公开(公告)号：CN118941785A

公开(公告)日：2024-11-12

申请号：CN202410780899.7

申请日：2024-06-17

Applicant: 桂林电子科技大学

Inventor： 陈真诚 ,  刘东洪 ,  许赢龙 ,  王峥亮 ,  龙威

IPC: G06V10/26 ,  G06V10/82 ,  G06V10/72 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/08

Abstract: 本发明提供一种新型脑卒中图像分割方法，方法包括：获取人脑卒中三维图像数据集并进行预处理；将处理好的数据集按比例划分为训练集和测试集；建立基于Mamba模型的脑卒中分割模型；将所述人脑卒中图像数据集中的训练集输入所述基于Mamba模型的脑卒中分割网络，得到对应训练后的脑卒中分割模型，将Dice损失函数值为其分割效果指标；随后借用人脑卒中图像数据集中的测试集对训练后的人脑卒中分割模型进行验证，根据Dice值的大小作为该模型的分割结果，并保存对应的最佳模型；且通过多次实验来验证模型的鲁棒性。通过本发明提出的方法，可以精准高效的分割出脑卒中图像中的目标区域，相较于目前所存在的其它脑卒中分割网络模型，在分割方法上进行新的创新。

公开(公告)号：CN118537317A

公开(公告)日：2024-08-23

申请号：CN202410675951.2

申请日：2024-05-28

Applicant: 桂林电子科技大学

Inventor： 陈真诚 ,  王峥亮 ,  孙鹏 ,  李世勇 ,  刘东洪 ,  许赢龙 ,  龙威

IPC: G06T7/00 ,  G06T7/62 ,  G06T17/00 ,  G06V10/26 ,  G16H50/30 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明提供一种基于深度学习的二维超声心动图左心室射血分数评估算法，方法包括：获取公开超声心动图CAMUS数据集并进行预处理；对于处理好的数据集，按照设定比例划分为训练集和测试集；建立基于深度学习的包含注意力机制和二维卷积的级联超声心动图分割模型；将处理后的超声心动图数据集训练集依次输入分割模型中进行迭代训练；其中分割损失函数为Dice损失函数和交叉熵损失函数结合损失函数；加载训练模型，将待分割的超声心动图图像测试集输入训练模型获取左心室左心房图像分割结果，并根据分割结果评估射血分数。通过本发明提出的方法，可以精准高效的分割出超声心动图像中的左心室和左心房目标区域，并根据左心室区域评估射血分数。

公开(公告)号：CN118506003A

公开(公告)日：2024-08-16

申请号：CN202410675932.X

申请日：2024-05-28

Applicant: 桂林电子科技大学

Inventor： 陈真诚 ,  刘东洪 ,  孙鹏 ,  许赢龙 ,  王峥亮 ,  龙威

IPC: G06V10/26 ,  G06T7/00 ,  G06V10/764 ,  G06V10/82 ,  G06V10/52 ,  G06V10/80 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明提供一种基于深度学习的人脑卒中图像分割方法，方法包括：获取人脑卒中三维图像数据集并进行预处理；将处理好的数据集按比例划分为训练集和测试集；建立基于深度学习的包含残差、注意力融合以及输入自适应调整机制等和三维卷积的级联脑卒中分割模型；将所述人脑卒中图像数据集中的训练集输入所述基于深度学习的脑卒中分割模型，得到训练后的脑卒中分割模型，Dice损失函数值为其分割效果指标；将人脑卒中图像数据集中的测试集作为训练完成所得到的人脑卒中分割模型的输入，以此获取该模型的分割结果；且通过多次实验来验证模型的鲁棒性。通过本发明提出的方法，可以精准高效的分割出脑卒中图像中的目标区域，相较于目前所存在的其它脑卒中分割网络模型，在分割效果上有明显的提升。

公开(公告)号：CN118506403A

公开(公告)日：2024-08-16

申请号：CN202410675920.7

申请日：2024-05-28

Applicant: 桂林电子科技大学

Inventor： 陈真诚 ,  许赢龙 ,  孙鹏 ,  刘东洪 ,  王峥亮 ,  龙威

IPC: G06V40/10 ,  G06V40/16 ,  G06V20/40 ,  G06T7/00 ,  G06V10/40 ,  G06V10/25 ,  G06V10/82 ,  G06N3/0442 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0455 ,  G06N3/049

Abstract: 本发明提供一种基于IPPG技术从人脸视频中提取血容量脉搏波形态方法，属于非接触式信号检测技术领域。本发明包括：S10：从包含人脸的视频中截取面部区域帧序列，对面部区域帧序列进行人脸3D建模及面部特征点抓取；S20：根据面部特征点选取合适的感兴趣区域并获取该区域的RGB值帧序列，利用人脸的3D模型得到随着帧序列变化的z轴坐标值帧序列；S30：基于S20中获得的感兴趣区域的RGB值帧序列和z轴坐标值帧序列，通过编码器‑解码器神经网络模型提取血容量脉搏波形态。本发明设计了一种时间编码器‑解码器的深度学习网络模型，并设计了一种新的从人脸视频中提取特征值的方法，在提取包含血容量脉搏波信号的同时也提取了包含面部移动造成的运动伪影噪声信息，提高了模型初始输入的信号的信噪比，大大提高了血容量脉搏波形态的准确性。本发明可用于人体生理信号测量、生物识别等领域。

公开(公告)号：CN118787321A

公开(公告)日：2024-10-18

申请号：CN202410780940.0

申请日：2024-06-17

Applicant: 桂林电子科技大学

Inventor： 陈真诚 ,  许赢龙 ,  刘东洪 ,  赵朝渝 ,  王峥亮 ,  龙威

IPC: A61B5/0205 ,  A61B5/00 ,  G06T7/00 ,  G06T3/4046 ,  G06T3/4053 ,  G06V40/10 ,  G06V40/16 ,  G06V20/40 ,  G06F18/213

Abstract: 本发明提供一种基于IPPG技术的多生理参数测量系统，属于非接触式信号检测技术领域。本发明包括：S10：分析被测量人的面部视频，使用面部识别算法识别出其中的面部区域，并且一帧一帧地裁剪出面部区域；S20：对S10中的面部帧图像进行低分辨率到高分辨率的重建，以完善面部细节数据；S30：对S20中重建的高分辨率面部图像建立面部特征点；S40：利用面部特征点提取面部感兴趣区域，并提取这些面部感兴趣区域的RGB值随着帧序列的变化；S50：将S40提取出来的感兴趣区域的RGB帧序列值输入到重建血容量脉搏波的网络模型中，利用算法预测血容量脉搏波的信号；S60：使用S50中预测出来的血容量脉搏波信号，利用对应的生理参数预测算法预测相应的生理参数；S70：设计基于IPPG技术的多生理参数测量系统的网页，将S60中生成的相应生理参数在网页上显示出来。本发明设计了一个web网页，该网页集成了从人脸视频中提取血容量脉搏波的算法，通过脉搏波信号预测心率、血氧、呼吸率、血压等生理参数的算法，将预测的生理参数可视化供用户查看。

公开(公告)号：CN118840329A

公开(公告)日：2024-10-25

申请号：CN202410851599.3

申请日：2024-06-27

Applicant: 桂林电子科技大学

Inventor： 陈真诚 ,  王峥亮 ,  许赢龙 ,  刘东洪 ,  龙威

IPC: G06T7/00 ,  A61B8/06 ,  A61B8/08 ,  G06T7/11 ,  G06T7/155 ,  G06T7/62 ,  G06V10/774 ,  G06V10/82 ,  G06V10/764 ,  G16H50/30 ,  G06N3/042 ,  G06N3/084 ,  G06N5/045

Abstract: 本发明提供了一种基于图神经网络的左心室射血分数评估方法。射血分数(EF)是评估心脏功能的重要指标，可用于识别可能患有心功能不全(如心力衰竭)的患者。传统上，EF通过手动描绘心脏超声心动图中的左心室并估算其在特定帧上的体积来计算。然而，由于手动操作和视频质量的差异，这种方法具有很高的观察者间变异性。因此，迫切需要一种既可靠又可解释的机器学习技术，以实现快速和准确的评估。在本发明中，我们引入了一种基于图神经网络的模型，用于从超声心动图视频中估算EF。该模型首先从一个或多个超声心动图序列的帧中推断出潜在的超声心动图结构。接着，它估算图中节点和边的权重，识别出对EF估算至关重要的关键帧。图神经网络回归器利用这个加权图来预测EF。通过定性和定量分析，我们发现学习到的图权重能够识别出EF估算的关键帧，提供了良好的解释性，帮助确定何时需要人工干预。在EchoNet‑Dynamic公共EF数据集上的测试结果表明，本发明在EF预测性能上与现有最先进的方法相当，并且具有解释性。