-
公开(公告)号：CN119963575A
公开(公告)日：2025-05-09
申请号：CN202510033486.7
申请日：2025-01-08
Applicant: 广东工业大学
IPC: G06T7/11 , G06T7/00 , G06V10/44 , G06N3/0464 , G06V10/80
Abstract: 本发明涉及一种基于MSLQA‑Net的轻量化脑肿瘤分割方法，该方法应用于脑肿瘤核磁共振成像(MRI)的肿瘤分割。该方法包括：S1：预处理脑部MRI数据，将数据划分为训练集，验证集和测试集；S2：构建多尺度分解残差卷积模块(MSDRC)进行特征提取，构成多级次特征图；S3：构建跨层特征聚合模块(CLFA)，对多级次特征图进行高效聚合，得到聚合特征图；S4：构建四重维度注意力模块(QDA)，对聚合特征图进一步细化，得到细化特征图；S5：融合多尺度分解残差卷积，跨层特征聚合及四重维度注意力模块，构建MSLQA‑Net分割模型；S6：使用训练集，验证集和测试集对分割模型进行训练，验证优化及测试。本发明在脑肿瘤分割任务中，能在提升推理速度的同时，仍保持高精度结果。
-
公开(公告)号：CN119905174A
公开(公告)日：2025-04-29
申请号：CN202411989199.5
申请日：2024-12-31
Applicant: 广东工业大学
IPC: G16C20/70 , G06F18/213 , G06F18/25 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/082
Abstract: 本发明公开的属于生物医学技术领域，具体为一种基于多视图堆叠跳级图卷积网络的药物重定位方法，包括具体步骤如下：获取药物疾病关联数据，分别构成药物和疾病的邻接矩阵A、关联图G、药物和疾病的相似度矩阵Sr、Sd，并使用多层图卷积编码器块，将药物和疾病的相似度矩阵编码成高阶特征表示；构建双层级子图自注意力网络，结合节点层级和子图层级的特征，与图拓扑结构进行结构级融合。本发明在使用高阶节点信息时，能够提取到高阶节点的上下文信息，缓解了局部信息和全局信息的不一致性；本发明能够更全面利用深层信息，解决了网络在多层后无法区分药物疾病节点从而导致模型预测能力下降的问题。
-
公开(公告)号：CN119722712A
公开(公告)日：2025-03-28
申请号：CN202411925420.0
申请日：2024-12-24
Applicant: 广东工业大学
IPC: G06T7/11 , G06T7/00 , G06N3/0464 , G06N3/045 , G06N3/096
Abstract: 本发明公开了一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，该方法旨在解决肝肿瘤在形状、大小多样性以及边界模糊的问题，实现精确的肝肿瘤分割。该方法包括：S1：预处理腹部CT数据，将CT数据划分为训练集，验证集和测试集；S2：引入GTF(Geometric Tight Framelet)，结合卷积操作，构建GTF卷积；S3：融合GTF卷积与注意力机制，构建多频双注意力模块；S4：融合内部特征蒸馏损失和分割损失，构建多尺度蒸馏分割损失；S5：融合GTF卷积，多频双注意力模块及多尺度蒸馏分割损失，构建GTF‑UNet模型；S6：使用训练集，验证集和测试集对模型进行训练，验证优化及测试。本发明能够有效捕捉细节特征和多尺度信息，有效提升肝肿瘤的分割精度,可用于CT图像中对肝肿瘤的自动分割。
-
Patent Agency Ranking
公开(公告)号：CN119722711A
公开(公告)日：2025-03-28
申请号：CN202411912335.0
申请日：2024-12-23
Applicant: 广东工业大学
IPC: G06T7/11 , G06T5/20 , G06V10/44 , G06V10/54 , G06V10/42 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/09
Abstract: 本发明提供了一种基于ABVM‑UNet的肺结节分割方法及装置，该方法包括：S1：采集肺部CT图像数据集，对图像中肺结节区域进行增强处理，突出结节的纹理与边缘特征；S2：构建主分支与基于Gabor卷积神经网络的目标增强辅助分支实现对肺结节纹理与边缘特征的增强响应；S3：利用分支信息交互融合模块BIIF实现辅助分支增强特征的融合与传递；S4：构建基于Vision Mamba的U型架构网络ABVM‑UNet，实现图像局部特征与全局上下文信息的有效融合；S5：利用深度监督实现多级分割损失并对ABVM‑UNet模型进行训练和优化；S6：利用ABVM‑UNet模型对肺部CT图像进行肺结节分割。本发明通过引入ABVM‑UNet模型，有效提取了肺结节的边缘和纹理特征，从而实现了肺结节的精准分割。
-
公开(公告)号：CN119722710A
公开(公告)日：2025-03-28
申请号：CN202411911728.X
申请日：2024-12-23
Applicant: 广东工业大学
IPC: G06T7/11 , G06T7/136 , G06V10/774 , G06V10/40 , G06F40/284 , G06F40/126 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/045 , G06N5/04 , G06N3/084
Abstract: 本发明公开了一种基于CrossMAE的脑胶质瘤分割方法，旨在通过MRI与诊断报告联合提取视觉语言表征来增强分割性能。该方法通过随机掩蔽图像与文本信息，并重建被掩蔽内容，学习跨模态深层关联，进而实现MRI脑胶质瘤的精准分割。该方法包括以下步骤：S1：采集多模态MR脑肿瘤图像及诊断报告，构建数据集；S2：设计图文联合掩码策略，对数据进行有选择性的掩蔽处理；S3：构建基于CrossMAE的MRI脑胶质瘤分割模型；S4：设计多任务级联损失函数，利用数据集对分割模型进行训练与优化，获得训练好的MRI脑胶质瘤分割模型；S5：根据训练好的MRI脑胶质瘤分割模型进行MRI脑胶质瘤分割。本发明从MRI中有效提取并利用跨模态互补信息，从而实现对MRI脑胶质瘤的精准分割。
-
公开(公告)号：CN119993556A
公开(公告)日：2025-05-13
申请号：CN202510075959.X
申请日：2025-01-16
Applicant: 广东工业大学
IPC: G16H70/40 , G06F18/10 , G06F18/213 , G06F18/25
Abstract: 本发明涉及一种基于异同构多分支的抗癌药物反应预测方法，应用于生物信息学领域。该方法包括：S1：对数据进行预处理，获取细胞系多组学数据、药物子结构指纹数据、药物分子图数据以及细胞系‑药物反应数据；S2：构建相似性全局特征提取模块(SGFE)进行特征提取，得到细胞系相似性特征、药物相似性特征、药物全局特征；S3：构建异同构多分支特征提取模块(HHFE)得到多分支细胞系特征与多分支药物特征；S4：构建多分支多层融合模块(MFML)，得到细胞系融合特征和药物融合特征，并计算两者相关性；S5：利用相关性对细胞系和药物间的反应情况进行预测，输出预测结果。本发明充分利用已知的细胞系数据和药物数据，提升了模型的泛化能力。
-
公开(公告)号：CN119904469A
公开(公告)日：2025-04-29
申请号：CN202411982971.0
申请日：2024-12-30
Applicant: 广东工业大学
IPC: G06T7/11 , G06V10/42 , G06V10/80 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/045 , G06N3/0455
Abstract: 本发明公开了一种基于多区域感知注意力的脑肿瘤分割方法，旨在通过充分学习脑肿瘤组织区域之间内在关系，实现脑肿瘤子区域精准定位。该方法包括以下步骤：S1：对脑肿瘤MR图像进行预处理与数据增强，得到脑肿瘤数据集；S2：构建多模态特征交互增强模块对脑肿瘤MRI不同模态(T1,T1CE,T2,Flair)分别进行特征提取并融合，得到全局特征；S3：构建多区域感知注意力模块，提取多区域之间的特征表示，得到局部多区域特征；S4：构建多区域协同融合模块对局部多区域特征和全局特征进行融合，得到融合特征；S5：根据训练好的MRI脑胶质瘤分割模型进行MRI脑胶质瘤分割；本发明通过从MRI中有效提取并融合脑肿瘤多区域内在关系，实现了对脑肿瘤MRI的精准分割。
-
公开(公告)号：CN119722709A
公开(公告)日：2025-03-28
申请号：CN202411910756.X
申请日：2024-12-23
Applicant: 广东工业大学
IPC: G06T7/11 , G06T3/40 , G06V10/42 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464
Abstract: 本发明涉及一种基于目标一致多分辨融合的肺结节分割方法和装置，该方法包括：S1：采集肺部CT影像数据并采用目标一致的多分辨率输入策略(Object‑Consistent Muti‑Resolution Input Strategy,OCMIS)，生成高分辨率和低分辨率数据；S2：通过小结节细粒度增强编码器(Small Nodule Fine‑Grained Enhanced Encoder,SNFGEE)和多粒度增强编码器(Multi‑Granularity Enhanced Encoder,MGEE)分别对高、低分辨率数据进行特征提取，得到小结节的高、低分辨率特征；S3：通过多分辨率无损特征融合模块(Muti‑Resolution Lossless Feature Fusion,MLFF)对高、低分辨率特征进行融合，生成融合特征；S4：将融合特征输入解码器，生成分割结果。本发明能够实现对复杂形态的肺结节的精准分割。本发明作为一种基于目标一致多分辨融合的肺结节分割方法和装置，可广泛应用于医学图像分割领域。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
