-
公开(公告)号：CN116630680B
公开(公告)日：2024-02-06
申请号：CN202310356008.0
申请日：2023-04-06
Applicant: 南方医科大学南方医院 , 南方医科大学
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/778 , G06V10/26 , G06V10/25 , G06V20/70 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 类结果。本发明能够智能对双模态影像进行分本发明公开了一种X线摄影联合超声的双模 类，分类效率高，分类效果好。态影像分类方法及系统，包括：获取乳腺超声图像与X线摄影图像并进行图像分割与预处理，通过五折交叉验证策略对处理后的乳腺超声图像和X线摄影图像划分训练集、优化集和内部测试集；构建双模态影像深度学习融合模型，基于训练集对双模态影像深度学习融合模型进行训练，训练完成后在内部测试集中对模型进行测试，将优化集中结果最好的模型进行保存，获得目标融(56)对比文件王彤等.计算机辅助多模态融合超声诊断乳腺良恶性肿瘤《.中国医学影像技术》.2021,第37卷(第8期),第1210-1213页.曹泽红等.基于多模态MRI脑影像的超分辨率重建《.J South Med Univ》.2022,第42卷(第7期),第1019-1025页.Gelan Ayana等.Transfer Learning inBreast Cancer Diagnoses via UltrasoundImaging《.Cancers》.2021,第1-15页.
-
Patent Agency Ranking
公开(公告)号：CN116630680A
公开(公告)日：2023-08-22
申请号：CN202310356008.0
申请日：2023-04-06
Applicant: 南方医科大学南方医院 , 南方医科大学
IPC: G06V10/764 , G06V10/80 , G06V10/774 , G06V10/778 , G06V10/26 , G06V10/25 , G06V20/70 , G06V10/82 , G06N3/0464 , G06N3/09
Abstract: 本发明公开了一种X线摄影联合超声的双模态影像分类方法及系统，包括：获取乳腺超声图像与X线摄影图像并进行图像分割与预处理，通过五折交叉验证策略对处理后的乳腺超声图像和X线摄影图像划分训练集、优化集和内部测试集；构建双模态影像深度学习融合模型，基于训练集对双模态影像深度学习融合模型进行训练，训练完成后在内部测试集中对模型进行测试，将优化集中结果最好的模型进行保存，获得目标融合模型；获取患者的乳腺超声图像与X线摄影图像作为外部测试集，将内部测试集和外部测试集图像输入到目标融合模型进行分类，获得影像分类结果。本发明能够智能对双模态影像进行分类，分类效率高，分类效果好。
-
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：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。
-
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。
-
-
-
-
-
Search Results
6
records
(took 0.052 seconds)
