-
公开(公告)号：CN114266704B
公开(公告)日：2024-01-30
申请号：CN202111097009.5
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 自适应光斑消除方法涉及计算机辅助医疗领域，解决了由照明设备引起的腹腔内壁镜面反射对腹腔镜影像影响的问题。该方法包括如下步骤：图像增强；颜色空间转换；光斑区域分割；光斑区域消除；本发明的方法相较于全局光斑去除算法在多区域小光斑场景下表现出色，保留了更多的纹理信息而全局光斑去除算法在去除光斑的同时模糊了大量的细节；相较于局部光斑去除算法，本方法在大区域高亮光斑场景下有更好的去除效果，图像中的光斑被去除的更加彻底。综上所述，本发明的方法在全局与局部光斑区域去除效果上相比其他算法都有较大的提升。
-
公开(公告)号：CN114266704A
公开(公告)日：2022-04-01
申请号：CN202111097009.5
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 自适应光斑消除算法涉及计算机辅助医疗领域，解决了由照明设备引起的腹腔内壁镜面反射对腹腔镜影像影响的问题。该算法包括如下步骤：图像增强；颜色空间转换；光斑区域分割；光斑区域消除；本发明的算法相较于全局光斑去除算法在多区域小光斑场景下表现出色，保留了更多的纹理信息而全局光斑去除算法在去除光斑的同时模糊了大量的细节；相较于局部光斑去除算法，本算法在大区域高亮光斑场景下有更好的去除效果，图像中的光斑被去除的更加彻底。综上所述，本发明的算法在全局与局部光斑区域去除效果上相比其他算法都有较大的提升。
-
公开(公告)号：CN113838021A
公开(公告)日：2021-12-24
申请号：CN202111097242.3
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 基于改进的YOLOv5网络的肺结节检测系统涉及计算机辅助检测与诊断领域，进一步改进了原始的YOLOv5网络结构，使得肺结节检测精度进一步提高。本发明采用YOLOv5方法为基本框架，解决了二阶段检测算法中检测速度慢，复杂度高的问题。针对传统YOLO算法对小目标如肺部结节识别困难和肺部结节检测准确性差的问题。在原始YOLOv5网络的基础上，通过在骨干网络中嵌入SE注意机制和改变特征融合方法，改进了YOLOv5算法，提高了肺结节检测的精度。使主干网络更能聚焦感兴趣区域，提高特征表征能力。并在特征融合模块赋予不同层次的特征不同权重，实现更加有效的特征融合。
-
公开(公告)号：CN113813053A
公开(公告)日：2021-12-21
申请号：CN202111097230.0
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 一种腹腔镜内窥影像的手术进程分析方法涉及医学图像处理领域，实现了整个神经网络模型的鲁棒性。本发明所提算法借助标定好的阶段数据集，利用深度学习对具有难以识别的视频帧的数据集进行有效的特征提取，更好地利用具有缺陷的数据集，并提高模型的鲁棒性。同时提出一种术中场景的当前帧特征信息与之前帧识别结果联合的方式，使阶段识别精度更高，有效、准确地进行手术进程分析。
-
公开(公告)号：CN113822865B
公开(公告)日：2023-05-05
申请号：CN202111096723.2
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
IPC: G06T7/00 , G06T7/11 , G06V10/764 , G06N3/08 , G06N3/0455 , G06N3/0464
Abstract: 一种基于深度学习的腹部CT图像肝脏自动分割方法属于医学图像分割技术领域，目的在于解决现有技术存在的整体网络复杂、训练开销大、训练过程较长、网络难收敛、无法捕获长距离依赖信息导致的分割精度低的问题。本发明提出了一种基于深度学习的腹部CT图像肝脏自动分割方法，以3D UNet为基础网络架构，并在相邻的编码器和解码器间引入残差连接来优化梯度传播和特征传递；同时，将原始UNet中的瓶颈层替换成提出的上下文收集模块(CCM)来获得具有密集上下文信息的特征；通过残差连接的引入和上下文收集模块的应用，本方法有效地提高了腹部CT图像中肝脏的自动分割精度，为肝癌的诊断和治疗提供了更有利的前提条件。
-
Patent Agency Ranking
公开(公告)号：CN113822865A
公开(公告)日：2021-12-21
申请号：CN202111096723.2
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 一种基于深度学习的腹部CT图像肝脏自动分割方法属于医学图像分割技术领域，目的在于解决现有技术存在的整体网络复杂、训练开销大、训练过程较长、网络难收敛、无法捕获长距离依赖信息导致的分割精度低的问题。本发明提出了一种基于深度学习的腹部CT图像肝脏自动分割方法，以3D UNet为基础网络架构，并在相邻的编码器和解码器间引入残差连接来优化梯度传播和特征传递；同时，将原始UNet中的瓶颈层替换成提出的上下文收集模块(CCM)来获得具有密集上下文信息的特征；通过残差连接的引入和上下文收集模块的应用，本方法有效地提高了腹部CT图像中肝脏的自动分割精度，为肝癌的诊断和治疗提供了更有利的前提条件。
-
公开(公告)号：CN113822796B
公开(公告)日：2023-12-01
申请号：CN202111096874.8
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 基于改进的图像金字塔的多模态脑部影像配准方法属于医学图像配准技术领域，目的在于解决现有技术存在的图像中边界、细节等空间性信息丢失的问题。本发明将双边滤波器与图像金字塔技术结合起来。对于待配准的CT和MRA图像，首先将待配准的图像进行金字塔分解，将平滑图像的高斯核函数替换为双边滤波核函数，在下采样金字塔得到的每幅图像进行双边滤波，重新组建图像金字塔，这样可以保证其在平滑图像的同时保护边缘，细节等结构性信息，接着每一层级图像按照最大化互信息的方法迭代配准。这样在逐层的配准过程中，低分辨率的图像可以给高分辨率的图像提供更为精确的配准参数，进而提高最终原始分辨率的配准效果。
-
公开(公告)号：CN113822796A
公开(公告)日：2021-12-21
申请号：CN202111096874.8
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 基于改进的图像金字塔的多模态脑部影像配准方法属于医学图像配准技术领域，目的在于解决现有技术存在的图像中边界、细节等空间性信息丢失的问题。本发明将双边滤波器与图像金字塔技术结合起来。对于待配准的CT和MRA图像，首先将待配准的图像进行金字塔分解，将平滑图像的高斯核函数替换为双边滤波核函数，在下采样金字塔得到的每幅图像进行双边滤波，重新组建图像金字塔，这样可以保证其在平滑图像的同时保护边缘，细节等结构性信息，接着每一层级图像按照最大化互信息的方法迭代配准。这样在逐层的配准过程中，低分辨率的图像可以给高分辨率的图像提供更为精确的配准参数，进而提高最终原始分辨率的配准效果。
-
公开(公告)号：CN113781465A
公开(公告)日：2021-12-10
申请号：CN202111096769.4
申请日：2021-09-18
Applicant: 长春理工大学 , 长春理工大学重庆研究院
Abstract: 基于Grad‑CAM的医学图像分割模型可视化方法属于卷积神经网络可视化技术领域，目的在于解决现有技术存在的无法为医学影像分割模型产生准确的可视化结构的问题。本发明在Grad‑CAM的基础上进行了改进，提出了一个应用于医学影像分割模型的可视化方法，通过设定阈值获取分割出来的感兴趣区域，并将感兴趣区域的像素值加和后反向传播求梯度，进而得出编码器最后一层卷积层中特征图的神经元重要性权重，利用特征图与对应权重的加权和得出粗略热图。最终热图与原图叠加后生成的可视化结果表明了各像素对分割结果的重要程度，该方法避免了直接对分割模型结构进行更改，解决了Grad‑CAM方法无法直接用于可视化医学影像分割模型的问题。
-
公开(公告)号：CN117933345A
公开(公告)日：2024-04-26
申请号：CN202410331284.6
申请日：2024-03-22
Applicant: 长春理工大学
IPC: G06N3/0895 , G06N3/0464 , G06V10/26 , G06V10/764 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开一种医学图像分割模型的训练方法，包括数据获取、输入和预处理、连接基于FPGA的并行卷积运算装置、构建多层次特征融合半监督增量医学图像分割模型和训练多层次特征融合半监督增量医学图像分割模型，保存迭代后的最优模型，本发明可以加快医疗图像分割模型的卷积运算效率，更好地融合多尺度特征，同时可以加强对小样本和困难样本的泛化能力。本发明的医学图像分割模型的训练方法具有运行效率高、泛化能力强、应用性广的特点。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.019 seconds)
