公开(公告)号：CN117974997A

公开(公告)日：2024-05-03

申请号：CN202311845127.9

申请日：2023-12-29

Applicant: 吉林大学

Inventor： 胡敏 ,  毛丰 ,  孟祥全 ,  贾继伟

IPC: G06V10/26 ,  G06V10/82 ,  G06V10/42 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明属于医学图像分割技术领域，尤其为一种基于深度学习的气道区域自动分割及测量方法，对于侧位片的特点，考虑侧位片中气道区域位置，大小，形状等因素，设计了两步分割模型。本发明通过采用了深度学习的方法实现了侧位片气道区域自动化分割和测量，在识别侧位片中气道鼻咽部，口咽部，喉咽部三个区域时，且以Unet网络为骨干网络，设计了两步分割模型，有效的减少模型训练难度，提升识别精度，并在准确识别两步分割结果后，设计了关键点识别方法，准确识别出气道区域的关键点，并根据分割结果和关键点像素坐标信息，自动化测量长度，宽度，面积等气道区域相关指标，能够有效辅助医生诊疗，为医生提供参考，便于医生的医疗操作。

公开(公告)号：CN116452958A

公开(公告)日：2023-07-18

申请号：CN202310283937.3

申请日：2023-03-22

Applicant: 吉林大学

Inventor： 贾继伟 ,  孟祥全 ,  詹中涵

IPC: G06V20/00 ,  G06V10/82 ,  G06V10/774 ,  G06V10/764 ,  G06V10/40 ,  G06N3/0464 ,  G06N3/08 ,  G06V10/26 ,  G06V20/70

Abstract: 本发明提供了一种基于深度学习的直线目标体识别方法，包括以下步骤：S1：对图像、图片或视频构建数据集；S2：以车道线检测算法为基本框架，参照车道线检测算法中的网络结构和损失函数，搭建神经网络；S3：使用数据集对神经网络进行训练；S4：对训练结果进行后处理，将结果转化进行位置识别；S5：对训练好的网络进行评估；计算预测成功的比例作为准确率。本发明中，鉴于2D图像中的直线目标体物理特点，以及其在图像中的位置特点，选择深度学习的方法，使用卷积神经网络进行识别；参考车道线检测算法，以ResNet作为特征提取网络，训练时加入用于特征增强的网络层，提高特征提取效果，进而提高识别效果。