-
公开(公告)号：CN119131062A
公开(公告)日：2024-12-13
申请号：CN202411259330.2
申请日：2024-09-09
Applicant: 福州大学 , 复旦大学 , 厦门天允星途医疗科技有限公司
IPC: G06T7/11 , G06V10/764 , G06T17/00
Abstract: 本发明涉及一种基于拓扑先验的三维肺CT管状结构分割的隐式神经网络构建方法，属于医学图像处理领域。构建基于拓扑先验的三维肺CT管状结构分割的隐式神经网络，采用隐式神经网络学习三维肺CT管状结构分割结果连续的表示，重建出任意分辨率的三维肺CT管状结构分割结果；此外，通过整合三维肺CT管状结构的拓扑结构信息对细小分支进行密集采样；另外，采用中心线预测辅助任务来优化三维肺CT管状结构分割结果。本发明使用了隐式神经网络生成了连续的坐标点，减少计算量和参数，可以在生成高分辨分割结果的同时减少内存占用；引入了拓扑采样策略和中心线引导，有助于解决前景背景不平衡的问题，以及缓解尺度不平衡的问题。
-
公开(公告)号：CN112733953B
公开(公告)日：2023-03-17
申请号：CN202110072573.5
申请日：2021-01-19
Applicant: 福州大学
IPC: G06V10/764 , G06V10/82 , G06V10/26 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于Non‑local CNN‑GCN和拓扑子图的肺CT图像动静脉血管分离方法。首先，使用尺度空间粒子采样方法将血管树表示为一组中心线体素粒子。接着，根据粒子体素及其相邻体素构造拓扑图，并从拓扑图中提取只包含动脉或静脉分支的拓扑子图。然后，基于拓扑图训练Non‑local CNN‑GCN分类器。最后利用拓扑子图来改进分类结果。
-
公开(公告)号：CN110287975B
公开(公告)日：2022-05-13
申请号：CN201910573323.2
申请日：2019-06-28
Applicant: 福州大学
Abstract: 本发明涉及一种基于NSST形态特征及深度KELM的浮选加药异常检测方法。首先，实时采集浮选槽表面的气泡图像，将图像NSST分解，得到低频子带图像和多尺度高频子带；其次，对低频图像二值化提取气泡亮点，计算各亮点的个数、面积、标准差和椭圆率，计算各尺度高频子带系数的分形维数、均值和方差，构成气泡图像的多尺度形态特征；然后，在KELM算法基础上，借鉴深度学习思想构建一种深度KELM，将量子计算引入遗传算法的优化中，并用于优化深度KELM的参数，构建自适应深度KELM；最后，通过多尺度形态特征和自适应深度KELM建立浮选加药异常检测模型。本发明平均识别率和运行效率明显高于现有检测方法，更加符合浮选生产在线检测的需求，为后续的加药自动化控制打下基础。
-
公开(公告)号：CN112651969A
公开(公告)日：2021-04-13
申请号：CN202110169782.1
申请日：2021-02-08
Applicant: 福州大学
Abstract: 本发明涉及一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：步骤S1：获取肺部的CT图像，并预处理；步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；步骤S7:基于中心线的几何重建方法进处理初步气管树，得到最终的气管树。本发明有效提高分类的准确性。
-
公开(公告)号：CN114332013B
公开(公告)日：2024-07-26
申请号：CN202111636037.X
申请日：2021-12-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于肺动脉树分级的CT图像靶肺段识别方法，包括以下步骤：步骤S1:获取CT图像数据，并重建出肺结构，包括肺结节、支气管、肺动脉树和肺叶；步骤S2:对肺动脉树提取初始中心线，并通过端点检测器和轨迹提取器构造完整且连续的拓扑树;步骤S3:根据拓扑树，结合肺叶、支气管先验知识进行约束，确定18个动脉节段子树；步骤S4:确定靶向动脉分支；步骤S5:对肺叶上的每个体素点计算最邻近动脉节段子树，并归属到相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。本发明充分考虑各肺解剖结构之间的关联性，实现动脉的分级标注，精准确定靶向动脉分支，进而划分肺段和确认靶肺段。
-
Patent Agency Ranking
公开(公告)号：CN114332013A
公开(公告)日：2022-04-12
申请号：CN202111636037.X
申请日：2021-12-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于肺动脉树分级的CT图像靶肺段识别方法，包括以下步骤：步骤S1:获取CT图像数据，并重建出肺结构，包括肺结节、支气管、肺动脉树和肺叶；步骤S2:对肺动脉树提取初始中心线，并通过端点检测器和轨迹提取器构造完整且连续的拓扑树;步骤S3:根据拓扑树，结合肺叶、支气管先验知识进行约束，确定18个动脉节段子树；步骤S4:确定靶向动脉分支；步骤S5:对肺叶上的每个体素点计算最邻近动脉节段子树，并归属到相应的肺段；同样的，根据距离关系，计算靶向动脉分支在关联肺段中所支配区域，确定靶肺段。本发明充分考虑各肺解剖结构之间的关联性，实现动脉的分级标注，精准确定靶向动脉分支，进而划分肺段和确认靶肺段。
-
公开(公告)号：CN109480765A
公开(公告)日：2019-03-19
申请号：CN201811283529.3
申请日：2018-10-31
Applicant: 福州大学
Abstract: 本发明提出基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法，包括；A1、生成预处理图像；A2、对图像内像素灰度值低于总体平均值的像素按DLC向量在n个θ角方向的分量均小于零的条件执行DLC负向滤波，生成负向滤波二值图像，即小于零的区域为黄斑区域，生成黄斑标记图像；A3、以黄斑位置最下方以上的区域作为视盘特征区域；A4、对视盘特征区域内像素灰度值高于总体平均值的像素按DLC向量在n个θ角方向的分量均大于零的条件执行DLC正向滤波，生成正向滤波二值图像，即大于零的区域为视盘侯选区域，生成视盘标记图像；A5、以位置约束关系对图像甄别，识别出正确的黄斑位置和视盘位置；本发明可实现黄斑和视盘精确和快速的检测和定位。
-
公开(公告)号：CN114119511B
公开(公告)日：2024-12-03
申请号：CN202111339539.6
申请日：2021-11-12
Applicant: 福州大学
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/045 , G06N3/0464
Abstract: 本发明涉及一种基于EfficientNet结构的结肠镜图像评价方法，包括以下步骤：步骤S1：获取结直肠序列图像，并初步分类为左半结肠、横结肠、右半结肠三段子序列图像；步骤S2:对子序列图像进行预处理；步骤S3:根据预处理后的子序列图像，基于可缩放的EfficientNet网络模型，获得最优的分类；步骤S4：基于BBPS肠道准备评价标准，即对左半结肠、横结肠、右半结肠三段子序列图像分别评分，累计各段肠道清洁度最差的图像评分，进一步评价结肠镜图像是否合格。本发明有效实现肠道准备的自动、准确的评价，可极大减轻医生的负担。
-
公开(公告)号：CN114299018B
公开(公告)日：2024-07-05
申请号：CN202111633527.4
申请日：2021-12-29
Applicant: 福州大学
IPC: G06T7/00 , G06T7/11 , G06T5/30 , G06V10/82 , G06V10/80 , G06V10/764 , G06T5/60 , G06N3/0455 , G06N3/0464 , G06N3/09
Abstract: 本发明涉及一种基于中心线拓扑连通和多视角信息的CT图像血管分割方法，包括以下步骤：步骤S1：获取原始CT图像，并进行预处理；步骤S2:将预处理后的CT图像，分成若干含动静脉血管标签的感兴趣区域的图像块；步骤S3:将图像块送入基于U‑Net的多尺度深监督网络进行分割，将网络输出的动静脉分割结果通过多视角投票策略得到初步结果;步骤S4:利用从中心线模型学习到的血管拓扑连通信息对初步结果中错误的部分进行修正；步骤S5:采用形态学膨胀得到衍生的血管颗粒，并利用肺血管网络模型学习的肺血管形态信息对动静脉进行修正，得到最终的分割结果。本发明准确率高，泛化能力强，能够在不同类型的CT图像中获得精准的动静脉分割结果。
-
公开(公告)号：CN112651969B
公开(公告)日：2023-04-07
申请号：CN202110169782.1
申请日：2021-02-08
Applicant: 福州大学
IPC: G06T7/00 , G06T7/11 , G06T7/12 , G06V10/25 , G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种结合多信息融合网络和区域增长的气管树分级提取方法，其包括以下步骤：步骤S1：获取肺部的CT图像，并预处理；步骤S2:将预处理后的肺部的CT图像集进行分级，划分整体气管树和细小气管分支两个训练集；步骤S3:分别对整体气管树训练集和细小气管分支训练集进行采样，得到整体气管树训练子集和细小气管训练子集；步骤S4:构建多信息融合分割模型，并根据整体气管树训练子集训练；步骤S5:构建体素分类网络模型，并根据细小气管训练子集训练；步骤S6:将待分割图像数据依次输入训练后的多信息融合分割模型和训练后的体素分类网络模型，得到初步气管树；步骤S7:基于中心线的几何重建方法进处理初步气管树，得到最终的气管树。本发明有效提高分类的准确性。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.018 seconds)
