-
公开(公告)号：CN109492636B
公开(公告)日：2021-08-03
申请号：CN201811154088.7
申请日：2018-09-30
Applicant: 浙江工业大学
Abstract: 一种基于自适应感受野深度学习的目标检测方法，包括以下步骤：步骤1：在网上采集图片作为数据集；步骤2：对采集到的图片进行预处理；步骤3：对采集到的图片按照设定的比例进行划分；步骤4：将训练集输入到网络中，进行训练；步骤5：在基底网络提取特征的基础上，用一个浅层的网络进行预测；步骤6：在基底网络提取特征的基础上，使用RPN网络提取ROIs；步骤7:将步骤5预测到结果作用到步骤6提取到的ROIs上；步骤8:将步骤7面积调整后的ROIs进行区域归一化操作；步骤9:将步骤8的结果分别输入到两个全连接层中，分别进行ROIs位置的回归训练以及ROIs的分类训练。本发明提高深度神经网络的性能。
-
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：CN111242958B
公开(公告)日：2022-04-08
申请号：CN202010040605.9
申请日：2020-01-15
Applicant: 浙江工业大学
IPC: G06T7/11
Abstract: 一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：步骤1、通过初始分割模型获得预分割S；步骤2、基于分割子区域的距离来优化分割；步骤3、基于中心线端点距离来优化分割；步骤4、基于血管方向和中心线端点向量夹角来优化分割；基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后，得到优化后的三个分割结果(P’、G’、C’)；步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。本发明利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况。
-
公开(公告)号：CN112102373B
公开(公告)日：2024-12-17
申请号：CN202010742845.3
申请日：2020-07-29
Applicant: 浙江工业大学
IPC: G06T7/30 , G06N3/08 , G06T3/02 , G06V10/82 , G06N3/0464 , G06V10/774
Abstract: 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法，将医学图像数据输入卷积网络中，并将固定图像以及移动图像输入到训练好的网络中，获得可变性位移变形场DVF(Deformable vector field)，在获得DVF的基础上，引入强约束形的仿射模块，用以获得全局性的仿射变换，将DVF和仿射变换结合获得新的网格DA grid(DVF和仿射变换结合网格)。本发明利用神经网络训练产生可变性形变场之外，在同一网络模型当中得到基于全局性的仿射变形，提高了图像配准的速度和精度。
-
Patent Agency Ranking
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：CN112102373A
公开(公告)日：2020-12-18
申请号：CN202010742845.3
申请日：2020-07-29
Applicant: 浙江工业大学
Abstract: 一种基于强约束仿射形变特征学习的颈动脉多模态图像配准方法，将医学图像数据输入卷积网络中，并将固定图像以及移动图像输入到训练好的网络中，获得可变性位移变形场DVF(Deformable vector field)，在获得DVF的基础上，引入强约束形的仿射模块，用以获得全局性的仿射变换，将DVF和仿射变换结合获得新的网格DA grid(DVF和仿射变换结合网格)。本发明利用神经网络训练产生可变性形变场之外，在同一网络模型当中得到基于全局性的仿射变形，提高了图像配准的速度和精度。
-
公开(公告)号：CN111242958A
公开(公告)日：2020-06-05
申请号：CN202010040605.9
申请日：2020-01-15
Applicant: 浙江工业大学
IPC: G06T7/11
Abstract: 一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：步骤1、通过初始分割模型获得预分割S；步骤2、基于分割子区域的距离来优化分割；步骤3、基于中心线端点距离来优化分割；步骤4、基于血管方向和中心线端点向量夹角来优化分割；基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后，得到优化后的三个分割结果(P’、G’、C’)；步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。本发明利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况。
-
公开(公告)号：CN110929747A
公开(公告)日：2020-03-27
申请号：CN201910935103.X
申请日：2019-09-29
Applicant: 浙江工业大学
Abstract: 一种磁共振图像偏移场校正与组织分割合并方法，采用图像模型找到图像的乘法故有分量b和J的问题，将问题转换成能量最小化即能量函数拥有最小值；图像数据集特征值选取及距离矩阵计算；DBSCAN框架聚类算法求聚类数目；乘法固有分量优化迭代运算；偏移场估计与组织分割结果。本发明提供一种无需先验知识、自动获取图像聚类数目、减少人工干预的磁共振图像偏移场校正与组织分割合并方法。
-
公开(公告)号：CN109492636A
公开(公告)日：2019-03-19
申请号：CN201811154088.7
申请日：2018-09-30
Applicant: 浙江工业大学
Abstract: 一种基于自适应感受野深度学习的目标检测方法，包括以下步骤：步骤1：在网上采集图片作为数据集；步骤2：对采集到的图片进行预处理；步骤3：对采集到的图片按照设定的比例进行划分；步骤4：将训练集输入到网络中，进行训练；步骤5：在基底网络提取特征的基础上，用一个浅层的网络进行预测；步骤6：在基底网络提取特征的基础上，使用RPN网络提取ROIs；步骤7:将步骤5预测到结果作用到步骤6提取到的ROIs上；步骤8:将步骤7面积调整后的ROIs进行区域归一化操作；步骤9:将步骤8的结果分别输入到两个全连接层中，分别进行ROIs位置的回归训练以及ROIs的分类训练。本发明提高深度神经网络的性能。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
