-
公开(公告)号:CN118134866A
公开(公告)日:2024-06-04
申请号:CN202410235814.7
申请日:2024-03-01
Applicant: 吉林大学
IPC: G06T7/00 , G06V10/44 , G06V10/764 , G06V10/771 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于原型对比学习的双分支网络模型的DR分类方法,包括:获取糖尿病患者的糖尿病视网膜病变DR图像,将所述DR图像输入至原型对比学习的双分支网络模型中进行分类识别,获得分类结果;其中,所述原型对比学习的双分支网络模型包括骨干网络、特征学习分支和分类器分支。本发明有效地缓解了数据集中样本分布不平衡带来的挑战,特别是在少数类别样本的学习特征方面,确保了从特征学习到分类决策的平稳过渡。
-
公开(公告)号:CN115187571A
公开(公告)日:2022-10-14
申请号:CN202210893407.6
申请日:2022-07-27
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/11 , G06T7/194 , G06V10/26 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于奖励函数引入先验知识的医学图像分割方法,包括如下步骤:获取公开的医学CT图像数据集;基于图像数据集,设计并得到奖励函数;在奖励函数中引入图像数据集中的CT图像的前景‑背景比引入,得到改进的奖励函数;在改进的奖励函数中引入先验知识实例的近似难度,得到最终的奖励函数;使用最终的奖励函数替换强化学习网络中的奖励函数,并进行强化网络训练,最后通过分割网络输出最终的分割结果图。本发明采用将外部先验知识引入到奖励函数的设计,使其朝着有益的方向极大地影响了模型学习的过程,图像中每个像素不仅考虑自身的状态,同时会考虑其它相邻像素的状态,并在约束方向上更新策略,分割结果与真实病变相似。
-
公开(公告)号:CN118864864B
公开(公告)日:2024-11-26
申请号:CN202411337970.0
申请日:2024-09-25
Applicant: 吉林大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种多模态医学图像分割系统,属于医学图像分割技术领域。系统包括:图像生成模块以及分割模块;所述图像生成模块用于对非配对图像进行跨模态图像生成,得到生成图像;将得到的所述生成图像通过对比学习,得到配准图像;所述分割模块用于采用分割模型对输入的所述配准图像与源图像进行分割操作,得到分割图像。本发明为了解决传统静态权重分配方法在动态环境中缺乏灵活性,无法在整个训练过程中自适应调整以反映任务重要性变化的问题,提出了一种动态权重控制机制。
-
公开(公告)号:CN118864864A
公开(公告)日:2024-10-29
申请号:CN202411337970.0
申请日:2024-09-25
Applicant: 吉林大学
IPC: G06V10/26 , G06V10/764 , G06V10/82 , G06N3/0475 , G06N3/045 , G06N3/094
Abstract: 本发明公开了一种多模态医学图像分割系统,属于医学图像分割技术领域。系统包括:图像生成模块以及分割模块;所述图像生成模块用于对非配对图像进行跨模态图像生成,得到生成图像;将得到的所述生成图像通过对比学习,得到配准图像;所述分割模块用于采用分割模型对输入的所述配准图像与源图像进行分割操作,得到分割图像。本发明为了解决传统静态权重分配方法在动态环境中缺乏灵活性,无法在整个训练过程中自适应调整以反映任务重要性变化的问题,提出了一种动态权重控制机制。
-
公开(公告)号:CN118196540B
公开(公告)日:2024-08-30
申请号:CN202410599748.1
申请日:2024-05-15
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06V10/82
Abstract: 本发明适用于小样本图像分类技术领域,提供了一种层次结构标签驱动的小样本图像分类方法,包括以下步骤:获取带有层次结构的多标签图像,构建卷积神经网络作为对比学习框架的主干网络,按照标签层次结构构建对比学习数据对;将数据对输入搭建好的网络模型中,获得特征向量并以特征向量为基础计算对比损失,同时将特征向量映射至具有负曲率的双曲空间中计算相似性损失;将对比损失和相似性损失结合成网络总损失,通过最小化损失函数来优化网络参数。本发明通过将双曲空间结合层次标签先验知识的方式缓解了数据集内细粒度数据间难分问题,同时本发明也可应用于带有偏斜、少样本、细粒度等问题的相关领域,具有可观的技术和经济价值。
-
公开(公告)号:CN116912206A
公开(公告)日:2023-10-20
申请号:CN202310871992.4
申请日:2023-07-17
Applicant: 吉林大学
Abstract: 本发明公开了一种基于多尺度结构纹理分解的多模态医学图像融合方法,包括以下步骤:S1、获取两张已配准的多模态医学图像,所述医学图像包括灰度图像和彩色图像,并获取所述彩色图像的光照分量;S2、将所述光照分量和所述灰度图像分别进行多尺度结构纹理分解,得到第一分解输出和第二分解输出;S3、对所述第一分解输出和所述第二分解输出进行融合,得到融合图像。针对包含大量能量信息的结构层,采用非线性函数给强度大的像素位置赋予更高的融合权重,从而避免了融合结果中出现强度损失,更好地保留了结构信息。
-
公开(公告)号:CN115222749A
公开(公告)日:2022-10-21
申请号:CN202210852414.1
申请日:2022-07-19
Applicant: 吉林大学
Abstract: 本发明公开了一种基于表示学习的医学图像分割方法,包括以下步骤:根据若干医学初始图像进行预处理获取若干组医学图像;基于马尔可夫决策过程为医学图像的像素表示学习过程建模;每个像素为一个智能体,将智能体基于全卷积神经网络构建全卷积A3C神经网络;根据全卷积A3C神经网络学习最优策略,获取最大化所有像素总预期奖励的平均值;训练全卷积A3C神经网络,通过多步解码获得最终的分割图像。本发明采用多步强化学习的方法来执行医学图像块的表示学习,既保证了网络分割模型更加关注感兴趣的区域,并且有效地减少了噪声所带来的干扰,使复杂的医学图像更易于分割与解读。
-
公开(公告)号:CN118196540A
公开(公告)日:2024-06-14
申请号:CN202410599748.1
申请日:2024-05-15
Applicant: 吉林大学
IPC: G06V10/764 , G06N3/045 , G06N3/0464 , G06N3/0895 , G06V10/82
Abstract: 本发明适用于小样本图像分类技术领域,提供了一种层次结构标签驱动的小样本图像分类方法,包括以下步骤:获取带有层次结构的多标签图像,构建卷积神经网络作为对比学习框架的主干网络,按照标签层次结构构建对比学习数据对;将数据对输入搭建好的网络模型中,获得特征向量并以特征向量为基础计算对比损失,同时将特征向量映射至具有负曲率的双曲空间中计算相似性损失;将对比损失和相似性损失结合成网络总损失,通过最小化损失函数来优化网络参数。本发明通过将双曲空间结合层次标签先验知识的方式缓解了数据集内细粒度数据间难分问题,同时本发明也可应用于带有偏斜、少样本、细粒度等问题的相关领域,具有可观的技术和经济价值。
-
公开(公告)号:CN117173065A
公开(公告)日:2023-12-05
申请号:CN202311071968.9
申请日:2023-08-24
Applicant: 吉林大学
Abstract: 本发明公开了一种基于纹理感知和像素强度相关性的解剖医学图像融合方法,包括:获取脑部疾病的MRI图像和CT图像,并进行配准;构建图像纹理信息能量感知函数,基于图像纹理信息能量感知函数对配准后的MRI图像和CT图像分别进行分解,获得各自对应的基础层和结构层;建立图像融合规则,基于图像融合规则对分解获得的基础层与结构层分别进行处理,获得融合基础层图像与融合结构层图像;基于融合基础层图像与融合结构层图像进行图像重建,获得融合图像,实现解剖医学图像融合。本发明有效解决了融合过程丢失图像对比度信息的问题,缓解图像信息损失现象。
-
公开(公告)号:CN116934721A
公开(公告)日:2023-10-24
申请号:CN202310929215.0
申请日:2023-07-27
Applicant: 吉林大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06V10/44 , G06V10/82
Abstract: 本发明公开了一种基于多尺度特征提取的肾脏肿瘤分割方法,采用主流的编码器‑解码器架构,在编码器路径提出了一种特征细化模块,通过对每个阶段的特征进行通道上的划分和融合,从而可以在编码器路径上提取到更加细粒度的局部特征,这对于肾脏肿瘤这种尺寸变化较大的目标很有帮助;同时在解码器路径提出了一种多尺度特征提取模块,通过在路径中嵌套小的U型网络可以在不引入过多的内存消耗的情况下扩大感受野进而更有效的提取全局特征,此外多尺度特征提取模块中还包括一个软阈值去噪模块,软阈值去噪模块可以自动地选取阈值去消除与噪声相关的信息,从而提取到更具有判别性的特征。
-
-
-
-
-
-
-
-
-