-
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：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
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
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
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：CN117994521B
公开(公告)日：2025-05-23
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。
-
Patent Agency Ranking
公开(公告)号：CN117495872B
公开(公告)日：2025-05-09
申请号：CN202311370730.6
申请日：2023-10-23
Applicant: 湖南科技大学
IPC: G06T7/10 , G06V10/44 , G06V10/42 , G06N3/0455 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于交叉增强自注意力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)构建一种基于交叉增强自注意力的编解码网络，在编码器中引入对称块融合模块和交叉增强自注意力模块，充分提取图像局部和全局信息；(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。本发明可有效建立图像长距离和短距离依赖关系，对于边界模糊、形状不规则的目标区域，均可获得精确的分割结果。
-
公开(公告)号：CN117495872A
公开(公告)日：2024-02-02
申请号：CN202311370730.6
申请日：2023-10-23
Applicant: 湖南科技大学
IPC: G06T7/10 , G06V10/44 , G06V10/42 , G06N3/0455 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于交叉增强自注意力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)构建一种基于交叉增强自注意力的编解码网络，在编码器中引入对称块融合模块和交叉增强自注意力模块，充分提取图像局部和全局信息；(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。本发明可有效建立图像长距离和短距离依赖关系，对于边界模糊、形状不规则的目标区域，均可获得精确的分割结果。
-
公开(公告)号：CN113177952A
公开(公告)日：2021-07-27
申请号：CN202110460331.3
申请日：2021-04-27
Applicant: 湖南科技大学
Abstract: 本发明公开了一种基于方向信息的腹部CT图像肝脏区域自动分割方法，包括：(1)建立包含原始CT图像和肝脏区域手动分割结果的训练数据集A；(2)根据肝脏区域手动分割结果，获取指向肝脏边界的方向，建立包含原始CT图像和方向信息的训练数据集B；(3)分别将训练数据集A和B输入深度神经网络模型进行训练，得到权重参数不同的两种模型NA和NB；(4)将待检测CT图像分别输入已训练的模型NA和NB，得到肝脏初始分割结果和指向肝脏边界的方向信息；(5)利用方向信息指导肝脏初始分割结果进行收缩或扩张，得到最终的肝脏区域精确分割结果。本发明可有效解决CT图像边界模糊、结构复杂、灰度多样等引起的欠分割或过分割问题，提高肝脏分割精度。
-
公开(公告)号：CN110619643A
公开(公告)日：2019-12-27
申请号：CN201910874429.6
申请日：2019-09-17
Applicant: 湖南科技大学
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：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
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。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.017 seconds)
