公开(公告)号：CN116870377A

公开(公告)日：2023-10-13

申请号：CN202310844686.1

申请日：2023-07-10

Applicant: 湖南科技大学

Inventor： 廖苗 ,  邸拴虎 ,  梁伟 ,  赵于前 ,  杨振

IPC: A61N5/10

Abstract: 本发明公开了一种基于深度学习的肝脏肿瘤放疗剂量预测方法，其实施方案为：1)收集精准放疗计划数据，包括CT图像、序列图像、危及器官与肿瘤区域轮廓、射束信息图像和剂量分布图像；2)构建基于特征融合和交互注意力的剂量预测模型；3)构建损失函数；4)训练剂量预测模型；5)剂量预测。本发明构建的肝脏肿瘤放疗剂量预测模型，通过引入射束信息获取病人的射野方向信息和射线穿透区域剂量信息，设计多输入特征提取和特征融合模块实现不同输入信息的多尺度融合，设计交互注意力模块突出多尺度特征中的关键信息，提升了模型预测的准确性，有助于提高精准放疗计划的设计质量和效率。

公开(公告)号：CN116721253A

公开(公告)日：2023-09-08

申请号：CN202310687349.6

申请日：2023-06-12

Applicant: 湖南科技大学

Inventor： 廖苗 ,  邸拴虎 ,  唐红亮 ,  梁伟 ,  赵于前

IPC: G06V10/26 ,  G06V10/44 ,  G06V10/52 ,  G06V10/764 ,  G06V10/80 ,  G06V10/82 ,  G06T7/00 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于深度学习的腹部CT图像多器官分割方法，具体实现为：(1)构建包含腹部CT图像和其对应的多器官分割结果的训练数据集；(2)设计一种基于双自注意力机制和多尺度特征融合的分割网络；(3)结合Dice损失与Focal损失构建网络损失函数；(4)利用训练数据集对网络进行训练；(5)运用训练好的网络分割腹部CT图像中的各器官区域。本发明通过采用双注意力和多尺度特征融合机制，可在引入非常少量的参数及浮点计算次数的情况下，更具针对性地建立长距离依赖，解决形状不规则的长条形器官分割精度低的问题。

公开(公告)号：CN109753997A

公开(公告)日：2019-05-14

申请号：CN201811553883.3

申请日：2018-12-19

Applicant: 湖南科技大学

Inventor： 廖苗 ,  赵于前 ,  杨振 ,  廖胜辉

IPC: G06K9/62

Abstract: 本发明公开了一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，包括：(1)对CT图像进行预处理，提取其中的肝脏区域；(2)运用基于LI-SLIC的图像超像素分割方法对肝脏区域进行多层级迭代分割，将肝脏中灰度和纹理较为一致的区域划分为同一超像素，获取正常肝实质与肝脏肿瘤之间的边界；(3)根据图像局部灰度和纹理特征，对肝脏区域的每一个像素点进行正常肝实质/肝脏肿瘤二分类；(4)根据肝脏区域像素点分类结果对步骤(2)生成的超像素进行分类，得到最终的肝脏肿瘤分割结果。本发明可有效解决因CT成像噪声以及CT图像中肝脏肿瘤边界模糊、结构复杂、灰度多样等带来的分割困难，提高肝脏疾病计算机辅助诊断的效率和精度。

公开(公告)号：CN108596887A

公开(公告)日：2018-09-28

申请号：CN201810341254.8

申请日：2018-04-17

Applicant: 湖南科技大学

Inventor： 廖苗 ,  赵于前 ,  刘毅志 ,  方志雄 ,  欧阳军林

IPC: G06T7/00 ,  G06T7/11 ,  G06T7/194 ,  G06T5/00 ,  G06T5/30 ,  G06T5/40

Abstract: 本发明公开了一种腹部CT序列图像肝脏肿瘤自动分割方法。包括如下步骤：预处理步骤，对腹部CT序列图像进行预处理，获取其中的肝脏区域；肝脏增强步骤，根据肝脏区域灰度分布特性，采用分段非线性增强和迭代卷积操作提高正常肝实质与肿瘤组织的对比度；自动分割步骤，利用增强结果，结合图像边界信息，构建多目标分割的图割能量函数，采用最优化算法最小化能量函数，获取肝脏肿瘤初步自动分割结果；后处理步骤，采用三维数学形态学开操作对初步分割结果进行优化，去除其中的误分割区域，提高分割精度。本发明有助于放射科专家和外科医师及时有效地获取肝脏肿瘤的整体信息和三维显示，为肝脏疾病计算机辅助诊断和治疗提供技术支持。

公开(公告)号：CN117495871A

公开(公告)日：2024-02-02

申请号：CN202311370507.1

申请日：2023-10-23

Applicant: 湖南科技大学

Inventor： 廖苗 ,  唐红亮 ,  杨睿新 ,  邸拴虎 ,  赵于前

IPC: G06T7/10 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于残差解码结构的医学图像分割方法，具体实现为：(1)建立包含原始图像和其对应分割金标准的训练数据集；(2)构建一种基于残差解码结构的编解码网络，该网络在编码路径中采用无损下采样降低图像分辨率、扩大网络感受野，同时在解码器中引入注意力门和卷积注意力对不同来源特征进行深度挖掘与提取，并引入残差连接，将不同解码阶段的特征进行融合；(4)利用训练数据集对网络进行训练，直至预先设定的损失函数收敛；(5)运用训练好的网络对待分割的图像进行测试，得到分割结果。本发明可有效解决现有下采样操作造成的信息丢失问题，充分挖掘特征的相互依赖关系，获得精确的分割结果。

公开(公告)号：CN116958080A

公开(公告)日：2023-10-27

申请号：CN202310884710.4

申请日：2023-07-19

Applicant: 湖南科技大学

Inventor： 廖苗 ,  伍蕙珠 ,  邸拴虎 ,  赵于前

IPC: G06T7/00 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于二阶段网络的CT序列图像肺结节检测方法，具体实现为：(1)建立包含原始CT序列图像和其对应的肺结节标注的训练数据集；(2)构建一种用于肺结节检测的二阶段网络，包含一个用于提取候选肺结节的U形主网络和一个用于生成肺结节假阳性抑制掩摸的寄生网络；(3)构建一种带边缘的交叉熵损失函数；(4)利用训练数据集对网络进行训练；(5)运用训练好的网络对待检测的CT序列图像进行测试，获得肺结节检测结果。本发明通过采用一个二阶段的网络，可有效抑制假阳性结节，提高肺结节检测精度。

公开(公告)号：CN115690066A

公开(公告)日：2023-02-03

申请号：CN202211403625.3

申请日：2022-11-10

Applicant: 湖南科技大学

Inventor： 廖苗 ,  邸拴虎 ,  梁伟 ,  赵于前 ,  杨振 ,  曾业战

IPC: G06T7/00 ,  G06T7/11 ,  G06V10/774 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种腹部CT序列图像中的肝脏区域自动精确分割方法，主要包括：(1)对于待检测CT序列，首先从矢状面、冠状面和横切面三个视图方向重构二维切片；(2)采用基于空洞空间金字塔卷积的U型2D卷积网络对不同视图方向的二维切片进行分割；(3)采用一种轻量级的3D卷积网络对不同视图方向的分割结果进行融合，获取CT序列中各体素属于目标的概率；(5)根据所获取的概率，构建全连接条件随机场能量函数，通过最小化能量函数获取精确的肝脏分割结果。本发明通过融合不同视图方向信息，提取CT序列三维特征，并通过引入全连接条件随机场，获得三维肝脏分割结果，准确性高、鲁棒性强。

公开(公告)号：CN110619643B

公开(公告)日：2022-04-08

申请号：CN201910874429.6

申请日：2019-09-17

Applicant: 湖南科技大学

Inventor： 廖苗 ,  赵于前 ,  邸拴虎 ,  刘毅志 ,  刘建勋

IPC: G06T7/11

Abstract: 本发明公开了一种基于局部信息的区域生长图像分割方法，包括：首先，在图像目标区域选取一个种子点；然后，以该种子点为起点，利用像素局部信息，并采用不同尺度的生长准则对图像进行多尺度区域生长，且在每一次区域生长中利用中间结果的R、G、B色彩均值和标准差动态更新生长准则；最后，采用Kullback‑Leibler散度计算相邻两次区域生长结果的概率分布差异，当差异值大于预设阈值时，取上一次区域生长结果作为最终分割结果。本发明方法对噪声不敏感，可有效分割目标边界模糊、灰度不均一、纹理丰富的图像，分割精度高、鲁棒性强。

公开(公告)号：CN114066866A

公开(公告)日：2022-02-18

申请号：CN202111390961.4

申请日：2021-11-23

Applicant: 湖南科技大学

Inventor： 廖苗 ,  邸拴虎 ,  杨文瀚 ,  赵于前 ,  杨振 ,  曾业战

IPC: G06T7/00 ,  G06T7/136 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/82 ,  G06V10/774

Abstract: 本发明公开了一种基于深度学习的医学图像自动分割方法，具体实现为：(1)获取病人原始医学图像与目标区域手动分割结果，构建与分割任务相关的训练数据集；(2)设计一种融合残差模块与注意力机制的深度U形卷积神经网络模型；(3)利用Dice与二元交叉熵构建混合损失函数；(4)利用训练数据集进行网络训练；(5)用训练好的网络分割测试图像中的目标区域。本发明是一种端到端的医学图像全自动分割方法，可有效解决目前深度学习图像分割领域中存在的分割边界模糊，小目标检出率较低，训练过程不稳定，收敛困难等问题。

公开(公告)号：CN119887582A

公开(公告)日：2025-04-25

申请号：CN202510370165.6

申请日：2025-03-27

Applicant: 湖南科技大学

Inventor： 廖苗 ,  张添铸 ,  龚波 ,  梁伟 ,  赵于前

IPC: G06T5/73 ,  G06T5/60 ,  G06T5/50 ,  G06T3/4038 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明涉及计算机图像处理技术领域，具体公开了一种基于拉普拉斯金字塔的双分支去雾方法，包括如下步骤：S1、建立包含原始清晰图像和对应的有雾图像的训练数据集A；S2、对输入图像进行裁剪和数据增强处理；S3、构建基于拉普拉斯金字塔的去雾网络LPSDNet，去雾网络LPSDNet包括多特征融合聚焦分支和拉普拉斯金字塔补充分支，两分支完成特征提取后，通过可学习融合模块来融合两分支所学习的特征；S4、采用训练数据集A对去雾网络LPSDNet进行训练，直至预先设置的损失函数收敛；结合目标函数得到训练好的去雾网络LPSDNet；S5、将待去雾的图像输入训练好的去雾网络LPSDNet进行测试和验证，得到去雾结果。本发明可充分捕获图像的全局结构信息，防止出现失真现象。