【CN110033848A】一种基于无监督学习的三维医学影像z轴插值方法【专利】

合集下载

一种基于无监督对偶学习的视频插帧方法[发明专利]

专利名称：一种基于无监督对偶学习的视频插帧方法专利类型：发明专利
发明人：李学龙,赵斌,张馥华
申请号：CN202111296659.2
申请日：20211104
公开号：CN114066730A
公开日：
20220218
专利内容由知识产权出版社提供
摘要：为了克服现有技术的不足，本发明提供一种基于无监督对偶学习的视频插帧方法。

首先，对输入的视频训练数据集进行分组；然后，利用无监督的双向光流网络生成两帧图像的光流信息，并计算中间光流信息和初步的中间插帧图像；接着，利用细化光流模块生成细化的中间光流信息，并计算细化的中间插帧图像；最后，采用视频外插的方法，计算中间插帧图像到输入两帧图像的光流信息，再利用图像扭转方法合成得到新的输入帧，以新的输入帧做为监督信息训练整个网络，得到最终的插帧结果图像。

本发明通过利用插帧方法生成高质量中间帧，再以其作为参考帧外推得到新的输入帧的方式，无需利用大量的高帧率视频集，计算简单。

申请人：西北工业大学
地址：710072 陕西省西安市友谊西路127号
国籍：CN
代理机构：西北工业大学专利中心
代理人：常威威
更多信息请下载全文后查看。

医学影像处理的无监督学习算法研究与优化

医学影像处理的无监督学习算法研究与优化随着医疗技术的不断发展和进步，医学影像处理已经成为了临床医学中不可或缺的重要环节。

在医学影像处理中，传统的有监督学习算法通常需要大量的标注数据来训练模型，而这往往是十分耗时和昂贵的。

然而，无监督学习算法的出现弥补了这个缺陷，为医学影像处理带来了新的可能性。

无监督学习算法是一种能够从未标注的数据中自动学习模式或表示的机器学习方法，它不需要人工标注的标签或类别作为训练的目标。

相对于有监督学习算法，无监督学习算法更加具有普适性和广泛性，因为它可以从未经标注的数据中挖掘出隐藏的结构和模式。

在医学影像处理中，无监督学习算法可以用于多个方面。

首先，它可以用于图像分割，通过将图像分类为不同的区域或对象，帮助医生识别和定位特定的病变或组织。

其次，它可以用于图像重建，通过从噪声图像中恢复出清晰的图像，提高医学影像的质量和可视化效果。

此外，无监督学习算法还可以用于图像配准、异常检测和特征提取等应用。

针对医学影像处理的无监督学习算法，研究和优化的关键问题是算法的稳定性、可解释性和性能。

首先，算法的稳定性是指算法对噪声、图像变化和不确定性等因素的鲁棒性。

在医学影像处理中，图像往往受到噪声、运动伪影、衰减等因素的影响，因此算法需要具备一定的稳健性来处理这些干扰。

其次，算法的可解释性是指算法产生的结果是否可以被人类理解和解释。

在医学影像处理中，可解释性是十分重要的，因为医生需要理解算法的结果才能做出准确的诊断和干预。

最后，算法的性能是指算法在处理医学影像时的准确性、效率和可扩展性。

为了提高算法的性能，研究人员需要设计和优化有效的算法模型和算法策略。

对于医学影像处理的无监督学习算法研究与优化，有以下几个方向值得关注。

首先，基于聚类的无监督学习算法是医学影像处理中常见的方法之一。

聚类是一种通过将数据分成不同的类别或簇的方法，它可以用于图像分割和特征提取等应用。

目前，基于聚类的无监督学习算法在医学影像处理中取得了一些成果，但仍然面临一些挑战，如算法的准确性和鲁棒性有待进一步提高。

一种基于三维激光点云数据的排序、插值处理方法[发明专利]

专利名称：一种基于三维激光点云数据的排序、插值处理方法专利类型：发明专利
发明人：张彦,陈华
申请号：CN202210204351.9
申请日：20220303
公开号：CN114612632A
公开日：
20220610
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于三维激光点云数据的排序、插值处理方法，包括：S1、数据采集：用三维激光扫描仪采集点云数据；S2、裁剪：将采集到的非目标点裁剪删除；S3、修补：对三维图像进行初步修补，填补孔洞；S4、切割：为便于计算将点云数据切割成标准矩形；S5、标号：依据矩形顶点坐标划分网格对点进行标号排序；S6、插值：先利用空间三角面中点的坐标和连接关系进行插值，再利用每个点周边八个点的信息进行插值。

本发明提出的基于三维激光点云数据的排序、插值处理方法，简化使用三维激光扫描仪前的准备工作，在考虑点的坐标信息和点与点之间的连接关系的基础上，对离散三维数据实现排序、插值等功能，得到平滑的三维图形，以便后期的数据应用。

申请人：武汉科技大学
地址：430000 湖北省武汉市洪山区武汉科技大学黄家湖校区教九楼
国籍：CN
代理机构：武汉泰羊专利代理事务所(普通合伙)
代理人：谷孝东
更多信息请下载全文后查看。

基于深度学习的ZZZ医学影像检测技术研究

基于深度学习的ZZZ医学影像检测技术研究随着大数据技术的不断发展和深度学习技术的快速成熟，计算机在医学影像检测领域的应用变得越来越广泛。

越来越多的研究者和医学专家开始使用深度学习技术来解决医疗领域的问题。

本文将讨论基于深度学习的医学影像检测技术研究。

一、医学影像检测的意义医学影像检测是医学领域中重要的一部分。

它是将人体内部的组织、器官等结构从二维或三维的医学影像中分割出来，以帮助医生更好地进行诊断和治疗。

医学影像检测技术的研究和应用对于提高医疗水平、提高疾病的早期诊断率、减少医疗费用和降低疾病死亡率等方面都具有至关重要的意义。

二、医学影像检测的瓶颈传统的医学影像检测技术主要是由专业的医生手工完成的，这一过程耗时且容易出错。

而且，医生可能因为角度的问题或者自身的经验等诸多因素而漏检一些细微的病变。

这样一来，不仅增加了医疗费用，还可能造成疾病的误诊或漏诊。

三、基于深度学习的医学影像检测技术近年来，随着深度学习技术的发展，基于深度学习的医学影像检测技术开始快速崛起。

深度学习技术可以将医学影像数据进行自动化的特征提取和分析，通过对数据的学习和训练，提高了医学影像检测的精确度和准确率。

基于深度学习的医学影像检测技术主要包括以下三种模型：卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)。

卷积神经网络主要是通过多次卷积和池化操作，对影像特征进行准确的提取和分析，能够有效地检测出影像中的异常区域，如肿瘤、病灶等等。

循环神经网络主要是将影像中的每个像素点作为输入，通过逐个像素点的训练，得出影像中每个区域的特征，如血管、神经等等。

生成对抗网络则是通过两个神经网络的博弈过程，生成类似真实世界的医学影像图像。

这种技术可以通过大量合成数据增加真实世界数据的种类，从而提高医学影像检测的精度和准确率。

四、基于深度学习的医学影像检测技术的应用目前，基于深度学习的医学影像检测技术已经广泛应用于医疗电子病历、心脑血管病、肿瘤诊断等方面。

无监督学习在医学影像处理中的应用

无监督学习在医学影像处理中的应用第一章介绍1.1 引言医学影像处理是医学领域中的重要研究方向，其目的是通过对医学影像数据进行分析和处理，提取有用的信息，为医生做出准确的诊断和治疗决策提供支持。

传统的医学影像处理方法通常需要人工指定特定的特征和规则，并且需要大量的标注数据进行训练，这在实际应用中存在一定的局限性。

而无监督学习作为机器学习领域的重要分支，可以自动从数据中学习隐含的模式和结构，无需人工标注样本，因此在医学影像处理中得到了广泛应用。

1.2 无监督学习技术概述无监督学习是一种从无标签数据中自动发现模式和关系的机器学习方法。

常见的无监督学习技术包括聚类、降维和异常检测等。

聚类技术用于将相似的样本分为一组，常用的方法有K-means、层次聚类等。

降维技术用于将高维数据转化为低维表示，可以减少数据的维度和复杂度，常用的方法有主成分分析（PCA）、独立成分分析（ICA）等。

异常检测技术用于发现与其他样本有明显差异的异常样本，常用的方法有基于概率模型的方法和基于距离的方法等。

第二章无监督学习在医学影像分析中的应用2.1 医学影像聚类医学影像聚类技术可以将具有相似特征和形态的病灶区域划分为一组，有助于医生对疾病进行分类和诊断。

例如，乳腺癌的图像聚类可以将不同病灶的乳腺癌区域分为多个子簇，从而有助于确定不同类型的病灶。

常用的医学影像聚类算法包括K-means、谱聚类等。

2.2 医学影像降维医学影像通常具有高维度的特征，使用传统的高维特征进行分析和处理会面临计算复杂度高、可解释性差等问题。

因此，降维技术在医学影像处理中具有重要的意义。

降维技术可以将医学影像转化为低维度的表示，提高计算效率和降低存储成本。

例如，通过应用PCA算法可以将乳腺X线图像转化为低维的特征向量，从而实现对乳腺癌的自动诊断。

2.3 医学影像异常检测医学影像异常检测技术可以发现图像中与其他样本明显不同的异常区域，有助于医生诊断和治疗疾病。

基于弱监督学习的三维图像分类方法、系统、设备及介质[发明专利]

专利名称：基于弱监督学习的三维图像分类方法、系统、设备及介质
专利类型：发明专利
发明人：贾士绅,薛梦凡,朱闻韬
申请号：CN202210267031.8
申请日：20220318
公开号：CN114399634A
公开日：
20220426
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于弱监督学习的三维图像分类方法、系统、设备及介质，本发明采用多示例学习，使用具体切片标签的数据集进行网络训练，采用迁移学习来进行三维图像的特征提取，随后构建一种基于双阶段注意力的多示例学习分类网络，实现了三维图像的快速准确分类。

本发明采用一种弱监督策略，无需大量标注的数据集，减少了数据收集与前期处理的工作量，同时提出的基于双阶段注意力的分类网络，相比于其它深度学习分类方法，大幅的提升了分类速度与分类准确率，且具有更高的适应性和鲁棒性，具有更高的实用性。

申请人：之江实验室
地址：311121 浙江省杭州市余杭区文一西路1818号人工智能小镇10号楼
国籍：CN
代理机构：杭州求是专利事务所有限公司
代理人：邱启旺
更多信息请下载全文后查看。

基于对应点的三维医学图像相关性插值

基于对应点的三维医学图像相关性插值
尹学松;齐幼菊;陈小冬;龚祥国
【期刊名称】《系统仿真学报》
【年(卷),期】2005(17)9
【摘要】现有的插值方法在进行医学断层图像插值时,要么不能兼顾灰度和形状的变化,要么计算量太大。

为解决这一问题,文中提出一种基于对应点的三维医学图像相关性插值算法。

通过对两幅断层图像进行门限分割,获得体素的分割值。

在相同密度物质的区域内,采用体素的相关性来进行插值,不同密度物质区域采用缩放区域大小作为插值数据,使新的图像不仅在灰度上,而且在组织形状上,介于原来的断层图像之间,满足了医学图像插值的要求。

与线性插值相比,新算法的视觉效果好,计算误差小;与小波插值相比,新算法的计算量极大地减少。

插值结果可有效地应用于构建三维体模型。

【总页数】4页(P2183-2186)
【关键词】三维医学图像;相关性;门限分割;连通度
【作者】尹学松;齐幼菊;陈小冬;龚祥国
【作者单位】浙江广播电视大学计算机科学与技术系
【正文语种】中文
【中图分类】TP391.9
【相关文献】
1.基于对应点匹配的断层图像三维插值方法 [J], 缪斌和;邓元木;黄斐增
2.基于边界信息的医学图像三维插值 [J], 田沄;王毅;赵海涛;卫旭芳;郝重阳
3.基于B样条插值的医学图像三维重构技术 [J], 郑庆帅;张洛平
4.基于相关性的三维医学图像插值 [J], 张薇;尹学松;吴国华
5.一种基于形状的三维医学图像插值算法 [J], 卫旭芳;田沄;王毅;位军;郝重阳因版权原因，仅展示原文概要，查看原文内容请购买。

无监督学习在医学影像处理中的应用

无监督学习在医学影像处理中的应用摘要：无监督学习是机器学习中一个重要的研究领域，其在医学影像处理中的应用具有广阔的前景。

本文将从无监督学习的概念出发，介绍其在医学影像处理中的应用，并详细阐述了常见的几个具体应用案例，包括医学影像分割、医学图像生成、疾病诊断等。

通过对无监督学习在医学影像处理中的应用的研究，可以为医学诊断提供更准确的结果，提高医学影像处理的自动化程度。

一、引言随着医学科技的不断进步，医学影像处理在临床医学中的应用越来越广泛。

医学影像处理旨在对医学图像进行分析和处理，以达到更好的诊断效果。

然而，医学影像处理中遇到的一个问题是图像数据量庞大，传统的手工提取特征的方法效率低下。

无监督学习的引入为解决这一问题提供了新的思路。

二、无监督学习的概念无监督学习是一类机器学习方法，其目标是从未标记的数据中学习数据的结构和分布，从而对数据进行聚类、降维、异常检测等操作。

无监督学习相对于监督学习，不需要提前标注数据，因此可以更加高效地处理大规模数据。

三、无监督学习在医学影像处理中的应用3.1 医学影像分割医学影像分割是医学图像处理中的一项重要任务，其目标是将医学图像中不同组织、器官或病变进行准确地划分。

传统的医学影像分割方法需要依赖人工提取特征和手动标注样本，耗时耗力且易受主观因素影响。

而无监督学习可以自动从未标记的数据中学习图像的特征和分布，进而实现自动的影像分割。

例如，可以使用聚类算法对医学图像中的像素进行聚类操作，将具有相似特征的像素划分为同一类别，从而实现医学图像的自动分割。

3.2 医学图像生成医学图像生成是指通过给定的一些先验知识或少量已知样本，利用无监督学习方法生成新的医学图像。

这在一些医学影像数据较少或难以获取的情况下具有重要的意义。

例如，在某些罕见病种类的图像数据较少的情况下，可以使用无监督学习方法生成新的医学图像，以扩充数据集，提高疾病诊断的准确性。

3.3 疾病诊断无监督学习在疾病诊断中的应用也具有重要意义。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910305088.0
(22)申请日 2019.04.16
(71)申请人厦门大学
地址 361005 福建省厦门市思明南路422号
(72)发明人丁兴号　董成威　黄悦　
(74)专利代理机构厦门南强之路专利事务所
(普通合伙) 35200
代理人马应森
(51)Int.Cl.
G16H 30/40(2018.01)
G06N 20/00(2019.01)
(54)发明名称
一种基于无监督学习的三维医学影像z轴插
值方法
(57)摘要
一种基于无监督学习的三维医学影像z轴插
值方法，涉及图像处理领域。

能够有效的提高三
维医学影像z轴分辨率，很大程度上解决了三维
医学影像x、y、z轴上分辨率不够匹配的问题，对
医生的诊断具有辅助意义。

方法包括：A、通过特
征偏移对无监督学习网络进行优化的方法；B、对
数据进行退化处理辅助指导无监督学习网络优
化方向的方法；C、一种评估特征偏移的评价方
法。

建立在深度学习模型的基础上，能够实现很
好的z轴数据插值效果。

权利要求书2页说明书4页附图1页CN 110033848 A 2019.07.19
C N 110033848
A
1.一种基于无监督学习的三维医学影像z轴插值方法，其特征在于包括以下步骤：
1)基于特征偏移对无监督学习网络进行优化的方法；
2)对数据进行退化处理辅助指导无监督学习网络优化方向的方法；
3)一种评估特征偏移的评价方法。

2.如权利要求1所述一种基于无监督学习的三维医学影像z轴插值方法，其特征在于在步骤1)中，所述基于特征偏移对无监督学习网络进行优化的方法的具体步骤为：
在无标签数据情况下，通过对输出图像的特征偏移约束优化无监督学习网络；由于三维医学影像的特殊性，在采集过程中无法获取直接的标签数据，即z轴上无法直接获得两帧图像的中间图像；监督学习的标签约束无法被应用到网络学习过程中，提出一种基于图像特偏移约束网络优化的方法，
其优化过程由以下表达式确定：
其中，x in 为输入图像组，x near 为所求插值帧的相邻帧，f θ(·)为由参数组θ给参的无监督网络，AlexNet(·)为AlexNet特征抽取网络，该表达式的含义在于，在无监督网络输出图像的特征逼近相邻帧特征的约束下优化网络参数θ，使得网络收敛。

3.如权利要求1所述一种基于无监督学习的三维医学影像z轴插值方法，其特征在于在步骤2)中，所述对数据进行退化处理辅助指导无监督学习网络优化方向的方法的具体步骤为：
由于特征约束网络优化不能完整约束整个网络的优化方向，提出一种以退化的数据对网络进行优化方向约束的方法；在通过提出的退化数据获取方法获取退化的数据组后，使用该数据组对无监督网络进行监督优化，辅助无监督网络约束优化方向，该优化过程由以
下表达式确定：其中，为退化的输入数据组，为退化的输入数据组标签，该表达式描述为：无监督网络输入退化的数据组，在输出图像逼近退化数据组的标签的约束下，对网络优化方向进行辅助约束；
具体步骤如下：
第一步：对数据做退化处理，对三维医学影像进行等奇数间隔抽取，即每隔奇数帧对图像进行抽取，组成退化后的数据组，该数据组模拟z轴插值的退化过程，同时由于等奇数间隔抽取，退化数据组的标签帧得到保留；
第二步：使用退化的数据组对无监督网络进行带标签的监督训练，辅助无监督网络约束优化方向。

4.如权利要求1所述一种基于无监督学习的三维医学影像z轴插值方法，其特征在于在步骤3)中，所述一种评估特征偏移的评价方法的具体方法为：
在获得z轴插值后的图像后，需要一种评价指标反映插值图像的优劣，提出一种基于图像特征偏移的指标评估方法DoFS，通过衡量特征的变化反映z轴插值效果；该评价指标由以下表达式表示：
权　利　要　求　书1/2页2CN 110033848 A。