-
公开(公告)号：CN107103187B
公开(公告)日：2020-12-29
申请号：CN201710230623.1
申请日：2017-04-10
Abstract: 本发明公开基于深度学习的肺结节检测分级与管理的方法，其特征在于：包括以下步骤：S100：采集胸部超低剂量螺旋CT薄层图像，勾画出CT图像中的肺区域，并标注出肺区域中的所有肺结节；S200：训练肺区域分割网络、疑似肺结节检测网络和肺结节筛选分级网络；S300：获取图像集中所有病人的肺结节时序序列和其所对应的分级信息标注，构造肺结节管理数据库；S400：训练基于三维卷积神经网络和长短期记忆网络的肺癌诊断网络。本发明基于深度学习，训练肺区域分割网络、疑似肺结节检测网络、肺结节筛选分级网络和肺癌诊断网络，准确的检测到肺结节，并结合后续的跟踪随访，得到更精准的诊断信息及临床策略。
-
公开(公告)号：CN119942112A
公开(公告)日：2025-05-06
申请号：CN202510000599.7
申请日：2025-01-02
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06V20/70
Abstract: 本发明公开一种图像分割大模型、预训练方法及相关装置，应用于图像识别技术，针对现有的基于深度学习的图像分割模型对大规模标注数据的依赖性和在小样本分割任务上的性能低的问题；本发明采用一种基于图像融合的伪分割方式，实现从大量无标注图像中的分割模型预训练，是通过以下技术方案来实现的：首先通过卷积和Transformer并行模块建立图像分割网络结构DCT‑Net，然后在无标注数据集中通过双视角数据增广得到待融合的训练图像对，接着对增广后的图像利用分块离散融合系数进行融合，得到融合后的图像。在此基础上将融合后的图像作为模型输入，融合系数图作为分割目标，建立伪分割任务对分割模型进行预训练。经过预训练后的模型在下游分割任务中，利用少量标注图像进行微调。本发明能克服传统基于深度学习的图像分割模型所需的标注成本高昂、小样本训练集上分割性能差的问题，可以有效降低模型所需标注量，并且提高其收敛速度和分割性能。
-
公开(公告)号：CN116524194A
公开(公告)日：2023-08-01
申请号：CN202310591789.1
申请日：2023-05-24
Applicant: 电子科技大学
IPC: G06V10/26 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/0895 , G06T7/10
Abstract: 该发明公开了一种基于图像级别标签的弱监督图像分割方法，属于图像处理方法。现有的大部分弱监督分割方法都需要额外的任务或者显著图来帮助训练，而额外的任务会增加模型参数和训练时间，不同数据集的显著图的生成效果不一致。本发明提出的弱监督学习方法不需要额外的任务辅助，也不需要显著图，使用一种简单而有效的多层次分类网络产生高质量的类别激活图，而后使用类别概率图融合方法提升伪标签的质量，整个过程更为简洁高效。现有的大部分方法直接使用伪标签训练图像分割网络，忽略了伪标签中的噪声对分割模型性能的限制。利用三个模型相互学习监督，可以有效地降低噪声伪标签带来的影响，得到最终高质量的分割模型。
-
公开(公告)号：CN114240955B
公开(公告)日：2023-04-07
申请号：CN202111576690.1
申请日：2021-12-22
Applicant: 电子科技大学
IPC: G06T7/10 , G06N3/0464 , G06N3/0455 , G06N3/0895
Abstract: 本发明涉及的是一种半监督的跨领域自适应的图像分割方法，属于图像识别技术领域。本发明对来自不同数据域的图像使用共享的卷积层的方式学习数据域间共有的特征信息，并使用独立的批归一化层处理不同数据域的分布差异，从而让一个模型可以在克服数据域差异的情况下实现跨域的知识迁移。针对目标域数据缺乏标注的情况，本发明的半监督域适应方法使用一个辅助网络，通过辅助网络与主网络针对同一个样本产生的不同噪声图像的预测之间的一致性，充分利用未标注数据进行学习，并进一步利用对比学习策略提高域不变特征的学习。本发明提出的方法可以解决图像分割模型在处理不同中心的数据时遇到的性能不稳定问题，并且在新的中心的数据中仅需少量的标注就可以让模型取得鲁棒的性能。在实际基于深度神经网络的图像分割场景中，可有效提高模型的稳定性和泛化能力。
-
公开(公告)号：CN114240844B
公开(公告)日：2023-03-14
申请号：CN202111391310.7
申请日：2021-11-23
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种三维医学图像中无监督的关键点定位与目标检测方法，属于图像检测技术领域。本发明是通过以下技术方案实现的：首先利用一组未标记的图像，训练一个位移网络来预测同一幅三维图像中任意两个子区域的相对偏移量。得到位移网络的训练结果后，针对一幅新图像，该网络以一个初始位置处的子区域与参考图像中关键点处的子区域作为输入，预测该图像中的初始位置到目标位置的偏移量，从而实现关键点的定位。本发明进一步通过将物体边界框的检测任务转化成六个极端点的定位，实现无监督的目标物体检测。本发明能解决现有的医学图像中的目标检测算法需要大量人工标注的问题，有效降低了标注成本，提高了无监督目标检测算法的性能。
-
Patent Agency Ranking
公开(公告)号：CN114240950A
公开(公告)日：2022-03-25
申请号：CN202111390503.0
申请日：2021-11-23
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种基于图像生成的肿瘤图像分割方法，属于医学图像分析技术领域。本发明针对多模态医学图像存在模态缺失的场景，采用一个两阶段多任务框架实现缺失模态的生成并完成目标区域的分割，是通过以下技术方案实现的：首先，使用一个多任务生成器同时获得伪目标模态图像和初步分割结果，通过全局判别器和局部判别器提高生成图像的质量，同时提出一种感知损失函数，以减少生成的和真实的目标域图像之间的语义差距。其次，本发明提出了一个多任务精细分割网络，在生成的目标域图像和初步分割结果的基础上，同时预测精细分割结果和初步分割中的错误，并引入这两个预测之间的一致性约束提升分割性能。本发明与从原始的部分模态图像中直接分割相比，大大提高了分割精度，并且优于现有的图像生成与分割的方法。
-
公开(公告)号：CN111798458A
公开(公告)日：2020-10-20
申请号：CN202010541439.0
申请日：2020-06-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不确定性引导的交互式医学图像分割方法，涉及的是图像处理领域，特别是医学图像分割技术领域。本发明首先建立一个包含金标准的训练图像集，然后使用一种分组卷积深度神经网络进行训练，对于一幅三维图像可同时得到初始分割结果及其不确定性估计。在不确定性估计的基础上，算法自动推荐需要操作者修正的切片，即不确定性程度最大的切片。在当前所推荐的切片中，人工提供交互信息后，采用交互式水平集对初始分割结果进行修正。本发明能克服传统的交互式分割方法需要的人工交互多、交互效率低的问题，通过不确定性引导人工交互，在提高人工交互的效率的同时，能够获得精确的分割结果。
-
公开(公告)号：CN118038150A
公开(公告)日：2024-05-14
申请号：CN202410184139.X
申请日：2024-02-19
Applicant: 电子科技大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06N3/0464 , G06N3/08 , G06N3/0475 , G06N3/045
Abstract: 本发明涉及一种基于结构和风格增广的可跨域泛化的图像识别方法。该方法通过以下技术方案实现：首先，对于训练集中有限的源域图像，利用生成模型生成具有更多结构多样性的无标注合成图像。其次，通过傅里叶变换和结构、风格频谱交换的方式，增强图像的风格多样性。然后，通过风格增广前后的预测一致性约束的训练过程，提高模型的跨域不变特征学习能力。在测试阶段，本发明在频率域对测试图像的风格进行变换，以减少源域和目标域之间的域偏移，进一步提高模型在测试时的泛化能力。本发明解决了图像识别模型在与训练集分布不一致的测试数据域进行预测时性能较低的问题，有效提高模型跨域训练和测试时的泛化能力，保持在不同域的数据上的性能鲁棒性。
-
公开(公告)号：CN111798458B
公开(公告)日：2022-07-29
申请号：CN202010541439.0
申请日：2020-06-15
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于不确定性引导的交互式医学图像分割方法，涉及的是图像处理领域，特别是医学图像分割技术领域。本发明首先建立一个包含金标准的训练图像集，然后使用一种分组卷积深度神经网络进行训练，对于一幅三维图像可同时得到初始分割结果及其不确定性估计。在不确定性估计的基础上，算法自动推荐需要操作者修正的切片，即不确定性程度最大的切片。在当前所推荐的切片中，人工提供交互信息后，采用交互式水平集对初始分割结果进行修正。本发明能克服传统的交互式分割方法需要的人工交互多、交互效率低的问题，通过不确定性引导人工交互，在提高人工交互的效率的同时，能够获得精确的分割结果。
-
公开(公告)号：CN114240955A
公开(公告)日：2022-03-25
申请号：CN202111576690.1
申请日：2021-12-22
Applicant: 电子科技大学
Abstract: 本发明涉及的是一种半监督的跨领域自适应的图像分割方法，属于图像识别技术领域。本发明对来自不同数据域的图像使用共享的卷积层的方式学习数据域间共有的特征信息，并使用独立的批归一化层处理不同数据域的分布差异，从而让一个模型可以在克服数据域差异的情况下实现跨域的知识迁移。针对目标域数据缺乏标注的情况，本发明的半监督域适应方法使用一个辅助网络，通过辅助网络与主网络针对同一个样本产生的不同噪声图像的预测之间的一致性，充分利用未标注数据进行学习，并进一步利用对比学习策略提高域不变特征的学习。本发明提出的方法可以解决图像分割模型在处理不同中心的数据时遇到的性能不稳定问题，并且在新的中心的数据中仅需少量的标注就可以让模型取得鲁棒的性能。在实际基于深度神经网络的图像分割场景中，可有效提高模型的稳定性和泛化能力。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.022 seconds)
