本发明涉及一种肺部医疗影像优化分割方法，涉及图像处理技术领域。包括以下步骤：获取肺部CT图像；获取骨骼区域和肺部区域；获取最大的气管分割程度对应的簇类个数作为分割肺部区域最优的簇类个数；利用最优的簇类个数对肺部区域进行分割获取肺部分割图；将肺部分割图与骨骼区域结合获取肺部CT图像的最优分割图像。本发明利用图像处理技术，通过对获取的肺部CT图像进行处理，得到肺部区域，根据不同聚类效果下的肺部气管分割程度得到最优分割簇类个数，进而得到最优分割图。
📄 202411155697X
📂 G06T7_11
👤 北京智想创源科技有限公司
📅 2024-08-22
本发明涉及区域分割技术领域，具体涉及一种用于外科手术的CT影像分割方法。该方法根据第二分割图像中所有分割区域的边缘不平滑情况，设定待分析肺部图像的各个种子点；在待分析肺部图像中，按照预设生长准则进行区域生长，获取每次区域生长后的各个生长区域；根据生长区域的边缘不平滑情况，获取生长区域的不平滑特征值；根据生长区域的边缘像素点的局部灰度分布不均匀情况，获取生长区域的不均匀特征值；直至所有生长区域的不平滑特征值以及不均匀特征值满足预设迭代终止条件，则所有生长区域不再进行下一次区域生长，获取目标病理分割图像。本发明通过充分考虑了病变区域的边缘特征和灰度分布特征，提高了分割出病变区域的准确性。
📄 2024111246117
📂 G06T7_11
👤 大连百首企家科技有限公司
📅 2024-08-16
本发明涉及图像处理技术领域，提供了一种基于机器视觉的肠镜图像智能识别方法，包括：采用内窥镜相机采集结肠的肠镜图像，并对获取的肠镜图像进行预处理，将预处理后的肠镜图像转化为灰度图像以及基于HSV的颜色图像，基于结肠息肉特征构建息肉生长系数，并基于息肉生长系数对肠镜图像中的息肉区域进行精准划分，同时根据息肉病变特征确定结肠正常指数，而后通过结肠正常指数确定息肉区域的息肉病变程度，针对发生病变的息肉区域进行精准快速分割，加快计算速度，避免了引入良性息肉的影响降低算法准确性与计算速度，实现了基于机器视觉的肠镜图像智能识别方法。
📄 2024111176010
📂 G06T7_11
👤 顺通信息技术科技(大连)有限公司
📅 2024-08-15
本发明提出一种轻量级多尺度特征融合的实时图像语义分割方法，包括：构建包括初始化模块、分离‑提取‑合并瓶颈模块、分区‑融合通道注意力模块、特征融合模块和多尺度注意力解码器的图像语义分割网络。通过图像语义分割网络提取待处理图像初始特征图的多尺度特征，得到多尺度特征图；提取并融合初始特征图的全局通道信息和局部通道信息，得到通道信息特征图；将多尺度特征图、通道信息特征图和原始的待处理图像进行特征融合，得到融合特征图；基于融合特征图进行图像精度恢复，得到图像语义分割结果。本发明能够在参数量相对较小的轻量级图像语义分割网络模型中保证模型的精度和准确率，提高模型的推理速度，实现图像的实时语义分割。
📄 2022103653786
📂 G06T7_11
👤 暨南大学
📅 2022-04-08
本发明涉及计算机视觉、机器学习领域，具体涉及一种基于深度学习的脑部MRI海马体三维分割方法，步骤如下：步骤1，对原始图像集A进行了预处理；步骤2，搭建网络模型；脑部MRI海马体三维分割网络模型包括3个一维卷积层、15个三维卷积和4个最大池化层，整个网络模型分为左侧和右侧两部分，左侧的收缩路径用于捕捉图像的内容，右侧的扩张路径用于精准定位。左侧为一个下采样过程，分五组卷积操作进行。步骤3，训练模型；将规范化的图像集E作为训练集来训练步骤2中的脑部MRI海马体三维分割网络模型，得到训练好的用于脑部MRI海马体三维分割的网络模型F。本发明在保证高分割精度的同时，运算速度快而且可扩展性强。
📄 2018107759571
📂 G06T7_11
👤 江南大学
📅 2018-07-16
本发明公开了一种快速超像素分割方法，它是一种自上而下的迭代分割方法，该方法通过分析区域像素集的颜色一致性来判断区域的可分割性。本发明包括如下步骤：步骤1：根据公式(1)获得原始彩图对应的灰度图IGray；其中，IGray(x,y)表示图像IGray上坐标为(x,y)的像素灰度，IR(x,y)表示图像IR上坐标为(x,y)的像素灰度，IG(x,y)表示图像IG上坐标为(x,y)的像素灰度，IB(x,y)表示图像IB上坐标为(x,y)的像素灰度；IR、IG、IB分别为原始彩色图像的红、绿、蓝通道图像；步骤2：根据灰度图IGray计算超像素区域集S。
📄 2017112244778
📂 G06T7_11
👤 浙江工业大学
📅 2017-11-29
一种面向医学图像超像素灰度纹理采样特征的图注意力网络分割方法，包括以下步骤：步骤一：超像素分割；步骤二：提取超像素灰度纹理采样特征；步骤三：超像素构图；步骤四：超像素真值标签设定；步骤五：训练多头注意力网络模型；步骤六：超像素分类与图像分割。本发明提出了一种分割精度高、运行效率高的医学图像图注意力网络分割方法，降低了医学图像分割任务的数据处理规模，提高了其分割模型的训练速度。
📄 2021106671349
📂 G06T7_11
👤 浙江工业大学
📅 2021-06-16
一种保留非封闭曲线的线画图骨架提取方法，能够对栅格化的线画图自动提取反映其结构特征的骨架信息，主要包括以下步骤：首先,利用灰度阈值判断，分割输入栅格化线画图；其次，对分割得到的所有线画像素，计算它们的最大内接圆；然后，用最大内接圆半径计算每个线画像素的扩大圆，获取扩大圆内非线画像素的集合；最后，通过图的广度优先遍历算法分析扩大圆内非线画像素的连通区域数量，由此获取线画图的骨架信息以及交叉点像素。
📄 201810242570X
📂 G06T7_11
👤 浙江工业大学
📅 2018-03-23
一种结合多模态信息的脑肿瘤图像分割方法，包括以下步骤：步骤1数据预处理；步骤2将处理好的数据分割为图像小块；步骤3构建先验网络来提取模态特征的共有特征和特有特征的训练权重；步骤4训练多模态特征融合网络：通过上一个步骤得到的各层特征训练权重，在三模态的输入状态下，三个模态特有特征以及一个多模态共有特征放入attentionblock内进行训练，再经过上采样与真值比较，得到结果。本发明显著提升了Unet网络对于多模态分割的精度，并且有效解决了3dunet网络肿瘤分割过大的问题。
📄 202110652321X
📂 G06T7_11
👤 浙江工业大学
📅 2021-06-11
本发明属于医学图像处理技术领域，具体涉及一种基于co‑teaching和噪声标签学习的纤维分割方法。方法包括：构建训练数据集；使用专家标注的脑纤维图片标签预训练两个Piont Net网络；将训练数据集分别输入至预训练后的两个网络中为各样本打上伪标签，并将带标签的样本输入分别至预训练的两个网络中；将所有打上标签的样本划分为高质量标签、噪声标签，基于co‑teaching思想让两个网络互相教导；分别从两个网络筛选的噪声标签中，随机选取部分噪声标签对应的数据进行数据增强处理，并预测其输出；计算训练过程中两个网络的损失函数，对两个网络的参数进行更新；使用数据增强处理后的预测输出对满足条件的噪声标签进行校正；不断迭代以得到最后需要进行分割的纤维的标签。
📄 2023107662007
📂 G06T7_11
👤 浙江工业大学
📅 2023-06-27
一种基于结构特征优化的颈动脉级联学习分割方法，包括以下步骤：步骤1、通过初始分割模型获得预分割S；步骤2、基于分割子区域的距离来优化分割；步骤3、基于中心线端点距离来优化分割；步骤4、基于血管方向和中心线端点向量夹角来优化分割；基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后，得到优化后的三个分割结果(P’、G’、C’)；步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。本发明利用计算机图像处理技术对医学图像进行处理，能够更加直观地反映病人的具体生理情况。
📄 2020100406059
📂 G06T7_11
👤 浙江工业大学
📅 2020-01-15
一种基于Res2‑UNeXt网络结构的细胞图像分割方法，先对网络结构进行设计，根据细胞图像的特征，设计出合适且有效的网络；在U‑Net网络中加入了残差结构和多尺度卷积方法，分割过程为：利用训练图像的标签图来得出计算Loss所需的权值图；将原始的训练数据集输入进Res2‑NeXt网络，根据计算出的损失来更新网络的参数。不断迭代训练，直到网络预测的精度可以达到一个稳定的水平；利用已经训练好的网络来预测，输入新的数据就能得到一张细胞的分割图。本发明提出了一个多尺度的网络结构Res2‑UNeXt；能更好地获取粗粒度和细粒度的信息，从而提高了本方法分割的性能。
📄 2020103002127
📂 G06T7_11
👤 浙江工业大学
📅 2020-04-16
柿子坊 · 知识产权运营
柿子坊知识产权运营平台