-
Patent Agency Ranking
公开(公告)号：CN110211165B
公开(公告)日：2022-08-05
申请号：CN201910497153.4
申请日：2019-06-10
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于异步深度强化学习的图像多模态配准方法，所述配准方法包括以下内容：将不同模态(如CT、MRII)的两张图片堆叠输入神经网络进行处理并输出当前的状态值信息和策略动作的概率分布信息；根据概率分布信息在环境中移动动态图像并返回一个奖励值；判断当前网络状态值信息是否达到阈值；对当前图像配准进行采样并输出最终结果。通过基于强化学习(A3C算法)，提出一种自定义的奖励函数，加入循环卷积结构以充分利用时空信息，并采用蒙特卡洛进行图像配准，提高了配准的性能，相比于现有配准方法配准结果更接近标准的配准图像，面对差异大的图像配准更加稳定。
-
公开(公告)号：CN112037145A
公开(公告)日：2020-12-04
申请号：CN202010899828.0
申请日：2020-08-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于自适应局部转向核的MRI图像上采样方法，方法包括：输入准备好需要进行上采样和去噪的待处理MRI图像，首先用计算得到的局部转向核LSK来调整插值权值以适应图像的几何结构；再通过自适应锐化来增强噪声图像上LSK分布的趋势，有助于去除噪声和增强边缘细节；最后使用Rician偏差校正，校正直接将加权平均框架应用于MRI数据集时，Rician噪声分布的不对称性而产生的偏差,经过此重建过程得到的上采样结果图像能够在去噪的同时保留更多的上下文细节。
-
公开(公告)号：CN111353940B
公开(公告)日：2021-04-02
申请号：CN202010245716.3
申请日：2020-03-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度学习迭代上‑下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上‑下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。
-
公开(公告)号：CN111353940A
公开(公告)日：2020-06-30
申请号：CN202010245716.3
申请日：2020-03-31
Applicant: 成都信息工程大学
Abstract: 本发明涉及一种基于深度学习迭代上-下采样的图像超分辨率重建方法，方法包括：准备原始高分辨率图像，对原始高分辨率图像进行双三次插值得到低分辨率图像，将低分辨图像输入到构建好的神经网络中，先提取低分辨率图像特征，然后通过多个反向投影层的上-下采样模块逐层提取高分辨率图像特征，以能够更多的挖掘低分辨率图像和高分辨率图像之间的相互依赖关系，神经网络中的卷积均采用空洞卷积来增加感受野，提升网络对特征信息的敏感性，并引入稠密连接减少经过中间层传递导致信息的丢失，能够更好的利用低层特征信息，提高了图像重建的性能。
-
公开(公告)号：CN110211165A
公开(公告)日：2019-09-06
申请号：CN201910497153.4
申请日：2019-06-10
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于异步深度强化学习的图像多模态配准方法，所述配准方法包括以下内容：将不同模态(如CT、MRII)的两张图片堆叠输入神经网络进行处理并输出当前的状态值信息和策略动作的概率分布信息；根据概率分布信息在环境中移动动态图像并返回一个奖励值；判断当前网络状态值信息是否达到阈值；对当前图像配准进行采样并输出最终结果。通过基于强化学习(A3C算法)，提出一种自定义的奖励函数，加入循环卷积结构以充分利用时空信息，并采用蒙特卡洛进行图像配准，提高了配准的性能，相比于现有配准方法配准结果更接近标准的配准图像，面对差异大的图像配准更加稳定。
-
-
-
-
Search Results
5
records
(took 0.02 seconds)
