-
公开(公告)号：CN111292324B
公开(公告)日：2022-03-01
申请号：CN202010202046.7
申请日：2020-03-20
Applicant: 电子科技大学 , 电子科技大学广东电子信息工程研究院
IPC: G06T7/00 , G06T7/12 , G06V10/25 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种针对臂丛神经超声图像的多目标识别方法及系统，方法包括：获取特征图；获取多尺度特征图；生成具有不同接受域的特征图；获取具有不同尺度对比特征的特征图矩阵；获取得到赋予权重后的特征图矩阵；对赋予权重后的特征图矩阵中的每个像素点作为中心点生成感兴趣区域，并对感兴趣区域进行二值分类和检测包围框回归后，将选取的区域对齐为固定尺寸的特征图；将对齐为固定尺寸的特征图中的感兴趣区域进行分类、分割掩模和边界框检测后输出，完成臂丛神经超声图像的多目标识别。本方法可以帮助麻醉医师快速、准确地从臂丛超声图像中识别所需的多目标组织。
-
公开(公告)号：CN111292324A
公开(公告)日：2020-06-16
申请号：CN202010202046.7
申请日：2020-03-20
Applicant: 电子科技大学 , 电子科技大学广东电子信息工程研究院
Abstract: 本发明公开了一种针对臂丛神经超声图像的多目标识别方法及系统，方法包括：获取特征图；获取多尺度特征图；生成具有不同接受域的特征图；获取具有不同尺度对比特征的特征图矩阵；获取得到赋予权重后的特征图矩阵；对赋予权重后的特征图矩阵中的每个像素点作为中心点生成感兴趣区域，并对感兴趣区域进行二值分类和检测包围框回归后，将选取的区域对齐为固定尺寸的特征图；将对齐为固定尺寸的特征图中的感兴趣区域进行分类、分割掩模和边界框检测后输出，完成臂丛神经超声图像的多目标识别。本方法可以帮助麻醉医师快速、准确地从臂丛超声图像中识别所需的多目标组织。
-
公开(公告)号：CN112330662A
公开(公告)日：2021-02-05
申请号：CN202011337099.6
申请日：2020-11-25
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于多层级神经网络的医学图像分割系统及方法，属于医学图像处理技术领域，本发明将待分割的原始医学图像输入图像初始化模型进行初始特征的提取，然后将初始特征输入到多层级深度特征提取模型中，提取出图像的多层级深层特征，然后将深层特征输入到多层级分割模型中，同时将多层级深度特征提取模块中的深层特征，通过金字塔池化长连接模型，输入到多层级分割模型中，由多层级分割模型根据图像中逐个像素的分类情况，输出高精度分割后的医学图像，本发明提供的分割方法提升了医学图像深度特征提取效率，并能够提高医学影像分割的精度。
-
Patent Agency Ranking
公开(公告)号：CN111654368A
公开(公告)日：2020-09-11
申请号：CN202010495938.0
申请日：2020-06-03
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于深度学习生成对抗网络的密钥生成方法，首先，准备训练集图像；构建密钥生成网络：根据生成器网络以及判别器网络构建密钥生成网络，并将所述训练集图像输入至所述密钥生成网络；训练密钥生成网络：利用深度学习方法训练所述密钥生成网络，生成密钥。采用本发明生成的密钥具有较大的密钥空间，伪随机性，一次一密和对初值敏感的特性。本申请是尝试在密钥生成领域采用深度学习方法的最早研究之一，并且使用生成的密钥对明文医学图像进行加密可以带来较高的安全性。
-
公开(公告)号：CN110097550A
公开(公告)日：2019-08-06
申请号：CN201910380257.7
申请日：2019-05-05
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的医学图像分割方法及系统。所述分割方法包括：获取历史磁共振成像MRI模态图像；将所述历史磁共振成像MRI模态图像划分为训练集和测试集；在下采样过程中，将训练集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定分割后的MRI模态图像；两层相邻的不同分辨率的特征层包括低分辨率的特征层和高分辨率的特征层；两层相邻的不同分辨率的特征层依次经过残差卷积单元、分辨率融合单元以及聚合单元，确定分割后的MRI模态图像。采用本发明所提供的分割方法及系统能够提高图像分割准确率。
-
公开(公告)号：CN112330662B
公开(公告)日：2022-04-12
申请号：CN202011337099.6
申请日：2020-11-25
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于多层级神经网络的医学图像分割系统及方法，属于医学图像处理技术领域，本发明将待分割的原始医学图像输入图像初始化模型进行初始特征的提取，然后将初始特征输入到多层级深度特征提取模型中，提取出图像的多层级深层特征，然后将深层特征输入到多层级分割模型中，同时将多层级深度特征提取模块中的深层特征，通过金字塔池化长连接模型，输入到多层级分割模型中，由多层级分割模型根据图像中逐个像素的分类情况，输出高精度分割后的医学图像，本发明提供的分割方法提升了医学图像深度特征提取效率，并能够提高医学影像分割的精度。
-
公开(公告)号：CN111654368B
公开(公告)日：2021-10-08
申请号：CN202010495938.0
申请日：2020-06-03
Applicant: 电子科技大学
Abstract: 本发明提供了一种基于深度学习生成对抗网络的密钥生成方法，首先，准备训练集图像；构建密钥生成网络：根据生成器网络以及判别器网络构建密钥生成网络，并将所述训练集图像输入至所述密钥生成网络；训练密钥生成网络：利用深度学习方法训练所述密钥生成网络，生成密钥。采用本发明生成的密钥具有较大的密钥空间，伪随机性，一次一密和对初值敏感的特性。本申请是尝试在密钥生成领域采用深度学习方法的最早研究之一，并且使用生成的密钥对明文医学图像进行加密可以带来较高的安全性。
-
公开(公告)号：CN110097550B
公开(公告)日：2021-02-02
申请号：CN201910380257.7
申请日：2019-05-05
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于深度学习的医学图像分割方法及系统。所述分割方法包括：获取历史磁共振成像MRI模态图像；将所述历史磁共振成像MRI模态图像划分为训练集和测试集；在下采样过程中，将训练集内的任一张所述历史磁共振成像MRI模态图像中的两层相邻的不同分辨率的特征层输入到多层次特征重提取和聚合的神经网络模型中，确定分割后的MRI模态图像；两层相邻的不同分辨率的特征层包括低分辨率的特征层和高分辨率的特征层；两层相邻的不同分辨率的特征层依次经过残差卷积单元、分辨率融合单元以及聚合单元，确定分割后的MRI模态图像。采用本发明所提供的分割方法及系统能够提高图像分割准确率。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.04 seconds)
