-
公开(公告)号：CN119579454B
公开(公告)日：2025-04-29
申请号：CN202510143167.1
申请日：2025-02-10
Applicant: 常熟理工学院
IPC: G06T5/70 , G06T5/10 , G06T5/60 , G06T5/80 , G06T5/90 , G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度神经网络的癌症图像去噪方法与系统，包括：对癌症图像进行自适应分割，对分割后的各区域进行噪声估计和统计分析，自动调整去噪参数；采用小波变换和金字塔分解进行多尺度特征提取，对调整参数后的图像进行分析和处理；对多尺度处理后的图像进行质量评估和失真检测，自动识别和定位伪影与失真，采用点扩散函数反演和维纳滤波方法，校正和补偿干扰，获得校正图像；对校正图像应用直方图均衡化和对比度受限自适应直方图均衡化后，使用卷积神经网络结合稀疏表示和字典学习算法，进行去噪处理，得到去噪结果。本发明能够有效去除不同类型癌症图像中的噪声，同时保留关键诊断信息，提高图像质量和清晰度。
-
公开(公告)号：CN119579454A
公开(公告)日：2025-03-07
申请号：CN202510143167.1
申请日：2025-02-10
Applicant: 常熟理工学院
IPC: G06T5/70 , G06T5/10 , G06T5/60 , G06T5/80 , G06T5/90 , G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于多尺度神经网络的癌症图像去噪方法与系统，包括：对癌症图像进行自适应分割，对分割后的各区域进行噪声估计和统计分析，自动调整去噪参数；采用小波变换和金字塔分解进行多尺度特征提取，对调整参数后的图像进行分析和处理；对多尺度处理后的图像进行质量评估和失真检测，自动识别和定位伪影与失真，采用点扩散函数反演和维纳滤波方法，校正和补偿干扰，获得校正图像；对校正图像应用直方图均衡化和对比度受限自适应直方图均衡化后，使用卷积神经网络结合稀疏表示和字典学习算法，进行去噪处理，得到去噪结果。本发明能够有效去除不同类型癌症图像中的噪声，同时保留关键诊断信息，提高图像质量和清晰度。
-
公开(公告)号：CN119206237A
公开(公告)日：2024-12-27
申请号：CN202411686975.4
申请日：2024-11-25
Applicant: 常熟理工学院
IPC: G06V10/26 , G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于全卷积神经网络的医学图像分割方法，包括：针对医学图像的复杂解剖结构和病理特征，采用深度学习算法对医学图像进行预处理，增强图像中的关键特征，为后续的特征提取提供更丰富的信息基础；在全卷积神经网络的特征提取阶段，引入注意力机制模块和空间金字塔池化模块学习图像中不同区域的重要性权重，自适应调整卷积核的权重分布，提取更加细粒度和有判别力的特征。通过反卷积操作和跳跃连接结构优化上采样过程，引入条件随机场模型进行后处理优化，构建多尺度特征融合模块，并采用对抗学习策略提高网络的泛化能力。本发明有效提升了医学图像分割的准确性和鲁棒性。
-
公开(公告)号：CN119599925A
公开(公告)日：2025-03-11
申请号：CN202510143104.6
申请日：2025-02-10
Applicant: 常熟理工学院
IPC: G06T5/90 , G06T5/40 , G06T5/60 , G06T7/187 , G06T7/11 , G06T7/136 , G06V10/44 , G06V10/54 , G06V10/20 , G06V10/80
Abstract: 本发明公开了一种基于深度学习的癌症图像对比度增强方法及系统，属于医学图像处理技术领域，本发明采用自适应直方图均衡化算法进行预处理，增强局部区域对比度。通过多尺度分析提取纹理、形状和边缘特征，构建特征描述子。基于特征描述子，使用区域生长分割算法对图像进行分割，得到病灶区域边界。对分割后的病灶区域采用自适应对比度增强技术，突出病灶显示效果。考虑到噪声干扰，引入基于小波变换的去噪方法，在高频子带抑制噪声，低频子带保留细节。通过上述技术方案的有机结合，本发明能够有效增强癌症图像的对比度和清晰度，突出显示病灶区域，同时抑制噪声干扰。
-
-
-
Search Results
4
records
(took 0.015 seconds)
