-
公开(公告)号：CN118469821A
公开(公告)日：2024-08-09
申请号：CN202410939677.5
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06T3/4053 , G06N3/0464 , G06T3/18 , G06T3/4046 , G06V10/40 , G06V10/80
Abstract: 本申请涉及一种基于扩散模型的医学图像体积超分辨率方法，构建基于扩散模型的医学图像体积超分辨率模型；将医学图像输入至形变流特征提取模块，得到医学图像中相邻层之间的运动形变映射；基于医学图像和各层间的运动形变映射，得到形变估计图像；对形变估计图进行预处理，并将预处理后的形变估计图像分别输入至新型UNet网络中编码器的各层，输出多个特征图；每个特征图均经过复合卷积注意力模块，进行特征融合，分别得到对应的融合特征图；对每个融合特征图进行再次融合，分别得到对应的第二融合特征图；将每个第二融合特征图输入至新型UNet网络中的解码器，输出医学图像的超分辨率图像。该方法提升了图像的细节恢复和分辨率增强效果。
-
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。
-
Patent Agency Ranking
公开(公告)号：CN118469821B
公开(公告)日：2024-09-13
申请号：CN202410939677.5
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06T3/4053 , G06N3/0464 , G06T3/18 , G06T3/4046 , G06V10/40 , G06V10/80
Abstract: 本申请涉及一种基于扩散模型的医学图像体积超分辨率方法，构建基于扩散模型的医学图像体积超分辨率模型；将医学图像输入至形变流特征提取模块，得到医学图像中相邻层之间的运动形变映射；基于医学图像和各层间的运动形变映射，得到形变估计图像；对形变估计图进行预处理，并将预处理后的形变估计图像分别输入至新型UNet网络中编码器的各层，输出多个特征图；每个特征图均经过复合卷积注意力模块，进行特征融合，分别得到对应的融合特征图；对每个融合特征图进行再次融合，分别得到对应的第二融合特征图；将每个第二融合特征图输入至新型UNet网络中的解码器，输出医学图像的超分辨率图像。该方法提升了图像的细节恢复和分辨率增强效果。
-
公开(公告)号：CN118470254B
公开(公告)日：2024-10-18
申请号：CN202410940189.6
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06T17/20 , G06N3/042 , G06N3/0464 , G06N3/08 , G06T19/20 , G06T3/18 , G06T3/4038 , G06V10/40 , G06V10/82
Abstract: 本申请涉及一种基于自适应模板的三维网格重建方法，该方法包括：构建三维网格重建模型；获取目标医学图像，通过特征提取模块对目标医学图像进行特征提取，得到多个不同尺度的特征图谱；GCN网格解码模块基于最小尺度的特征图谱构建自适应差分模板网格；构造平均模板网格，基于自适应差分模板网格和平均模板网格得到自适应模板网格；体素‑点云映射模块将各所述特征图谱上的体素特征分别转化为对应顶点的空间域特征；GCN网格形变模块基于所有的空间域特征对自适应模板网格进行变形，得到目标医学图像对应的三维表面网格。该方法解决了在复杂解剖结构的重建中因采用固定模板存在的局限性问题。
-
公开(公告)号：CN118470254A
公开(公告)日：2024-08-09
申请号：CN202410940189.6
申请日：2024-07-15
Applicant: 湖南大学
IPC: G06T17/20 , G06N3/042 , G06N3/0464 , G06N3/08 , G06T19/20 , G06T3/18 , G06T3/4038 , G06V10/40 , G06V10/82
Abstract: 本申请涉及一种基于自适应模板的三维网格重建方法，该方法包括：构建三维网格重建模型；获取目标医学图像，通过特征提取模块对目标医学图像进行特征提取，得到多个不同尺度的特征图谱；GCN网格解码模块基于最小尺度的特征图谱构建自适应差分模板网格；构造平均模板网格，基于自适应差分模板网格和平均模板网格得到自适应模板网格；体素‑点云映射模块将各所述特征图谱上的体素特征分别转化为对应顶点的空间域特征；GCN网格形变模块基于所有的空间域特征对自适应模板网格进行变形，得到目标医学图像对应的三维表面网格。该方法解决了在复杂解剖结构的重建中因采用固定模板存在的局限性问题。
-
公开(公告)号：CN117058160B
公开(公告)日：2024-01-16
申请号：CN202311313587.7
申请日：2023-10-11
Applicant: 湖南大学
Abstract: 本发明公开了基于自适应特征融合网络的三维医学图像分割方法及系统，首先构建自适应特征融合网络，包括编码器、解码器和长跳跃链接，长跳跃链接上设置了DAM模块，将三维医学图像输入至编码器中的若干个编码块进行逐级下采样，相应输出若干个不同尺寸的下采样特征图；将下采样特征图输入至各自对应的DAM模块处理，输出对应的融合后的长跳跃链接信息；解码器中的若干个解码块分别接收与各自相邻的下一层解码块输出的聚合后特征图以及对应的融合后的长跳跃链接信息并聚合，将最上层解码块输出的聚合后特征图作为从三维医学图像中分割出来的目标图像。该方法可提高编码器收集(56)对比文件Yue Zhang et al..Multi-Modal TumorSegmentation With Deformable Aggregationand Uncertain Region Inpainting《.IEEETransactions on Medical Imaging》.2023,第42卷第3091-3103页.Narinder Singh Punn et al..RCA-IUnet:a residual cross-spatial attention-guidedinception U-Net model for tumorsegmentation in breast ultrasoundimaging《.Machine Vision andApplications》.2022,第1-10页.Hao Sun et al..Deformable AttentionU-Shaped Network with ProgressivelySupervised Learning for SubarachnoidHemorrhage Image Segmentation《.2022 IEEEInternational Conference onBioinformatics and Biomedicine (BIBM)》.2023,第1734-1739页.李富豪.基于卷积神经网络的鼻腔鼻窦肿瘤图像分割《.中国优秀硕士学位论文全文数据库医药卫生科技》.2023,全文.
-
公开(公告)号：CN117058160A
公开(公告)日：2023-11-14
申请号：CN202311313587.7
申请日：2023-10-11
Applicant: 湖南大学
Abstract: 本发明公开了基于自适应特征融合网络的三维医学图像分割方法及系统，首先构建自适应特征融合网络，包括编码器、解码器和长跳跃链接，长跳跃链接上设置了DAM模块，将三维医学图像输入至编码器中的若干个编码块进行逐级下采样，相应输出若干个不同尺寸的下采样特征图；将下采样特征图输入至各自对应的DAM模块处理，输出对应的融合后的长跳跃链接信息；解码器中的若干个解码块分别接收与各自相邻的下一层解码块输出的聚合后特征图以及对应的融合后的长跳跃链接信息并聚合，将最上层解码块输出的聚合后特征图作为从三维医学图像中分割出来的目标图像。该方法可提高编码器收集的不同层别信息的融合程度，且适用于多个不同尺度的分割目标。
-
-
-
-
-
-
Search Results
7
records
(took 0.015 seconds)
