-
公开(公告)号：CN112132777A
公开(公告)日：2020-12-25
申请号：CN202010802087.X
申请日：2020-08-11
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06T5/40 , G06T5/30 , G06N3/08 , G06N3/04 , G06K9/68 , G06K9/62 , G06K9/32
Abstract: 一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法，包括以下步骤：步骤1：预处理过程；步骤2：全局粗分割过程：采用步骤1所得的最低分辨率的训练样本训练全局粗分割网络，构建全局粗分割网络的初始模型。并输出训练样本的全局粗分割结果；步骤3：局部精分割过程：将全局粗分割结果和步骤一中训练样本进行裁剪，用裁剪过的样本和全局粗分割结果共同来训练精分割网络，构建局部精分割模型；步骤4：全局和局部分割融合过程；步骤5：后处理过程。本发明可以扩大感受野，保证PICC的全局信息；既能获得细节信息，同时减少误分割出现的几率；结构灵活，达到更好的分割效果。
-
公开(公告)号：CN111242288B
公开(公告)日：2023-06-27
申请号：CN202010044826.3
申请日：2020-01-16
Applicant: 浙江工业大学
IPC: G06N3/0464 , G06N3/08 , G06T7/00 , G06T7/10
Abstract: 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，对采集到的图片进行数据增强预处理并划分为训练集和验证集；将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；特征提取向下卷积结束，与编码器特征融合中通道数相同的尺度相同的对应输出拼接融合，每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；把各个尺度的概率进行融合相加，得到最终输出概率；训练神经网络。本发明能够充分利用病变图像的语义信息和局部信息，最终实现病变图像的分割。
-
公开(公告)号：CN111242288A
公开(公告)日：2020-06-05
申请号：CN202010044826.3
申请日：2020-01-16
Applicant: 浙江工业大学
Abstract: 一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，对采集到的图片进行数据增强预处理并划分为训练集和验证集；将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；特征提取向下卷积结束，与编码器特征融合中通道数相同的尺度相同的对应输出拼接融合，每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；把各个尺度的概率进行融合相加，得到最终输出概率；训练神经网络。本发明能够充分利用病变图像的语义信息和局部信息，最终实现病变图像的分割。
-
Patent Agency Ranking
公开(公告)号：CN111275083B
公开(公告)日：2021-06-18
申请号：CN202010040601.0
申请日：2020-01-15
Applicant: 浙江工业大学
Abstract: 一种用于实现残差网络特征数量匹配的优化方法，包括以下步骤：步骤1.由第一个编码器组实现，该编码器包括一个初始卷积层将原始数据中提取16个特征图，再通过一个卷积单元组深化特征，而对应的快捷连接不需要应用通道优化单元，可以直接应用；步骤2.基于特征匹配的多级优化特征卷积编码；步骤3.基于特征匹配的多级优化特征卷积解码；步骤4.通过最后1级解码器组，其输出后设置了卷积层映射对应分类的数量，并在最后设置了Softmax层以对第四维度进行归一化，使得每个体素在所以类别的概率值和为1。本发明解决了在深度学习网络中卷积前面特征图不匹配所导致无法实现残差学习框架，在控制训练代价的同时，保证模型的鲁棒性。
-
公开(公告)号：CN112132777B
公开(公告)日：2024-06-18
申请号：CN202010802087.X
申请日：2020-08-11
Applicant: 浙江工业大学
IPC: G06T7/00 , G06T7/11 , G06T7/136 , G06T5/40 , G06T5/30 , G06V10/774 , G06N3/084 , G06V10/82 , G06V10/25 , G06N3/0464 , G06V30/24 , G06V10/26
Abstract: 一种基于多分辨率感知学习的中心静脉导管分割和尖端定位方法，包括以下步骤：步骤1：预处理过程；步骤2：全局粗分割过程：采用步骤1所得的最低分辨率的训练样本训练全局粗分割网络，构建全局粗分割网络的初始模型。并输出训练样本的全局粗分割结果；步骤3：局部精分割过程：将全局粗分割结果和步骤一中训练样本进行裁剪，用裁剪过的样本和全局粗分割结果共同来训练精分割网络，构建局部精分割模型；步骤4：全局和局部分割融合过程；步骤5：后处理过程。本发明可以扩大感受野，保证PICC的全局信息；既能获得细节信息，同时减少误分割出现的几率；结构灵活，达到更好的分割效果。
-
公开(公告)号：CN111275712A
公开(公告)日：2020-06-12
申请号：CN202010040595.9
申请日：2020-01-15
Applicant: 浙江工业大学
Abstract: 一种面向大尺度图像数据的残差语义网络训练方法，包括以下步骤：步骤1、基于全局训练策略的语义分割模型，过程为：步骤1.1下采样数据和标注；步骤1.2Unet模型训练；步骤1.3基于全局的语义分割模型；步骤2、融合全局模型特征并训练基于局部训练策略的语义分割模型，过程为：步骤2.1从原始尺寸的图像中裁切训练数据块；步骤2.2从训练好的全局模型中裁切全局特征块；步骤2.3基于局部语义分割模型的测试/运用。本发明在保证较高准确率的同时，极大地提高工作效率。
-
公开(公告)号：CN111275712B
公开(公告)日：2022-03-01
申请号：CN202010040595.9
申请日：2020-01-15
Applicant: 浙江工业大学
Abstract: 一种面向大尺度图像数据的残差语义网络训练方法，包括以下步骤：步骤1、基于全局训练策略的语义分割模型，过程为：步骤1.1下采样数据和标注；步骤1.2Unet模型训练；步骤1.3基于全局的语义分割模型；步骤2、融合全局模型特征并训练基于局部训练策略的语义分割模型，过程为：步骤2.1从原始尺寸的图像中裁切训练数据块；步骤2.2从训练好的全局模型中裁切全局特征块；步骤2.3基于局部语义分割模型的测试/运用。本发明在保证较高准确率的同时，极大地提高工作效率。
-
公开(公告)号：CN111275083A
公开(公告)日：2020-06-12
申请号：CN202010040601.0
申请日：2020-01-15
Applicant: 浙江工业大学
Abstract: 一种用于实现残差网络特征数量匹配的优化方法，包括以下步骤：步骤1.由第一个编码器组实现，该编码器包括一个初始卷积层将原始数据中提取16个特征图，再通过一个卷积单元组深化特征，而对应的快捷连接不需要应用通道优化单元，可以直接应用；步骤2.基于特征匹配的多级优化特征卷积编码；步骤3.基于特征匹配的多级优化特征卷积解码；步骤4.通过最后1级解码器组，其输出后设置了卷积层映射对应分类的数量，并在最后设置了Softmax层以对第四维度进行归一化，使得每个体素在所以类别的概率值和为1。本发明解决了在深度学习网络中卷积前面特征图不匹配所导致无法实现残差学习框架，在控制训练代价的同时，保证模型的鲁棒性。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
