-
公开(公告)号：CN118982566A
公开(公告)日：2024-11-19
申请号：CN202411064282.1
申请日：2024-08-05
Applicant: 安徽大学
IPC: G06T7/33 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于多窗口门控多层感知机和上下文残差增强的大形变医学图像配准方法，包括：获取三维医学图像数据集，划分为浮动图像和固定图像；得到四层分辨率各异的浮动特征图和四层分辨率各异的固定特征图；得到融合特征图；输出增强后的特征图；得到目标总残差形变场；通过目标总残差形变场对待配准图像进行扭曲，得到最终配准结果。本发明通过多窗口门控多层感知机来捕获不同感受野的子形变场，使网络能够更精细地捕捉尺度信息和空间细节，计算效率更高，适用于实时应用；通过对速度场进行缩放和平方操作确保形变的光滑性和连续性，避免了仅通过相加补充形变场可能带来的不连续性和一致性问题，适用于处理复杂的大形变医学图像配准任务。
-
公开(公告)号：CN118247584B
公开(公告)日：2024-08-09
申请号：CN202410667511.2
申请日：2024-05-28
Applicant: 安徽大学
IPC: G06V10/764 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/82 , G06V20/10
Abstract: 本发明公开一种高光谱图像域泛化方法和装置、系统、存储介质，包括以下步骤：根据源域高光谱图像，得到扩展域高光谱图像；根据源域高光谱图像和扩展域高光谱图像，通过解耦处理，得到源域不变特征、源域特定特征、扩展域不变特征和扩展域特定特征；根据域不变特征、源域特定特征、扩展域不变特征和扩展域特定特征，通过域组合进行特征重建和域交换，训练域不变特征编码器和域特定特征编码器；将目标域高光谱图像输入到训练好的域不变特征编码器进行预测分类。采用本发明的技术方案，有效提高高光谱图像跨场景分类的精度和泛化性能。
-
公开(公告)号：CN117893435A
公开(公告)日：2024-04-16
申请号：CN202410056608.X
申请日：2024-01-16
Applicant: 安徽大学
Abstract: 本发明涉及一种基于CUDA加速的超大三维生物图像条纹噪声去除方法，包括：根据三维图像的二维序列切片，构建频域高斯带状陷波滤波器；将三维图像的二维序列切片进行分块，得到多个图像块；利用CUDA实现快速傅里叶变换，得到图像块的频域图；进行滤波；利用CUDA实现快速傅里叶逆变换，得到图像块的空间域图；将每个图像块的空间域图拼接成原始图像尺寸；对原始图像尺寸的空间域图图像的背景进行处理。本发明利用对原始图像分块的原理，加速图像空间域和频域互相转换的计算过程，对超大三维图像进行条纹噪声去除的同时，又有效地提升了运行效率；可以对TB级别的超大三维图像数据进行条纹噪声去除，并获得了大约9倍的加速比，极大的缩短了处理时间。
-
公开(公告)号：CN116152071A
公开(公告)日：2023-05-23
申请号：CN202310215727.0
申请日：2023-03-08
Applicant: 安徽大学
Abstract: 本发明涉及一种多视角各向异性三维图像的融合重建方法，包括：获取小型哺乳动物器官的三幅正交的MRI图像；使三幅正交的MRI图像的空间比例达到一致，得到图像I1、I2和I3；提取参考图像R1上的特征点；利用得出的参考图像和浮动图像对应的两组特征点对之间的对应关系计算参考图像和浮动图像的仿射变换矩阵；得到两幅生成图像R2、R3；得到过亮度调整后的三幅图像R1’、R2’和R3’；得到一幅三维各向同性图片即最终输出图像Io。本发明将不同视角的三幅图像进行精确的拼接对齐，通过对多幅正交的低层间分辨率图像的融合重建，使原本低分辨率的图像的清晰度得到很大提升，为小型哺乳动物的器官功能研究提供了高清图像数据支持。
-
公开(公告)号：CN114330591A
公开(公告)日：2022-04-12
申请号：CN202210007108.8
申请日：2022-01-05
Applicant: 安徽大学
IPC: G06K9/62 , G06N3/08 , G06V20/13 , G06V10/764 , G06V10/774
Abstract: 本发明涉及基于空域‑光谱维度转换的高光谱分类方法，包括：对于原始高光谱数据集和相对应的标签向量数据集进行等间距不重叠划分；得到转换后的新训练集、新验证集、新测试集、新训练集标签、新验证集标签、新测试集标签；构建基于空域‑光谱维度转换的高光谱分类网络DSSFN；采用Adam算法进行迭代优化，得到分类性能最优的最优网络DSSFN；向最优网络DSSFN中输入测试集、新测试集和对应的测试集标签进行分类结果预测。本发明通过空域‑光谱维度转换，实现光谱全通道信息交互的全像素分类，充分利用光谱信息，提高稀缺高光谱数据的利用率和分类效率，网络的分支结构比较简单，具有较好的分类性能和较好的泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN115063794A
公开(公告)日：2022-09-16
申请号：CN202210677321.X
申请日：2022-06-15
Applicant: 安徽大学
Abstract: 本发明提出了一种秀丽隐杆线虫全身细胞自动识别的方法，通过基于秀丽隐杆线虫数据集构建包含细胞位置信息和拓扑结构信息的统计学图谱；其中，图谱包含平均空间位置ASP、空间位置方差SLV、拓扑结构方差TSV；获得细胞中心位置，通过人工标注或者自动分割细胞获得测试样本线虫中细胞质心位置；基于点集配准获得细胞位置和图谱的初始匹配关系；并基于统计图谱迭代优化细胞位置与图谱的匹配关系；基于图谱中已知的细胞身份通过匹配关系自动识别细胞。通过构件秀丽隐杆线虫全身细胞统计学图谱，基于包含细胞位置和拓扑结构等多种先验信息的统计学图谱实现了线虫全身细胞的自动识别。
-
公开(公告)号：CN118247584A
公开(公告)日：2024-06-25
申请号：CN202410667511.2
申请日：2024-05-28
Applicant: 安徽大学
IPC: G06V10/764 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/094 , G06V10/82 , G06V20/10
Abstract: 本发明公开一种高光谱图像域泛化方法和装置、系统、存储介质，包括以下步骤：根据源域高光谱图像，得到扩展域高光谱图像；根据源域高光谱图像和扩展域高光谱图像，通过解耦处理，得到源域不变特征、源域特定特征、扩展域不变特征和扩展域特定特征；根据域不变特征、源域特定特征、扩展域不变特征和扩展域特定特征，通过域组合进行特征重建和域交换，训练域不变特征编码器和域特定特征编码器；将目标域高光谱图像输入到训练好的域不变特征编码器进行预测分类。采用本发明的技术方案，有效提高高光谱图像跨场景分类的精度和泛化性能。
-
公开(公告)号：CN116778252A
公开(公告)日：2023-09-19
申请号：CN202310816540.6
申请日：2023-07-04
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/58 , G06V10/77 , G06V10/774 , G06V10/82 , G06V20/10 , G06N3/0464 , G06N3/048 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于长短距离交叉注意力的高光谱图像分类方法，包括：获取具有地物类别标签信息的高光谱图像；根据地物类别标签信息将高光谱图像划分为多个图像块；根据多个图像块，构造训练集和测试集；构建基于长短距离交叉注意力的高光谱分类网络；利用训练集对高光谱分类网络进行训练，得到训练好的高光谱分类网络；利用训练好的高光谱分类网络对测试集进行分类结果预测。本发明中通过构建、训练并利用基于长短距离交叉注意力的高光谱分类网络LSDC对高光谱图像进行分类，具有较好的分类性能以及较好的泛化能力。
-
公开(公告)号：CN113956373B
公开(公告)日：2023-03-24
申请号：CN202111317277.3
申请日：2021-11-09
Applicant: 安徽大学
IPC: C08B37/00 , A61K31/715 , A61K36/062 , A61P37/04
Abstract: 本发明公开了一种裂盖马鞍菌多糖及其分离提取方法和用途，其中裂盖马鞍菌多糖为甘露聚糖，分子量为2.55×105Da。本发明裂盖马鞍菌多糖具有很好的体外免疫调节活性，可以增强巨噬细胞RAW264.7的吞噬能力，提高炎症介质(NO)和炎症因子(TNF‑α、IL‑1β、IL‑6)的表达。本发明裂盖马鞍菌多糖是天然无毒，具有研发免疫增强剂的应用前景。
-
公开(公告)号：CN118537629A
公开(公告)日：2024-08-23
申请号：CN202410567443.2
申请日：2024-05-08
Applicant: 安徽大学
IPC: G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开一种基于改进分类网络的神经元分类方法、装置、介质及产品，涉及图像数据处理技术领域，利用改进的神经元点云分类网络能够解决传统方法中人工设计特征偏差的问题。并且，在改进的神经元点云分类网络中，傅里叶注意力模块能够改善基于坐标的点云网络对于高频信息学习的缺失，通道注意力模块减少了点云网络最大池化带来的信息损失，多尺度融合模块能够更好的融合细粒度与高语义信息，所以通过在基本点云网络的基础上增加双重注意力模块与多尺度融合模块，提高分类网络对于复杂神经元特征学习的能力，从而提高神经元分类的准确性。
-
-
-
-
-
-
-
-
-
Search Results
17
records
(took 0.02 seconds)
