-
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
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：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
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：CN114066866B
公开(公告)日：2024-04-26
申请号：CN202111390961.4
申请日：2021-11-23
Applicant: 湖南科技大学
IPC: G06T7/00 , G06T7/136 , G06N3/048 , G06N3/0464 , 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：CN115841457A
公开(公告)日：2023-03-24
申请号：CN202211403502.X
申请日：2022-11-10
Applicant: 湖南科技大学
IPC: G06T7/00 , G06T7/11 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合多视图信息的三维医学图像分割方法，主要包括：(1)对于待检测三维医学图像，分别从矢状面、冠状面和横切面三个视图方向重构二维切片图像；(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，得到精确的三维分割结果。本发明可有效克服2D网络无法提取三维空间特征、3D网络内存开销大的问题，可在轻量化网络的情况下，获得精确的分割结果。
-
公开(公告)号：CN114240962A
公开(公告)日：2022-03-25
申请号：CN202111390808.1
申请日：2021-11-23
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法，包括：(1)对训练数据进行预处理，包括图像裁剪和窗宽、窗位调整；(2)构建一种新的融合残差模块和注意力机制的U形深度卷积网络模型；(3)结合Dice与二元交叉熵构建网络的损失函数；(4)采用预处理后的训练数据进行网络训练；(5)对测试图像进行预处理，并利用训练好的网络分割其中的肝脏肿瘤区域。本发明是一种全自动的肝脏肿瘤分割方法，通过图像预处理以及在Unet网络中引入了残差模块与注意力机制，解决了肝脏肿瘤、分割中分割边界模糊，小型肿瘤难以检出的难题，有效提升了肝脏肿瘤的分割精度。
-
Patent Agency Ranking
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
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：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
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：CN117994521A
公开(公告)日：2024-05-07
申请号：CN202410223412.5
申请日：2024-02-28
Applicant: 湖南科技大学
IPC: G06V10/26 , G06V10/42 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048
Abstract: 本发明公开了一种基于双尺度混合网络的腹部CT图像多器官分割方法，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)构建一种基于双尺度的混合编解码网络，其中编码器采用双尺度输入，通过充分利用Transformer和CNN优势，提取图像多尺度特征，解码器则通过逐步融合不同尺度特征获取精确的分割结果；(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。本发明可在编码端不同层级充分提取图像局部和全局信息，可适应形态多样、结构复杂的腹部器官，获取精确的分割结果。
-
公开(公告)号：CN114549336B
公开(公告)日：2024-05-03
申请号：CN202111410673.0
申请日：2021-11-25
Applicant: 湖南科技大学
Abstract: 本发明公开了一种无监督图像去雾方法，包括：(1)构建雾霾环境下的图像成像模型，即雾图成像模型；(2)构建图像局部子块的雾图成像简化模型，并根据子块中像素的线性分布特性，采用主成分分析求解图像大气光矢量的方向；(3)采用四叉树子空间层次搜索法求解雾图中的大气光矢量的幅值；(4)根据已求解的大气光矢量值，求解雾图中每个像素的透射率；(5)运用已求解的大气光矢量和透射率，对雾图成像模型进行逆向求解，得到去雾后的真实场景图像。本发明针对单幅图像进行去雾，不涉及复杂的训练过程，可有效去除图像中的雾霾干扰，获得清晰、细节丰富的图像，克服去雾后图像颜色过度饱和光晕等问题。
-
公开(公告)号：CN114240962B
公开(公告)日：2024-04-16
申请号：CN202111390808.1
申请日：2021-11-23
Applicant: 湖南科技大学
IPC: G06T7/11 , G06T7/136 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的CT图像肝脏肿瘤区域自动分割方法，包括：(1)对训练数据进行预处理，包括图像裁剪和窗宽、窗位调整；(2)构建一种新的融合残差模块和注意力机制的U形深度卷积网络模型；(3)结合Dice与二元交叉熵构建网络的损失函数；(4)采用预处理后的训练数据进行网络训练；(5)对测试图像进行预处理，并利用训练好的网络分割其中的肝脏肿瘤区域。本发明是一种全自动的肝脏肿瘤分割方法，通过图像预处理以及在Unet网络中引入了残差模块与注意力机制，解决了肝脏肿瘤、分割中分割边界模糊，小型肿瘤难以检出的难题，有效提升了肝脏肿瘤的分割精度。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.024 seconds)
