-
公开(公告)号：CN113269774A
公开(公告)日：2021-08-17
申请号：CN202110643153.8
申请日：2021-06-09
Applicant: 西南交通大学
Abstract: 本发明公开了一种MRI图像的帕金森病分类及标注病灶区域的方法，包括步骤：构造MRI图像的帕金森病分类模型；构造帕金森病病灶标注模型；使用MRI图像的帕金森病分类模型，对待测MRI图像进行分类；对分类确定为帕金森病MRI图像或者帕金森病潜伏期MRI图像，使用帕金森病病灶标注模型标注出病灶区域。其中，构造MRI图像的帕金森病分类模型，包括构造分类模块和将训练集输入分类模块，并通过反向传播更新网络参数，得到MRI图像分类模型的步骤。本发明的有益效果在于：使用先分类后标注的方法，在提高分类模型准确率的基础上使得对病灶区域的定位更加准确和有效，同时避免了不必要的训练，大大提高了训练效率，使得模型鲁棒性更强。
-
公开(公告)号：CN113012045B
公开(公告)日：2022-07-15
申请号：CN202110203141.3
申请日：2021-02-23
Applicant: 西南交通大学
IPC: G06T3/40 , G06T5/50 , G06K9/62 , G06V10/774
Abstract: 本发明公开了一种用于合成医学图像的生成对抗网络。生成器的拓扑结构为：具有8个层级，层级的等级为该层级学习的图像的分辨率的以2为底的对数；低等级层级学习的图像的分辨率加倍平滑过渡到高等级层级学习的图像的分辨率；卷积块的特征图为带有自注意力的特征图。判别器的拓扑结构与生成器相反，高等级层级学习的图像的分辨率折半平滑过渡到低等级层级学习的图像的分辨率；判别器的最低等级层级还包括批标准差；生成器和判别器使用WGAN‑GP的损失函数；使用标准正态分布初始化权重，在运行阶段放缩权重。相对于LapGAN和StackGAN等生成大分辨率的GAN网络，本发明训练过程中的大部分迭代都在低分辨率下完成，在保证合成图片质量的前提下大大加快了生成速度。
-
公开(公告)号：CN113269774B
公开(公告)日：2022-04-26
申请号：CN202110643153.8
申请日：2021-06-09
Applicant: 西南交通大学
Abstract: 本发明公开了一种MRI图像的帕金森病分类及标注病灶区域的方法，包括步骤：构造MRI图像的帕金森病分类模型；构造帕金森病病灶标注模型；使用MRI图像的帕金森病分类模型，对待测MRI图像进行分类；对分类确定为帕金森病MRI图像或者帕金森病潜伏期MRI图像，使用帕金森病病灶标注模型标注出病灶区域。其中，构造MRI图像的帕金森病分类模型，包括构造分类模块和将训练集输入分类模块，并通过反向传播更新网络参数，得到MRI图像分类模型的步骤。本发明的有益效果在于：使用先分类后标注的方法，在提高分类模型准确率的基础上使得对病灶区域的定位更加准确和有效，同时避免了不必要的训练，大大提高了训练效率，使得模型鲁棒性更强。
-
公开(公告)号：CN113012045A
公开(公告)日：2021-06-22
申请号：CN202110203141.3
申请日：2021-02-23
Applicant: 西南交通大学
Abstract: 本发明公开了一种用于合成医学图像的生成对抗网络。生成器的拓扑结构为：具有8个层级，层级的等级为该层级学习的图像的分辨率的以2为底的对数；低等级层级学习的图像的分辨率加倍平滑过渡到高等级层级学习的图像的分辨率；卷积块的特征图为带有自注意力的特征图。判别器的拓扑结构与生成器相反，高等级层级学习的图像的分辨率折半平滑过渡到低等级层级学习的图像的分辨率；判别器的最低等级层级还包括批标准差；生成器和判别器使用WGAN‑GP的损失函数；使用标准正态分布初始化权重，在运行阶段放缩权重。相对于LapGAN和StackGAN等生成大分辨率的GAN网络，本发明训练过程中的大部分迭代都在低分辨率下完成，在保证合成图片质量的前提下大大加快了生成速度。
-
-
-
Search Results
4
records
(took 0.117 seconds)
