本发明涉及一种基于边界引导注意力的编解码器医学图像分割系统及方法，属于医学图像处理技术领域。本发明包括编码器、解码器、特征增强模块和边界引导注意力模块。医学图像输入编码器中得到不同尺度的特征，并输出至解码器；解码器根据特征完成医学图像分割；在编码器的不同尺度特征输出之后还连接有特征增强模块，用于增强编码器的语义特征，组合不同感受野的语义信息，编码器的特征输出经过特征增强模块后再进入解码器；边界引导注意力模块设置在解码器中相邻的decoder模块之间，用于强化医学图像的边界信息。本发明在泛化能力和鲁棒性上表现优秀，获得的医学图像分割结果边界清晰，小目标明显。
📄 2023105016039
📂 G06T7_12
👤 重庆邮电大学
📅 2023-05-06
本发明适用于图像处理技术领域，提供了一种医学图像分割模型的构建方法、系统、设备和存储介质，所述方法包括以下步骤：获取用于进行模型训练的图像数据集；根据所述图像数据集进行医学图像分割模型的训练；对所述医学图像分割模型进行观测以进行网格寻优以确定最优参数，直至所述医学图像分割模型达到最佳拟合后完成医学图像分割模型的构建，本发明实施例在进行上采样时能够获取到更多的高分辨率信息，进而更完善地恢复原始图像中的细节，医学图像分割模型能够保留更多高层特征图蕴含的高分辨率信息，从而提高了图像分割精度。
📄 2022110801208
📂 G06V10_26
👤 江南大学
📅 2022-09-05
本发明提供了一种基于分离‑挤压‑瓶颈‑联合编解码器的息肉图像分割技术，以下步骤：步骤1:对于给定的的息肉图像#imgabs0#，从基于res2net()主干网中提取五个层级的特征；将特征#imgabs1#分为低层特征和高层特征；步骤2:使用带有分离‑挤压‑瓶颈‑联合编码器对不同层级进行编码；步骤3:在编码阶段，使用编码器对不同层级特征进行融合;步骤4:在细化阶段，使用分离‑挤压‑瓶颈‑联合块编码器提取的信息对初始预测图逐级地细化特征；步骤5:在整个网络的训练中，采用交叉熵损失函数和交并比损失函数来指导网络的学习;应用本技术方案可实现从不同的角度挖掘几何上下文信息，同时计算通道相关关系，增强特征的表征能力，以解决息肉分割问题。
📄 2022103113504
📂 G06T7_11
👤 闽江学院
📅 2022-03-28
本发明涉及计算机视觉技术领域，具体涉及一种基于先验形状约束的BCA‑UNet肝脏分割方法，包括以下步骤：输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将预处理后的肝脏CT图像输入训练好的肝脏分割模型中，得到肝脏分割结果。本发明采用优化的主动轮廓损失函数计算高维特征的损失，融合两个网络中间特征作为下一层注意力信号，用于约束分割网络(BCA‑UNet)，误差反向传播逐层优化，避免了边缘轮廓的丢失。此外，本发明的肝脏分割模型对图像边缘轮廓较敏感，提高了分割的精度，缩小了表面距离误差。
📄 2020113201057
📂 G06T7_00
👤 重庆邮电大学
📅 2020-11-23
一种基于深度网络的视神经自动分割方法，使用具有NVIDIA GeForce系列显卡的操作平台，通过对标注数据进行预处理及深度网络训练等一系列操作，得出网络模型，能够对视神经结构进行预测分割。相比较于常用的人工标注和基于可变模型的分割方法，本发明可以更为快速地获得视神经分割数据，分割精度通过深度网络学习得到提高，能够为视神经分割过程提供精确、高效的方法，还能够为其他颅神经提供可重复分析的方法。
📄 2020113817675
📂 G06T7_10
👤 浙江工业大学
📅 2020-12-01
一种基于类别均衡小样本学习的新冠肺炎感染区域分割方法，采用迭代模型，使用标记数据训练一个有监督模型，再使用该模型对无标签数据进行预测，得出预测概率，通过预测概率筛选高置信度样本，再使用有标记数据以及伪标签数据训练新模型，重复以上步骤直至模型效果不出现提升，完成迭代任务。对于多类别分割任务，针对所获得的数据集中存在的类别不均衡现象，本发明提出了一种根据类别像素权重进行重加权的类别均衡方法，通过对不同类别加权，使占比较少的类别增加权重，占比较多的类别相应减少权重，以达到类别均衡的效果。
📄 202010804398X
📂 G06T7_11
👤 浙江工业大学
📅 2020-08-12
一种基于多尺度信息与并行注意力机制的深度学习肠道息肉分割方法，在编码时本发明通过建立分支的方式从更细粒度上提取特征，并通过改进后的压缩激励模块以重新校准特征响应，然后在空洞空间金字塔池化的基础上通过建立分支之间的联系进一步提取并融合特征，能够更精确地提取肠道与息肉的多尺度特征并将其区分来开，很好地解决了分割时常常会将肠道壁褶皱误判为息肉区域的问题；在解码时则抛弃了浅层特征细化了深层特征，并利用注意力机制进一步建立边界关系，能够在缩短训练时间的基础上更精确地分割出息肉边界。
📄 2020114272539
📂 G06T7_12
👤 浙江工业大学
📅 2020-12-09
一种基于卷积神经网络多模态融合的淋巴瘤病灶分割方法，所述方法包括以下步骤：步骤1.构建包含特征融合模块的双分支卷积神经网络模型；步骤2.将PET和CT图像分别输入到卷积神经网络的PET分支和CT分支，获取中间特征图；步骤3.将具有相同大小和通道数的PET和CT中间特征图经concatenate后输入到融合模块，得到融合后的特征图；步骤4.将融合后的特征图输入到对应解码器层，进行分割预测。本发明通过额外的融合模块，融合PET和CT的中间特征图，提高了淋巴瘤病灶自动识别分割的性能。
📄 2023110190124
📂 G06V10_26
👤 浙江工业大学
📅 2023-08-14
一种基于多尺度注意力网络的脑血管医学图像分割方法，首先将原始的脑血管MRA图像进行预处理，随后训练一个多尺度注意力UNet网络；网络模型上编码部分通过多尺度注意力模块提取脑血管图像的特征，提升有效特征的学习能力；解码部分通过跳级连接融合多尺度特征，提高模型分割的精准度；最后将待分割的测试数据输入训练好的模型得到分割结果并进行三维重建。本发明考虑脑血管在脑部影像中的复杂特点，针对性地提出网络模型进行脑血管影像的分割与三维重建，解决了脑部血管高度复杂、位置形态不一等带来的分割难题，提高MRI脑血管影像的分割精度。
📄 2022103312090
📂 G06T7_00
👤 浙江工业大学
📅 2022-03-30
一种肿瘤压迫下的听神经分割方法，首先根据解剖学定义，听神经不会穿过肿瘤，仅会在肿瘤的表面，并且位置多在肿瘤的前上方。所以该发明首先手动的划分了听神经纤维跟踪时的肿瘤内部的限制区域(ROA)以及纤维跟踪时的感兴趣区域(ROI)，然后设置纤维跟踪到ROA区域时将退回上一体素并拟合新的跟踪方向。若体素存在多个特征方向则根据方向约束进行筛选。最后同时重建出听神经鞘瘤与听神经观察二者位置关系。本发明有效避免了听神经鞘瘤周纤维跟踪无法正确的重建出听神经以及产生大量假阳性纤维的问题，提升了纤维跟踪结果的准确性。
📄 202110330864X
📂 G06V10_26
👤 浙江工业大学
📅 2021-03-26
基于空洞卷积和多尺度融合的黑色素瘤分割方法，包括：步骤1)医学图像预处理；步骤2)构建具有灵活感受野的多尺度聚合网络模型；步骤3)将训练集数据输入模型中进行训练；步骤4)皮肤镜图像病灶区域分割。本发明提出的通道注意空洞卷积模块可以根据图像特征自适应的扩大感受野，获取更加紧密的上下文信息，缓解固定感受野引起的特征不充分问题；聚合交互模块可以将编码层输出的特征与相邻编码层的特征进行聚合，获得多尺度信息，并且降低了编码层和对应的解码层之间的语义差距，抑制直接聚合引起的噪声。本发明能够分割精确的皮肤镜图像，起到辅助作用。
📄 2020110948311
📂 G06T7_11
👤 浙江工业大学
📅 2020-10-14
本发明公开了一种基于分形维数系数的气道分割方法及系统，本发明通过气道标签计算出每一个像素的分形维数和/或气道密度值，并根据分形维数和/或气道密度值为训练图像的每一个像素赋予权重指导三维卷积网络训练，得到具有更精确分割气道能力的深度学习模型。本发明通过一种基于分形维数系数的深度神经网络准确、高效地完成对肺气道的分割，尤其能获取更为深度、精确的气道分割结果，同时本发明可实现全自动分割气道。
📄 2024112917513
📂 G06T7_11
👤 浙江工业大学
📅 2024-09-14
柿子坊 · 知识产权运营
柿子坊知识产权运营平台