-
公开(公告)号：CN113269778B
公开(公告)日：2022-11-29
申请号：CN202110683693.9
申请日：2021-06-21
Applicant: 复旦大学
IPC: G06T7/00 , G06T7/11 , G06V10/26 , G06V10/774 , G06V10/82 , G06V10/44 , G06V10/25 , G06V10/762 , G06N3/04 , G06N3/08
Abstract: 一种基于迭代的图像弱监督分割方法，将包含定位边界框的甲状腺超声图像作为弱监督信息，利用概率梯度标注方式获得训练标注，以迭代训练的方式不断更新深度学习弱监督分割网络参数和训练标签，最后采用训练后的网络对待处理图像进行分割。本发明通过迭代网络的优化，在无需人工干预的弱监督条件下将初始定位标签转化为最终的分割结果，可以在无需人工标注的弱监督条件下实现甲状腺超声图像中特定区域的准确分割。
-
公开(公告)号：CN108776969B
公开(公告)日：2021-06-22
申请号：CN201810505528.2
申请日：2018-05-24
Applicant: 复旦大学
Abstract: 本发明属于图像处理技术领域，具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括：构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；利用基于相位信息的动态轮廓PBAC模型，对于粗略分割结果进行优化，得到最终精细的分割结果；实验结果表明，本发明可以准确地分割肿瘤，尤其对边界模糊、阴影多的超声图像有很好的分割结果。
-
公开(公告)号：CN111445473A
公开(公告)日：2020-07-24
申请号：CN202010243718.9
申请日：2020-03-31
Applicant: 复旦大学
Abstract: 一种基于血管内超声图像序列多角度重建的血管膜精确分割方法及系统，通过对血管内超声横截面图像序列进行重建得到对应的血管内超声纵轴图像，然后采用改进的聚类方法对血管内超声纵轴图像中的血管膜进行初步分割，再根据初步分割结果恢复出横截面图像下的血管膜精确分割结果。本发明能够同时获得血管内超声两种图像模式(即横截面图像模式和纵轴图像模式)的血管膜分割结果，并在一定程度上克服分叉和旁路血管的影响。从横截面视角和纵轴视角综合分析血管状况，并计算定量参数，对血管状况进行更全面的评估，为医生进一步诊断提供参考，具有临床实用价值。
-
公开(公告)号：CN119279629A
公开(公告)日：2025-01-10
申请号：CN202411420750.4
申请日：2024-10-12
Applicant: 复旦大学
Abstract: 一种柔性超声探头实时高质量成像方法，通过希尔伯特变换和包络检测将柔性探头采集的RF数据解调成I/Q数据后，应用稀疏化处理机制从发射通道、接收通道和采样时间三个维度上对密集I/Q数据进行压缩处理后，通过构造并训练空间感知形状估计网络，提取复杂通道信号的空间和时间信息，根据稀疏I/Q数据得到形状参数，再根据估计的柔性探头形状，通过延时求和(DAS)波束形成器重建超声图像，从而实现柔性探头的实时高质量成像。本发明能够生成更轻量级且包含丰富形状信息的指导数据，从而降低模型复杂度并增强实时性能的同时，形状估计准确性显著提高，能够实现实时高质量且准确的形状估计效果。
-
公开(公告)号：CN116758282A
公开(公告)日：2023-09-15
申请号：CN202310508283.X
申请日：2023-05-08
Applicant: 复旦大学
IPC: G06V10/26 , G06V10/24 , G06V10/25 , G06V10/74 , G06V10/774 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06N3/0895
Abstract: 一种基于混合标注的甲状腺超声图像结节弱监督分割系统，包括：由主模型和辅助模型组成的特征提取模块和基于对比学习的区域分割模块，主模型中的特征提取模块根据原始图像和混合标注生成特征图至区域分割模块，区域分割模块采用对比学习的方式将特征图分成甲状腺结节前景和背景表征后，根据点在前景区域的扩散区域形成前景对、涂鸦标注在背景区域的扩散区域形成背景对后，基于两者间距离进行对比，以在实现结节区域的分割，得到甲状腺结节的粗略分割，辅助模型和主模型之间共享权重，本发明采用点和涂鸦的混合标注方法，更好地增强实验的可重复性和客观性。
-
Patent Agency Ranking
公开(公告)号：CN110163828B
公开(公告)日：2022-02-18
申请号：CN201910618211.4
申请日：2019-07-10
Applicant: 复旦大学
Abstract: 一种基于超声射频信号的乳腺钙化点图像优化系统及方法，包括：预处理模块、钙化点处理模块和增强显示模块，其中：预处理模块与数据来源相连并传输原始射频信号信息，钙化点处理模块与预处理相连并传输单通道射频信号信息，增强显示模块与输出端相连并传输增强显示图片信息。本发明基于乳腺射频信号的特点设计深度学习网络，高效率检测钙化点，进行增强显示。
-
公开(公告)号：CN113344829A
公开(公告)日：2021-09-03
申请号：CN202110430141.7
申请日：2021-04-21
Applicant: 复旦大学
Abstract: 一种基于超声感知动态信息整合多通路生成对抗网络的便携超声视频优化重建方法，首先将便携超声仪器采集的超声B模式图像进行超声感知动态信息整合分解，生成低秩部分和稀疏部分以有效分解图像中的低秩部分与稀疏部分；通过分别位于原图像子通道、低秩子通道和稀疏子通道上的多通路生成对抗网络以动态/静态信息级联迁移学习策略分别学习便携超声仪器采集的超声B模式图像、分解得到的低秩部分和稀疏部分，最后由过融合层平均后得到重建结果。本发明通过级联迁移学习策略捕捉动态信息、实现由粗到精的学习过程，显著提升重建效果。
-
公开(公告)号：CN113269778A
公开(公告)日：2021-08-17
申请号：CN202110683693.9
申请日：2021-06-21
Applicant: 复旦大学
Abstract: 一种基于迭代的图像弱监督分割方法，将包含定位边界框的甲状腺超声图像作为弱监督信息，利用概率梯度标注方式获得训练标注，以迭代训练的方式不断更新深度学习弱监督分割网络参数和训练标签，最后采用训练后的网络对待处理图像进行分割。本发明通过迭代网络的优化，在无需人工干预的弱监督条件下将初始定位标签转化为最终的分割结果，可以在无需人工标注的弱监督条件下实现甲状腺超声图像中特定区域的准确分割。
-
公开(公告)号：CN108776969A
公开(公告)日：2018-11-09
申请号：CN201810505528.2
申请日：2018-05-24
Applicant: 复旦大学
Abstract: 本发明属于图像处理技术领域，具体为基于全卷积神经网络的乳腺超声图像肿瘤分割方法。本发明方法包括：构建基于空洞卷积的全卷积神经网络，用于粗略分割超声图像上获得乳腺肿瘤；构建的DFCN网络中，使用空洞卷积，从而使网络保持较深层的特征图的分辨率，以确保在有大量阴影区域的情况下也能很好地分割肿瘤；此外，DFCN网络中还使用批量归一化技术，使得网络具有更高的学习率，加速了训练过程；利用基于相位信息的动态轮廓PBAC模型，对于粗略分割结果进行优化，得到最终精细的分割结果；实验结果表明，本发明可以准确地分割肿瘤，尤其对边界模糊、阴影多的超声图像有很好的分割结果。
-
公开(公告)号：CN104657984B
公开(公告)日：2018-10-16
申请号：CN201510044837.0
申请日：2015-01-28
Applicant: 复旦大学
Abstract: 本发明属于图像处理领域，具体为一种三维超声乳腺全容积成像(ABVS)中感兴趣区域的自动提取方法。本发明使用基于最大方向相位信息方法对三维ABVS图像中连续横断面二维图像进行处理，得到每一幅横断面图像上的感兴趣的候选区域；根据乳腺肿瘤在二维横断面图像上的连续性、位置特性等先验知识去除无关区域；对剩余疑似肿瘤区域进行形状和纹理特征获取，输入至二值逻辑回归分类器得到每一个区域可能为肿瘤的概率，选取其中概率最大的区域为肿瘤区域；根据选取的区域得到包含感兴趣区域的最小椭球，即为感兴趣区域。本发明可以实现三维ABVS图像中肿瘤感兴趣区域的自动提取，获取肿瘤的准确位置，减少人工操作的工作量，为进一步的肿瘤检测提供重要参考。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.016 seconds)
