号：CN202110605271.X
申请日：2021-05-31
Applicant: 南方医科大学
Abstract: 一种基于先验引导的乳腺病灶深度学习分割方法，包括以下步骤：S1，读取乳腺超声图像数据；S2，获取病灶区域内的至少三个标记点；S3，使用线性光谱聚类超像素方法和多尺度组合分组方法处理图像；S4，通过加权求和的方式得到包含病灶先验信息的前景图像；S5，将前景先验图像取反，获得背景先验图像；S6，利用前景与背景先验图像进行前景与背景特征提取；S7，融合互补的前景与背景特征，输出病灶分割结果。本发明通过预处理获得包含乳腺肿瘤先验信息的图像后，利用U‑Net网络框架对病灶区域进行特征提取。该方法利用前景与背景先验信息的引导，提升超声乳腺病灶的分割精度。该方法分割得到的病灶图像，纹理细节丰富，边缘清晰，图像丢失少。
-
公开(公告)号：CN108648187B
公开(公告)日：2021-06-15
申请号：CN201810455859.X
申请日：2018-05-14
Applicant: 南方医科大学
Abstract: 本发明提出了一种基于深度特征袋的分类方法，其通过提取二维正交平面的代表性图像的深度特征，然后采用特征袋模型对所提取的深度特征进行重新编码，最后通过核融合方法结合了三个二维正交平面的特征，求得分类函数对图像进行分类标签。该分类方法大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，能够缓解因数据量不充足带来的过拟合问题。三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建的分类函数更具辨别性。
-
公开(公告)号：CN118888068A
公开(公告)日：2024-11-01
申请号：CN202410880740.2
申请日：2024-07-02
Applicant: 南方医科大学
Abstract: 一种基于不完整张量耦合学习的纵向临床分数预测方法，先由临床特征和临床分数最终得到训练后因子矩阵；然后利用待测样本的基线特征结合训练后因子矩阵，预测得到纵向分数。与现有技术相比，本发明基于不完整张量耦合学习的纵向临床分数预测方法的有益效果：1、通过将纵向特征和分数构造成张量形式，并利用张量耦合学习将两个张量进行有效分解，充分利用了不完整纵向数据信息；2、通过对基线数据与样本因子数据之间的复杂关系建模，使得测试阶段可以直接利用基线特征对纵向临床分数进行预测。
-
公开(公告)号：CN114332572B
公开(公告)日：2024-03-26
申请号：CN202111532955.8
申请日：2021-12-15
Applicant: 南方医科大学
Abstract: 本发明提供一种基于显著图引导的分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数的方法。该方法联合使用线性光谱聚类超像素方法和多尺度区域分组方法处理得到的特征表示图，避免有用信息的丢失，然后搭建一个三分支的分层密集特征融合网络进行前景特征、背景特征的提取和融合，用于提取乳腺病变超声图像多尺度融合特征参数。前景和背景两个进行性密集特征提取分支网络以原始图像和相应的显著图共同作为输入，分别用来有效地提取与该分类任务相关的前景和背景特征。根据前景和背景之间已知的相关性和补充性信息，分层特征融合分支网络将上述前景和背景信息进行多尺度的融合，获得更加准确，更加显著的多尺度融合特征参数。
-
公开(公告)号：CN114332572A
公开(公告)日：2022-04-12
申请号：CN202111532955.8
申请日：2021-12-15
Applicant: 南方医科大学
Abstract: 本发明提供一种基于显著图引导的分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数的方法。该方法联合使用线性光谱聚类超像素方法和多尺度区域分组方法处理得到的特征表示图，避免有用信息的丢失，然后搭建一个三分支的分层密集特征融合网络进行前景特征、背景特征的提取和融合，用于提取乳腺病变超声图像多尺度融合特征参数。前景和背景两个进行性密集特征提取分支网络以原始图像和相应的显著图共同作为输入，分别用来有效地提取与该分类任务相关的前景和背景特征。根据前景和背景之间已知的相关性和补充性信息，分层特征融合分支网络将上述前景和背景信息进行多尺度的融合，获得更加准确，更加显著的多尺度融合特征参数。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.015 seconds)
