本发明提供了一种基于条件生成对抗网络和约束规则的微血管树生成方法，该方法基于条件生成对抗网络，通过条件生成对抗网络建立的微血管树新生模型，利用上一级分叉弱化的条件来生成下一级分叉。该模式只需要给出入口分叉，逐级生长就能生成微血管树。同时在生长过程中加入了血管密度、分叉角度的优化条件，能够细致的对生长角度进行矫正，能够在生长过程中得到血管密度更均匀的微血管树，这也更符合了微血管网络在输送氧气及代谢营养物质过程的生理需求，使得生成的微血管树既符合了形态学特性也间接的符合了部分的生理学特性。
📄 2021105405019
📂 G16H30_20
👤 浙江工业大学
📅 2021-05-18
本发明公开了一种基于生成对抗网络的胸部X光片超分辨率和去噪方法，包括：(1)收集胸部X光片，进行预处理后构建训练集；(2)构建胸部X光片的生成对抗网络；所述的生成对抗网络包括生成器、判别器、VGG16网络；(3)采用训练集对生成对抗网络进行训练，得到训练完成的生成对抗网络模型；(4)将含有噪声且需要超分辨率的待处理胸部X光片进行预处理后，作为所述生成对抗网络模型的生成器的输入，生成去除噪声并且分辨率加倍的超分辨率图片，完成对待处理胸部X光片的超分辨率和去噪处理。本发明的方法可以在最大程度上保留医学图像细节纹理的同时对图片进行超分辨率和去噪处理。
📄 2020111641796
📂 G06T5_70
👤 浙江工业大学
📅 2020-10-27
一种基于生成对抗网络和Caps‑Unet网络的粘连细胞核分割方法，由有标签数据集A归一化预处理、构建生成对抗网络、训练生成对抗网络、检测无标签数据集B并生成对应标签、数据集B预处理、构建Caps‑Unet网络、训练Caps‑Unet网络、用Caps‑Unet网络分割粘连细胞核步骤组成。本发明采用生成对抗网络和Caps‑Unet网络相结合，在图像中标签标记不足的情况下，解决了图像数据集标注又难又少的技术问题，图像中的密集粘连细胞核分割检测的技术问题，可以生成图像的标签，能够对细胞数量进行精准地统计，与现有技术相比，本发明方法具有检测细胞核区域准确、分割粘连细胞核精度高、分割检测速度快等优点，可用于深度学习方法自动检测细胞核以及分割密集粘连细胞核。
📄 2020109773710
📂 G06T7_10
👤 陕西师范大学
📅 2020-09-17
本发明公开了一种基于GAN的医学图像病变区域弱监督定位方法。该方法具体包括以下步骤：收集数据并制作数据集，将每一次CT扫描的成像文件重采样成固定分辨率并保存为NPY格式并保存对应的标签信息；构建基于卷积神经网络的分类器，使用上述的数据集对分类器进行预训练，学习高级语义特征；构建基于生成对抗网络的框架，使用生成器学习正常人与病人的检查结果的影像学差异，使用判别器和预训练的分类器来强化生成器的学习效果并使生成器能够捕捉到病人的病变区域；本发明可以自动学习病人与正常人之间的差别，实现了无需对病变区域进行标注而能有效的对病变的区域进行定位，提供辅助诊断信息。
📄 2020112426532
📂 G06T7_00
👤 成都信息工程大学
📅 2020-11-09
本发明公开了生成对抗网络交替训练及医疗图像分类方法、装置、介质，通过对生成器和判别器的收敛程度进行度量，能够量化生成器和判别器的训练收敛程度；通过制定自适应交替训练策略，能够根据当前生成器和判别器的收敛程度，自适应地确定下一次是训练生成器还是判别器；通过基于自适应生成对抗网络对医疗影像进行疾病分类，能够提高分类准确率和识别效果，辅助医护人员对疾病进行诊断。
📄 2022101919662
📂 G16H30_00
👤 中南大学
📅 2022-03-01
本发明公开了一种基于多约束GAN的DCE‑MRI图像生成方法，在生成注射造影剂后第1时相增强图像I1’时，由于无其他已生成相邻时相的增强图像，所以此时无约束图像。多约束GAN中的生成注像器射I1’仅造与利影未剂用注未后射注第造n射影时造剂相影的的剂图增的像强图图I0像构像I成0I来n’二(生n通>成1道)增时多强，约已图束生像图成I1像的’。。在增此生强时成图，多约束GAN中的生成器为多约束神经网络，其将充分利用不同时相间照影剂的衰减信息来生成增强图像I1’。
📄 202110274845X
📂 G06T11_00
👤 沈阳航空航天大学
📅 2021-03-15
本发明公开了一种基于生成对抗网络和策略梯度的心电信号去噪方法，包括对测试集中每条心电信号段中的所有样本点进行最大最小归一化；构建生成器和判别器构成的生成对抗网络，生成器建模为一个随机策略，同时也是一个行动者；将判别器建模为评论家，其角色是对生成器输出的样本进行打分；采用梯度下降训练生成器和判别器；设定训练信噪比提升阈值，当信噪比提升值大于训练信噪比提升阈值时停止训练；输出去噪信号。本发明采用强化学习中的策略梯度方法对生成对抗网络进行了优化，分别训练生成器和判别器达到纳什均衡点，此时得到了最好的去噪效果。
📄 2019113628825
📂 A61B5_318
👤 常熟理工学院
📅 2019-12-26
本发明请求保护一种基于多生成多对抗的多模态脑部MRI图像双向转换方法，包括：通过卷积网络将输入图像(T1/T2)与对应病理标签融合并作为转换器的输入数据；输入T1模态数据，通过T2模态转换器转换成T2模态图像；输入T2模态数据，通过T1模态转换器转换成T1模态图像；在输出图像和真实图像)之间构建对抗损失；构建循环验证损失来实现对转换器有效性的验证；在输出图像与真实图像之间构建内容损失，使结果更接近真实图像；引入边缘损失对真实图像和输出图像的边缘进行约束；将输出图像和真实图像的语义分割结果的差异作为形状损失来保持形状一致。本发明能够在多模态脑部MRI数据之间进行双向转换，同时保证了图像的纹理、结构和病理的不变性。
📄 2019106528644
📂 G16H30_40
👤 广州大鱼创福科技有限公司
📅 2019-07-19
本发明公开了一种先验GAN模型医学影像生成方法，具体涉及医学影像合成领域，包括以下步骤：步骤一、发明一个有意义的改进模型，即先验条件生成对抗网络PCGAN；步骤二、利用DGAN的思想，优化生成网络G和判别网络D；步骤三、通过主成分分析方法PCA构建器官的二维或三维形状空间，生成具有物理意义解释的标签图；步骤四、用优化的网络参数和先验标签生成医学影像。本发明用PCA生成具有物理意义解释的标签图，减少或取消后期专家参与数据标注，从而建立一个合成影像数据库，一定程度上解决基于数据的深度学习方法的有效样本稀缺的问题，整体使得本发明能够有效降低专家的工作量，提高工作效率。
📄 2019107003268
📂 G06T5_50
👤 重庆邮电大学
📅 2019-07-31
柿子坊 · 知识产权运营
柿子坊知识产权运营平台