-
公开(公告)号：CN109978880A
公开(公告)日：2019-07-05
申请号：CN201910277632.5
申请日：2019-04-08
Applicant: 哈尔滨理工大学 , 哈尔滨工业大学(威海)
Abstract: 本发明公开一种采用高维特征选择对肺部肿瘤CT图像进行良恶性判别的方法，该方法包括：获取肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，形成单个样本；采用最大类间方差法对预处理后的ROI区域进行分割，以准确刻画肺部肿瘤CT图像的形状、纹理和灰度特征；对获取到的肺部CT图像进行区域特征提取，对提取到的特征进行82维特征分量归一化，从而共同量化ROI；利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；利用布谷鸟算法及SVM方式，进行参数全局寻优分类操作，进行肺部肿瘤高维特征选择。该方法对于诊断肺癌具有很好的辅助作用，能够有效降低漏诊率和误诊率。
-
公开(公告)号：CN119048535A
公开(公告)日：2024-11-29
申请号：CN202411169461.1
申请日：2024-08-24
Applicant: 哈尔滨理工大学
IPC: G06T7/11 , G06T7/136 , G06T7/00 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于横切面和大核分组注意力机制的2.5D肝脏及肿瘤分割方法，本方法涉及深度学习和医学图像处理领域，包括：数据处理与制作和分割预测可视化网络。所述数据首先将公开的3D腹部医学数据集进行阈值截取和归一化操作，然后确定包含病灶的切片，将不包含肝脏和肿瘤的切片去除，再将切片进行标准化裁剪，将三张连续的切片叠加在一起，处理掩膜切片，将原始图像和掩膜处理为.npy格式的数据集。将2.5D图像载入分割模型进行训练，训练完成后生成适合肝脏肿瘤分割的最优权重，用来肝脏和肿瘤的专项分割。本发明针对肝脏和肿瘤的分割提出的横切面和大核分组注意力网络，解决了由于肝脏及肿瘤的复杂性，导致肝脏与肝脏肿瘤的分割容易受其他部位如肾脏等因素的干扰的问题，提出的多尺度卷积模块，解决了一般网络无法捕捉肝脏和肿瘤的全局和局部信息，提升分割效率并提高分割精度，针对相比于现有网络，具有一定的先进性。
-
公开(公告)号：CN118735945A
公开(公告)日：2024-10-01
申请号：CN202410880886.7
申请日：2024-07-02
Applicant: 哈尔滨理工大学
IPC: G06T7/11 , G06T7/00 , G06N3/0464 , G06N3/08 , G06V10/762 , G06V10/82
Abstract: 本发明涉及一种基于锚点的提示学习编码器网络用于肺结节分割的方法，属于医学影像和深度学习领域。针对当前肺结节分割精确度不足的问题，本发明提出了一种新方法。该方法通过改进传统Yolov5模型，在Head模块中添加提示学习模块，构建YoSAM网络，通过锚点特征提取，实现半自动监督学习。技术方案包括以下步骤：首先对公开的胸部医学影像进行数据处理，制作二维图像。其次，对影像进行数据增强，保证训练和测试的平衡，将处理好的训练集传入YoSAM网络进行训练，保存最优模型，获得分割结果，并与金标准进行对比验证。最后能够提升肺结节的检测与分割能力，减少漏检和误检现象，显著提高分割的精度和速度，适用于肺癌早期诊断和其他医学影像分割任务。
-
公开(公告)号：CN116503422A
公开(公告)日：2023-07-28
申请号：CN202310432609.5
申请日：2023-04-21
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于空间通道注意力机制与多尺度特征融合的眼底图像视杯视盘分割方法，本方法涉及深度学习和医学图像处理领域，包括：定位网络和分割网络。整体流程图如图1所示。所述定位网络首先对数据集中的原始眼底图像进行视盘定位裁剪；对裁剪图进行预处理和数据增强；分割网络使用基于编码解码结构构建多尺度密集网络模型将数据增强后的眼底图像数据导入眼底图像分割模型中进行训练，获取训练完成的权重，进一步对眼底图像进行分割，最终获取到分割结果。本发明针对眼底图像视杯视盘分割提出的新的递归神经网络结构，解决了由于眼底影像的复杂性，导致视杯与视盘的分割容易受其他部位如血管等因素的干扰，从而使分割的视杯视盘边缘模糊的问题，提升了分割精度。相比于现存算法，具有一定的先进性。
-
公开(公告)号：CN109035227A
公开(公告)日：2018-12-18
申请号：CN201810772131.X
申请日：2018-07-13
Applicant: 哈尔滨理工大学
CPC classification number: G06T7/0012 , G06T7/11 , G06T7/136 , G06T2207/10081 , G06T2207/30064 , G06T2207/30096
Abstract: 本发明提供一种用于对肺部CT图像进行肺结节检测和诊断的系统。该系统分为肺实质分割模块、候选结节检测模块和候选结节诊断模块；肺分割模块中，对原始CT图像进行形态学去噪，再用最优阈值法进行二值化分割，利用边界跟踪法提取初始边界，应用边界匹配修复算法进行边界修复，最后利用洪水填充算法分割肺部得到肺实质；在候选结节检测模块，结合了基于环形滤波器的候选结节检测算法和基于阈值的候选结节检测算法；检测的结果中会包括大量假阳性，先用规则方法对候选结节进行初步的假阳性候选消除，再用结合K均值聚类算法的模糊超盒神经网络作为系统分类器，用于候选结节诊断。此系统对于医生诊断肺癌提供了很好的支持。
-
Patent Agency Ranking
公开(公告)号：CN119091217A
公开(公告)日：2024-12-06
申请号：CN202411236791.8
申请日：2024-09-04
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06T7/00 , G06V10/20 , G06V10/80 , G06V10/30 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06V10/44 , G06N3/09
Abstract: 本发明公开了一种基于零次学习的低光照钢铁表面缺陷检测方法，属于自然图像处理领域，包括：对数据集中原始钢铁表面缺陷图像进行利用物理学启发的低光照度合成框架来合成的低照度图像，并与原始图像成对输入。提出一种以yolo为基本框架，引用了Retinex理论，并将使用反射率表示学习模块作为附加解码器引入其中的DaiNet模型，并加入了一个互换再分解一致性过程使得到的反射率表示稳定精准，又提高了网络的整体可视化性能。本发明在两个公开的数据集东北大学钢铁缺陷数据集(NEU‑DET)和谢韦尔钢材数据集(Severstal‑steel‑defect)上进行实验并与yolov5和yolov8进行对比实验，验证了DaiNet训练出的钢铁表面缺陷图像具有更好的可视性，有效的提升了可视化性能。
-
公开(公告)号：CN111462159A
公开(公告)日：2020-07-28
申请号：CN202010257719.9
申请日：2020-04-03
Applicant: 哈尔滨理工大学
Abstract: 本发明公开一种基于CT图像的变形模型的肝脏自动分割方法，包括：步骤1，构建肝脏图谱、基于稀疏表示变形模型SRDM，所述肝脏图谱包括灰度图像、与灰度图像对应的标注图像；步骤2，对待分割的目标图像进行肝脏图谱配准，构建将肝脏图谱的灰度图像对齐到目标图像的非刚性变换模型；步骤3，利用稀疏表示变形模型SRDM对步骤2中的非刚性变换模型正则化；步骤4，利用正则化后的变换模型，将肝脏图谱的标注图像传播到目标图像，得到初始分割结果；步骤5，对于存在较大分割误差的数据，对初始分割结果进行细分割。通过本方案获得了接近于半自动分割方法的分割精度，且实验结果可重复。
-
公开(公告)号：CN109493351A
公开(公告)日：2019-03-19
申请号：CN201811341017.8
申请日：2018-11-12
Applicant: 哈尔滨理工大学
Abstract: 本发明提供一种对CT图像采用概率图谱与水平集技术进行肝脏自动分割的系统，该系统包括：三维图像预处理模块，完成图像的旋转对齐、降噪以及三维重构操作；肝脏粗分割模块，用于生成概率图谱，通过概率图谱预测最可能肝脏区域，通过基于直方图统计的后验概率分类的最大映射实现肝脏粗分割；肝脏细分割模块，利用形状-灰度先验模型约束的水平集技术进一步提高分割精度，完成对肝脏的精确分割。本系统对肝脏的精确分割提供了很好的支持。
-
公开(公告)号：CN116579973A
公开(公告)日：2023-08-11
申请号：CN202310214357.9
申请日：2023-03-07
Applicant: 哈尔滨理工大学
Abstract: 本次发明提出了一种基于空间通道注意力机制与残差融合的视网膜血管分割方法。主要包括以下几个步骤：步骤一、对公开眼底血管数据集图像进行预处理；步骤二、对预处理后的图像进行数据增强；步骤三、通过设计注意力机制，构建编码阶段空间和通道注意力‑残差模块和解码阶段的SEblock(SqueezeandExcitationblock)，设计一种多尺度特征提取与聚合模块(Multi‑scaleFeatureExtractionandPolymerization，MFEP)模块组合成的网络SASE‑Net。将处理好的数据传入改进网络中进行网络训练，并利用分割结果与人工标注图之间的损失指导网络训练，获得训练后的视网膜血管分割模型；步骤四、将待分割测试视网膜血管分割图传输视网膜分割模型中进行分割，获得眼底血管分割结果。
-
公开(公告)号：CN116385363A
公开(公告)日：2023-07-04
申请号：CN202310201479.4
申请日：2023-03-03
Applicant: 哈尔滨理工大学
Abstract: 本发明公开了一种基于密集连接自适应感受野的视网膜血管分割方法，属于医学图像处理领域。包括：对数据集中原始彩色视网膜血管图像进行预处理，然后对预处理之后的视网膜血管数据集进行扩增训练。提出一种以U‑Net编码器‑解码器结构为基本框架，并将密集连接网络引入其中的DSNet模型，增强了网络的特征传递能力，并提高网络的整体分割性能。本发明采用选择性核单元来代替传统卷积神经网络的3×3卷积，通过注意力机制自动调整网络的感受野，并混合扩展卷积和常规卷积提取的特征图，以集合多尺度特征。并在三个公开的数据集DRIVE、STARE和CHASE_DB1上进行实验并与标准U‑Net和LadderNet进行对比实验，验证了DSNet分割出的血管具有更好的连通性，相较于U‑Net和LadderNet网络有效提升了分割准确性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.041 seconds)
