-
公开(公告)号：CN113052826B
公开(公告)日：2025-03-28
申请号：CN202110350769.6
申请日：2021-03-31
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/11 , G06V10/25 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 一种多尺度特征选择性融合的胰腺图像分割方法，构建一个两阶段的由粗到细的胰腺分割框架，首先在预处理后的整图上进行粗分割和分割优化得到粗分割结果，确定胰腺分割区域的边界框，对预处理后的图像进行裁剪，再在裁剪图像上进行细分割和分割优化得到胰腺图像的细分割结果；将SE机制和Inception思想引入不同层次的特征融合中，构建了多尺度特征选择性融合模块MSSFM；在Unet模型基础上，编码部分利用残差卷积块使网络更深并防止模型退化，提升有效特征的学习；解码部分利用多尺度特征的选择性融合模块自下而上的融合多尺度特征，增加网络对多尺度目标的适应性并聚焦目标区域，提高模型分割的精准度。
-
公开(公告)号：CN114723698A
公开(公告)日：2022-07-08
申请号：CN202210331209.0
申请日：2022-03-30
Applicant: 浙江工业大学
Abstract: 一种基于多尺度注意力网络的脑血管医学图像分割方法，首先将原始的脑血管MRA图像进行预处理，随后训练一个多尺度注意力UNet网络；网络模型上编码部分通过多尺度注意力模块提取脑血管图像的特征，提升有效特征的学习能力；解码部分通过跳级连接融合多尺度特征，提高模型分割的精准度；最后将待分割的测试数据输入训练好的模型得到分割结果并进行三维重建。本发明考虑脑血管在脑部影像中的复杂特点，针对性地提出网络模型进行脑血管影像的分割与三维重建，解决了脑部血管高度复杂、位置形态不一等带来的分割难题，提高MRI脑血管影像的分割精度。
-
Patent Agency Ranking
公开(公告)号：CN113469957A
公开(公告)日：2021-10-01
申请号：CN202110670353.2
申请日：2021-06-17
Applicant: 浙江工业大学
Abstract: 一种基于注意力机制的胰腺CT图像囊性肿瘤检测方法，首先整体框架基于改进Faster R‑cnn网络，对与特征提取主干网络采用ResNet101+FPN结构；构建了一个自下而上的增强特征金字塔，对于FPN生成的多尺度特征图，将其输入到改进的RPN网络中，RPN网络加入注意力机制能有效抑制不重要的信息，来生成更加适合的推荐区域。本发明解决了现有胰腺肿瘤小病灶检测精度不高以及出现的漏检误检难题，检测效果较好。
-
公开(公告)号：CN113469225A
公开(公告)日：2021-10-01
申请号：CN202110666728.8
申请日：2021-06-16
Applicant: 浙江工业大学
Abstract: 一种基于跨域特征相关性分析的图像转换方法，提出了将较易获得的paired但unaligned cross‑domain真实胰腺瘤图像采用为弱标签，并构建了一种基于特征相关性分析的图像转换框架；图像转换模型可将源domain胰腺瘤真实图转换为目标domain合成图，临床表征准确的合成图具有较高的病理诊断价值。在有标签监督的情况下，转换模型的性能通常会被提升；从而，合成图表征更为准确。作为结果，转换前后的真实图/合成图之间的cross‑domain图像特征相关性被该框架分析，并对转换模型的优化提供约束。
-
公开(公告)号：CN113052826A
公开(公告)日：2021-06-29
申请号：CN202110350769.6
申请日：2021-03-31
Applicant: 浙江工业大学
Abstract: 一种多尺度特征选择性融合的胰腺图像分割方法，构建一个两阶段的由粗到细的胰腺分割框架，首先在预处理后的整图上进行粗分割和分割优化得到粗分割结果，确定胰腺分割区域的边界框，对预处理后的图像进行裁剪，再在裁剪图像上进行细分割和分割优化得到胰腺图像的细分割结果；将SE机制和Inception思想引入不同层次的特征融合中，构建了多尺度特征选择性融合模块MSSFM；在Unet模型基础上，编码部分利用残差卷积块使网络更深并防止模型退化，提升有效特征的学习；解码部分利用多尺度特征的选择性融合模块自下而上的融合多尺度特征，增加网络对多尺度目标的适应性并聚焦目标区域，提高模型分割的精准度。
-
公开(公告)号：CN114723698B
公开(公告)日：2025-01-17
申请号：CN202210331209.0
申请日：2022-03-30
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/12 , G06N3/045 , G06N3/0455 , G06N3/0464 , G06N3/084 , G06V10/44 , G06V10/82
Abstract: 一种基于多尺度注意力网络的脑血管医学图像分割方法，首先将原始的脑血管MRA图像进行预处理，随后训练一个多尺度注意力UNet网络；网络模型上编码部分通过多尺度注意力模块提取脑血管图像的特征，提升有效特征的学习能力；解码部分通过跳级连接融合多尺度特征，提高模型分割的精准度；最后将待分割的测试数据输入训练好的模型得到分割结果并进行三维重建。本发明考虑脑血管在脑部影像中的复杂特点，针对性地提出网络模型进行脑血管影像的分割与三维重建，解决了脑部血管高度复杂、位置形态不一等带来的分割难题，提高MRI脑血管影像的分割精度。
-
公开(公告)号：CN113469225B
公开(公告)日：2024-03-22
申请号：CN202110666728.8
申请日：2021-06-16
Applicant: 浙江工业大学
IPC: G06F18/20 , G06F18/213 , G06N3/094 , G06T3/04
Abstract: 一种基于跨域特征相关性分析的图像转换方法，提出了将较易获得的paired但unaligned cross‑domain真实胰腺瘤图像采用为弱标签，并构建了一种基于特征相关性分析的图像转换框架；图像转换模型可将源domain胰腺瘤真实图转换为目标domain合成图，临床表征准确的合成图具有较高的病理诊断价值。在有标签监督的情况下，转换模型的性能通常会被提升；从而，合成图表征更为准确。作为结果，转换前后的真实图/合成图之间的cross‑domain图像特征相关性被该框架分析，并对转换模型的优化提供约束。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
