-
公开(公告)号：CN113744228A
公开(公告)日：2021-12-03
申请号：CN202110995542.7
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，属于医学信息智能处理区域技术领域。其技术方案为：首先，读取大规模脑核磁图像数据，并进行预处理操作，然后，设计改进的蚁群算法，将脑核磁图像的灰度级作为路径上的节点，蚂蚁经过的灰度级节点作为分割的阈值组，将Kapur熵作为目标函数；最后，搭建Spark框架，将改进的蚁群算法封装在可并行计算的RDD集合中，进行并行处理，得到最佳阈值组，并根据阈值组进行脑核磁图像的阈值分割。本发明的有益效果为：能够有效提高对大规模脑核磁图像信息提取的效率和精度，对脑核磁数据计算机智能辅助处理具有较强的应用价值。
-
Patent Agency Ranking
公开(公告)号：CN114494195B
公开(公告)日：2024-06-04
申请号：CN202210094076.X
申请日：2022-01-26
Applicant: 南通大学
IPC: G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明提供了一种用于眼底图像分类的小样本注意力机制并行孪生方法，根据患者的眼底病变图像进行分类得到分类结果，包括以下步骤：读取医学眼底图像数据集进行预处理，得到预处理的图片数据；通过基于孪生网络Siamese的少镜头学习方法，利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的稠密连接网络densenet，来提取两幅不同图像的特征，并在此网络的基础上加入卷积块注意力模块CBAM选择更为关键的图像信息，通过一个对比损失函数进行图片的相似性度量，从而获得更为准确的分类预测结果。本发明迁移了稠密连接网络，能够有效地减少小样本学习中过拟合的情况，同时借助CBAM注意力机制和孪生网络，有效地提升了医学眼底图像病变分类数据的效率和精度。
-
公开(公告)号：CN113744228B
公开(公告)日：2023-02-07
申请号：CN202110995542.7
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种用于大规模脑核磁分割的最大熵多阈值蚁群进化Spark方法，属于医学信息智能处理区域技术领域。其技术方案为：首先，读取大规模脑核磁图像数据，并进行预处理操作，然后，设计改进的蚁群算法，将脑核磁图像的灰度级作为路径上的节点，蚂蚁经过的灰度级节点作为分割的阈值组，将Kapur熵作为目标函数；最后，搭建Spark框架，将改进的蚁群算法封装在可并行计算的RDD集合中，进行并行处理，得到最佳阈值组，并根据阈值组进行脑核磁图像的阈值分割。本发明的有益效果为：能够有效提高对大规模脑核磁图像信息提取的效率和精度，对脑核磁数据计算机智能辅助处理具有较强的应用价值。
-
公开(公告)号：CN113763409B
公开(公告)日：2023-05-02
申请号：CN202110995534.2
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种基于高斯滤波的高维脑核磁图像多阈值分割方法，属于智慧医疗技术领域。其技术方案为：首先，获取脑核磁图像数据F；其次，通过标准差为脑核磁图像的粗糙性度量的高斯滤波进行自适应平滑滤波预处理；再次，对预处理后的脑核磁图像进行灰度直方图统计，并根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3)；最后，将脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3)作为混合蛙跳算法的适应度函数寻找三个最优分割阈值并输出分割后的二值化图像。本发明的有益效果为：降低了噪声对脑核磁图像分割的影响，提高了对脑核磁图像中三个目标组织的分割精度，对脑核磁图像智能辅助分割和诊断具有较强的应用价值。
-
公开(公告)号：CN114494195A
公开(公告)日：2022-05-13
申请号：CN202210094076.X
申请日：2022-01-26
Applicant: 南通大学
IPC: G06T7/00 , G06T3/40 , G06V10/764 , G06V10/74 , G06V10/774 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种用于眼底图像分类的小样本注意力机制并行孪生方法，根据患者的眼底病变图像进行分类得到分类结果，包括以下步骤：读取医学眼底图像数据集进行预处理，得到预处理的图片数据；通过基于孪生网络Siamese的少镜头学习方法，利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的稠密连接网络densenet，来提取两幅不同图像的特征，并在此网络的基础上加入卷积块注意力模块CBAM选择更为关键的图像信息，通过一个对比损失函数进行图片的相似性度量，从而获得更为准确的分类预测结果。本发明迁移了稠密连接网络，能够有效地减少小样本学习中过拟合的情况，同时借助CBAM注意力机制和孪生网络，有效地提升了医学眼底图像病变分类数据的效率和精度。
-
公开(公告)号：CN113763409A
公开(公告)日：2021-12-07
申请号：CN202110995534.2
申请日：2021-08-27
Applicant: 南通大学
Abstract: 本发明提供了一种基于高斯滤波的高维脑核磁图像多阈值分割方法，属于智慧医疗技术领域。其技术方案为：首先，获取脑核磁图像数据F；其次，通过标准差为脑核磁图像的粗糙性度量的高斯滤波进行自适应平滑滤波预处理；再次，对预处理后的脑核磁图像进行灰度直方图统计，并根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3)；最后，将脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3)作为混合蛙跳算法的适应度函数寻找三个最优分割阈值并输出分割后的二值化图像。本发明的有益效果为：降低了噪声对脑核磁图像分割的影响，提高了对脑核磁图像中三个目标组织的分割精度，对脑核磁图像智能辅助分割和诊断具有较强的应用价值。
-
-
-
-
-
Search Results
6
records
(took 0.013 seconds)
