-
公开(公告)号：CN118469839A
公开(公告)日：2024-08-09
申请号：CN202410941877.4
申请日：2024-07-15
Applicant: 湖南大学
Abstract: 本发明公开了一种基于边缘增强采样的机器人手术多源影像融合方法，使用改进多方向Sobel算子处理输入图像得到初步边缘特征图，利用双编码器对输入图像及初步边缘特征图进行编码，将每阶段编码结果输入边缘注意力增强模块计算出不同阶段边缘特征图的注意力权重，并与相同阶段输入特征进行融合，得到每阶段的边缘增强特征图；利用特征多阶融合模块使不同阶段的边缘增强特征图相融合，将输出与同阶段解码器跳接，提取二维术中影像解剖标志物的特征；使用多点透视成像模型计算提取到的二维术中解剖特征与已知的三维术前影像解剖特征间的转换矩阵，预测二维术中影像在三维术前影像中的位姿，实现机器人手术多源影像解剖特征的配准融合。
-
Patent Agency Ranking
公开(公告)号：CN118864562A
公开(公告)日：2024-10-29
申请号：CN202411345689.1
申请日：2024-09-26
Applicant: 湖南大学
IPC: G06T7/593 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种基于逐级长程捕捉与细节恢复的轻量双目立体匹配方法，构建轻量双目立体匹配模型并优化模型；获取输入图像，经过轻量特征提取器提取输入视图的特征获取分辨率不同的一组特征；级联与组代价体构建模块用于根据提取的特征分别构建不同尺度的级联代价体与组代价体；密集尺度感知融合模块通过迭代的方式对不同尺度的组代价体进行融合和上采样；长程感知融合模块使用组代价体约束级联代价体，获取新的融合后的代价体特征，再使用沙漏型的卷积模块进行聚合，将之上采样并与对应的新组代价体融合，得到最终的代价体；对最终代价体使用稀疏视差回归，并使用上采样方法恢复最终分辨率的视差图。模型超轻量，且有效提高实时性和泛化性能。
-
公开(公告)号：CN118736225A
公开(公告)日：2024-10-01
申请号：CN202410851305.7
申请日：2024-06-28
Applicant: 湖南大学
IPC: G06V10/26 , G06V10/774 , G06N3/084 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06V10/776 , G06N3/0985
Abstract: 本发明公开了一种基于自适应动态数据增广的医学影像域泛化分割方法，构建不同源域医学影像样本库，并按不同源域划分数据集；针对医学影像的特点构建数据增广策略搜索模型并初始化；利用伯努利分布和范畴分布分别对两个搜索空间的增广操作和子策略进行采样，得到采样子策略，并应用到数据集上进行增广，搭建分割模型和域预测器，将增广后的数据集输入到分割模型中进行训练，通过域预测器预测；基于预设的损失函数，利用交替微分和熵正则化最优传输理论对增广策略搜索模型优化，利用最小化交叉熵损失对域预测器进行优化，将满足三重联合优化的策略作为最优增广策略，并应用到分割模型中获得最终的医学影像分割结果。提高模型的泛化性能和鲁棒性。
-
公开(公告)号：CN118469839B
公开(公告)日：2024-09-27
申请号：CN202410941877.4
申请日：2024-07-15
Applicant: 湖南大学
Abstract: 本发明公开了一种基于边缘增强采样的机器人手术多源影像融合方法，使用改进多方向Sobel算子处理输入图像得到初步边缘特征图，利用双编码器对输入图像及初步边缘特征图进行编码，将每阶段编码结果输入边缘注意力增强模块计算出不同阶段边缘特征图的注意力权重，并与相同阶段输入特征进行融合，得到每阶段的边缘增强特征图；利用特征多阶融合模块使不同阶段的边缘增强特征图相融合，将输出与同阶段解码器跳接，提取二维术中影像解剖标志物的特征；使用多点透视成像模型计算提取到的二维术中解剖特征与已知的三维术前影像解剖特征间的转换矩阵，预测二维术中影像在三维术前影像中的位姿，实现机器人手术多源影像解剖特征的配准融合。
-
公开(公告)号：CN114693935A
公开(公告)日：2022-07-01
申请号：CN202210395449.7
申请日：2022-04-15
Applicant: 湖南大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06K9/62 , G06T7/10
Abstract: 本发明公开了一种基于自动数据增广的医学图像分割方法，包括：S1、将原始训练集按照设定比例随机划分为训练集和验证集；S2、构建数据增广搜索空间，得到采样子策略；S3、将采样子策略在训练集上进行训练，在每次迭代中，通过随机梯度下降更新网络权重，将更新后的网络权重用来计算验证集损失，通过近端迭代更新策略参数，当验证集损失最小时，得到数据增广子策略；S4、在重训练阶段，将数据增广子策略应用在原始训练集上进行数据增广，在增广后的训练集上进行训练，获得最优的网络权重，采用该网络权重进行推理，得到目标区域。本发明采用的算法在基本网络架构下实现了先进的性能，该算法的搜索策略的效率至少提高了一个数量级。
-
公开(公告)号：CN118864562B
公开(公告)日：2025-01-03
申请号：CN202411345689.1
申请日：2024-09-26
Applicant: 湖南大学
IPC: G06T7/593 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06V10/80
Abstract: 本发明公开了一种基于逐级长程捕捉与细节恢复的轻量双目立体匹配方法，构建轻量双目立体匹配模型并优化模型；获取输入图像，经过轻量特征提取器提取输入视图的特征获取分辨率不同的一组特征；级联与组代价体构建模块用于根据提取的特征分别构建不同尺度的级联代价体与组代价体；密集尺度感知融合模块通过迭代的方式对不同尺度的组代价体进行融合和上采样；长程感知融合模块使用组代价体约束级联代价体，获取新的融合后的代价体特征，再使用沙漏型的卷积模块进行聚合，将之上采样并与对应的新组代价体融合，得到最终的代价体；对最终代价体使用稀疏视差回归，并使用上采样方法恢复最终分辨率的视差图。模型超轻量，且有效提高实时性和泛化性能。
-
-
-
-
-
Search Results
6
records
(took 0.016 seconds)
