-
公开(公告)号：CN113538612B
公开(公告)日：2022-06-17
申请号：CN202110687906.5
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明属于医疗技术领域，具体为一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法。本发明该法包括：获取成对的ｋ空间全采样数据和ｋ空间降采样数据，生成训练样本；將ｋ空间降采样数据重新排列，用于重建具有低秩性质的k空间数据；基于矩阵低秩分解的原理，通过神经网络构建低秩分解单元；基于变分贝叶斯推断从低秩分解中重建出低秩成分；计算重建结果与k空间全采样数据的损失函数，并利用优化器训练网络；从训练好的网络中快速重建出ｋ空间数据，进而获得重建的磁共振图像。与现有技术相比，本发明方法完全在ｋ空间加速重建，鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN113298774A
公开(公告)日：2021-08-24
申请号：CN202110554338.1
申请日：2021-05-20
Applicant: 复旦大学
Abstract: 本发明涉及一种基于对偶条件相容神经网络的图像分割方法、装置，该方法包括如下步骤：S1：获取与待分割图像结构模态相同的具有部分标签的图像数据作为训练数据；S2、构建主分割网络和对偶分割网络，主分割网络和对偶分割网络的输入包括目标数据以及提供条件先验的部分标注数据，输出为目标数据的分割结果；S3、分别确定主分割网络和对偶分割网络的损失函数；S4、利用训练数据训练主分割网络和对偶分割网络；S5、进行图像分割：将待分割图像作为目标数据，将目标数据及提供条件先验的部分标注数据输入到主分割网络中，输出分割结果。与现有技术相比，本发明能够实现在少量训练数据的情况下实现准确的图像分割。
-
公开(公告)号：CN111105364A
公开(公告)日：2020-05-05
申请号：CN201911221840.X
申请日：2019-12-03
Applicant: 复旦大学
Abstract: 本发明涉及一种基于秩一分解和神经网络的图像复原方法，该方法包括如下步骤：(1)获取成对的原始图像和退化图像，生成训练样本；(2)基于秩一逼近的原理，通过神经网络构建秩一投影单元，获得图像的秩一逼近；(3)基于矩阵低秩分解的原理，通过秩一投影单元构建循环的秩一分解网络，用于提取退化图像的低秩成分和残余误差；(4)利用残差网络构建秩一重建网络，用于从退化图像的低秩成分和残余误差中恢复原图像；(5)利用优化器训练秩一分解网络和秩一重建网络；(6)将训练好的秩一分解网络和秩一重建网络串联形成秩一网络，用于图像复原。与现有技术相比，本发明方法鲁棒性高，泛化能力强，计算时间短，实现方便。
-
-
公开(公告)号：CN111161249A
公开(公告)日：2020-05-15
申请号：CN201911401973.5
申请日：2019-12-31
Applicant: 复旦大学
Abstract: 本发明涉及一种基于域适应的无监督医学图像分割方法，该方法包括如下步骤：S1，获取与目标数据结构相同的不同模态的具有标签的影像学数据作为源数据；S2，引入隐变量，构建两个结构相同的用于图像分割的源变分自编码器和目标变分自编码器；S3，获取两个变分自编码器的损失函数；S4，估计两个变分自编码器隐变量的概率分布，计算隐变量概率分布的差异；S5，综合损失函数及隐变量概率分布的差异得到总体损失函数，利用总体损失函数优化两个变分自编码器；S6，采用优化得到的目标变分自编码器对目标数据进行分割。与现有技术相比，本发明该方法训练简单快速，泛化能力强。
-
Patent Agency Ranking
-
公开(公告)号：CN113221948B
公开(公告)日：2022-08-05
申请号：CN202110391347.3
申请日：2021-04-13
Applicant: 复旦大学
IPC: G06V10/764 , G06V10/82 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于对抗生成网络和弱监督学习的数字切片图像分类方法，包括如下步骤：S1：获取有掩码标注和无掩码标注的数字切片图像并将其切分成补丁图像作为源数据，形成真实正样本图像和未标注图像；S2：构建对抗生成网络，包括生成器网络和判别器网络，获取损失函数；S3：循环迭代，优化获取对抗生成网络的最优参数；S4：构建图像分类网络，将训练的生成器网络产生的生成图像以及真实正样本图像输入至所述的图像分类网络中；S5：循环迭代训练，获取图像分类网络的最优参数；S6：应用时，将目标切片图像切分成补丁图像输入至图像分类网络，输出分类结果。与现有技术相比，本发明泛化能力强，所需训练数据少，分类结果准确可靠。
-
公开(公告)号：CN113538612A
公开(公告)日：2021-10-22
申请号：CN202110687906.5
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 本发明属于医疗技术领域，具体为一种基于变分低秩分解的ｋ空间加速磁共振图像重建方法。本发明该法包括：获取成对的ｋ空间全采样数据和ｋ空间降采样数据，生成训练样本；將ｋ空间降采样数据重新排列，用于重建具有低秩性质的k空间数据；基于矩阵低秩分解的原理，通过神经网络构建低秩分解单元；基于变分贝叶斯推断从低秩分解中重建出低秩成分；计算重建结果与k空间全采样数据的损失函数，并利用优化器训练网络；从训练好的网络中快速重建出ｋ空间数据，进而获得重建的磁共振图像。与现有技术相比，本发明方法完全在ｋ空间加速重建，鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN111260566A
公开(公告)日：2020-06-09
申请号：CN202010023382.5
申请日：2020-01-09
Applicant: 复旦大学
IPC: G06T5/00
Abstract: 本发明涉及一种基于稀疏先验的图像复原方法，该方法包括如下步骤：(1)获取成对的退化图像和真实图像，生成训练样本；(2)在小波域中构建稀疏化单元来稀疏表示图像；(3)在图像域中构建图像复原单元来重建退化图像的细节信息，获取复原图像；(4)获取损失函数；(5)循环迭代，利用优化器最小化损失函数，以训练稀疏化单元和图像复原单元；(6)将稀疏化单元与图像复原单元级联，形成图像复原模型，用于图像复原。与现有技术相比，本发明方法鲁棒性高，泛化能力强，计算时间短，实现方便。
-
公开(公告)号：CN110992332A
公开(公告)日：2020-04-10
申请号：CN201911197099.8
申请日：2019-11-29
Applicant: 复旦大学
Abstract: 本发明涉及一种基于图像处理的全自动多巴胺转运体半定量值检测方法，该方法包括如下步骤：(1)构建MRI图像分割网络，将大脑MRI图像中的尾状核、壳核、苍白球区域分割出来；(2)将MRI图像配准到PET图像，获得PET图像的分割结果；(3)对PET图像的分割结果进行聚类细分割，得到多个标签结构；(4)获取每个标签结构的特征统计量；(5)对应获取PET图像中顶枕叶区域的特征统计量，以此为基准，对各标签结构中的特征统计量分别进行标准化，得到各特征统计量的半定量值；(6)对各标签结构的半定量值进行T检验，完成半定量值的显著性排序。与现有技术相比，本发明检测精度高、实现方便、应用灵活。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.015 seconds)
