CN118172613A - 一种用于微生物检测方法 - Google Patents
一种用于微生物检测方法 Download PDFInfo
- Publication number
- CN118172613A CN118172613A CN202410578514.9A CN202410578514A CN118172613A CN 118172613 A CN118172613 A CN 118172613A CN 202410578514 A CN202410578514 A CN 202410578514A CN 118172613 A CN118172613 A CN 118172613A
- Authority
- CN
- China
- Prior art keywords
- microorganism
- representing
- spectrum
- attention
- ssa
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 244000005700 microbiome Species 0.000 title claims abstract description 81
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims description 24
- 238000007792 addition Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 238000000701 chemical imaging Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 4
- 241000894006 Bacteria Species 0.000 claims description 3
- 241000194033 Enterococcus Species 0.000 claims description 3
- 241000588724 Escherichia coli Species 0.000 claims description 3
- 241000607142 Salmonella Species 0.000 claims description 3
- 241000191967 Staphylococcus aureus Species 0.000 claims description 3
- 241000194017 Streptococcus Species 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract 7
- 238000005259 measurement Methods 0.000 abstract 1
- 238000002360 preparation method Methods 0.000 abstract 1
- 229940075620 somatostatin analogue Drugs 0.000 description 25
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种用于微生物检测方法,涉及图像识别技术领域。本发明提出了微生物检测流程,包括微生物高光谱图像数据集制作、构建光谱注意力SSA、构建前反馈网络FFN、构建单光谱编码块SEB、构建双光谱编码块DSEB、构建三光谱编码块TSEB、构建微生物高光谱图像超分辨率重建模块、构建微生物检测模型和训练微生物检测模型并检测;同时提出了光谱注意力SSA,光谱注意力SSA中的相关性计算是一种鲁棒且光谱友好的相似性度量,可以取代原始的注意力矩阵运算,在不带来太多计算的情况下扩大了上采样特征的感受野,使微生物检测模型能够有效地利用不同尺度的空间光谱信息,从而生成更自然的微生物高光谱超分辨率图像,提高微生物检测效果。
Description
技术领域
本发明属于图像识别技术领域,特别涉及一种用于微生物检测方法。
背景技术
医学检验中,微生物检测是诊断疾病的关键环节。使用高光谱图像代替普通图像进行微生物检测,不仅能精确捕捉微生物的细微特征,提高诊断准确性,而且其非接触、非破坏性的检测方式保证了样本的完整性。同时,高光谱图像技术的快速检测特点为疾病的及时治疗赢得了宝贵时间。这一技术的应用,不仅提升了医学检验的效率和准确性,也为医疗领域的创新发展注入了新的活力。
使用图像识别技术代替人工检测高光谱微生物图像,不仅极大提升了检测效率和准确性,降低了人为因素导致的误差,还实现了检测过程的自动化和智能化,降低了人力成本。随着技术的不断进步,这种替代方式将为微生物检测领域带来更为全面和精准的支持,推动医疗领域的创新发展。
高光谱图像超分辨率旨在从低分辨率观测中恢复高分辨率高光谱图像。然而,目前流行的基于CNN的方法在构建远程依赖关系和捕获光谱特征之间的交互信息方面表现出了局限性,这种局限性导致上采样后光谱信息和伪影的利用不充分。
发明内容
本发明提供一种用于微生物检测方法,旨在提出光谱注意力SSA,光谱注意力SSA中的相关性计算是一种鲁棒且光谱友好的相似性度量,可以取代原始的注意力矩阵运算,在不带来太多计算的情况下扩大了上采样特征的感受野,使微生物检测模型能够有效地利用不同尺度的空间光谱信息,从而生成更自然的微生物高光谱超分辨率图像,提高微生物检测效果。
本发明旨在传统自注意力基础上进行改进,提供一种用于微生物检测方法,包括以下步骤:
S1、微生物高光谱图像数据集制作,对医学检测样品使用微生物高光谱成像设备,得到微生物高光谱图像,将其中五类细菌进行标注,五类细菌为大肠杆菌、沙门氏菌、链球菌、金黄色葡萄球菌和肠球菌,将其他物体标注为无关目标,标注完成后,得到微生物高光谱图像数据集;
S2、构建光谱注意力SSA,包括线性层和相关性计算;
S3、构建前反馈网络FFN,包括1×1卷积、3×3卷积和Leaky ReLU激活函数;
S4、构建单光谱编码块SEB,包括光谱注意力SSA和前反馈网络FFN;
S5、构建双光谱编码块DSEB,包括光谱注意力SSA和前反馈网络FFN;
S6、构建三光谱编码块TSEB,包括光谱注意力SSA和前反馈网络FFN;
S7、构建微生物高光谱图像超分辨率重建模块,包含上采样、下采样、单光谱编码块SEB、双光谱编码块DSEB、三光谱编码块TSEB和3×3卷积;
S8、构建微生物检测模型,依次由输入、微生物高光谱图像超分辨率重建模块、骨干网络、检测头和输出组成;
S9、训练微生物检测模型并检测,使用微生物高光谱图像数据集训练微生物检测模型,训练完成后,对医学检测样品使用微生物高光谱成像设备,得到待检测图像,将待检测图像输入到微生物检测模型,得到检测结果。
优选地,在S2步骤中,对于光谱注意力SSA,输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,通过线性层、/>和/>生成/>、/>和/>,/>,/>,/>,,/>,/>,其中/>等于/>和/>的乘积,光谱注意力SSA的输出为/>,/>,/>,/>代表和/>进行矩阵相乘,/>代表/>和/>的相关性计算,,/>,/>,表示/>的L2范数,/>代表广播逐元素乘积,/>代表转置,/>是尺度系数,/>,/>是偏移系数,/>,其中/>通过/>向量扩展N个维度得到,,/>,/>是/>中第i个向量,/>,其中/>通过/>向量扩展N个维度得到,/>,/>,/>是/>中第i个向量,。
优选地,在S3步骤中,对于前反馈网络FFN,输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,前反馈网络FFN的输出为/>,/>,,/>是第一个1×1卷积,/>是Leaky ReLU激活函数,/>是3×3卷积,/>是第二个1×1卷积。
优选地,在S4步骤中,对于单光谱编码块SEB,输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,单光谱编码块SEB的输出为/>,/>,,其中代表光谱注意力SSA,/>代表特征连接,/>代表前反馈网络FFN,/>代表逐元素相加。
优选地,在S5步骤中,对于双光谱编码块DSEB,输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,双光谱编码块DSEB的输出为/>,/>,,其中代表光谱注意力SSA,/>代表特征连接,/>代表前反馈网络FFN,/>代表逐元素相加。
优选地,在S6步骤中,对于三光谱编码块TSEB,对于输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,三光谱编码块TSEB的输出为/>,/>,,其中代表光谱注意力SSA,/>代表特征连接,/>代表前反馈网络FFN,/>代表逐元素相加。
优选地,在S7步骤中,对于微生物高光谱图像超分辨率重建模块,输入微生物高光谱图像,/>,将/>经过第一个3×3卷积,得到/>,/>,将/>经过第一个上采样,得到/>,/>,将/>输入到单光谱编码块SEB,得到/>,/>,将/>输入到第一个下采样,得到/>,,将/>和/>逐元素相加得到/>,/>,将输入到双光谱编码块DSEB中,得到/>,/>,将/>输入到第二个上采样,得到/>,/>,将/>和/>逐元素相加得到/>,,将/>输入到三光谱编码块TSEB,得到/>,,将/>经过第二个3×3卷积,得到微生物高光谱图像超分辨率重建模块的输出/>,/>。
与现有技术相比,本发明具有以下技术效果:
本发明提供的技术方案提出了光谱注意力SSA,光谱注意力SSA中的相关性计算是一种鲁棒且光谱友好的相似性度量,可以取代原始的注意力矩阵运算,在不带来太多计算的情况下扩大了上采样特征的感受野,使微生物检测模型能够有效地利用不同尺度的空间光谱信息,从而生成更自然的微生物高光谱超分辨率图像,提高微生物检测效果。
附图说明
图1是本发明提供的微生物检测流程图。
图2是本发明提供的光谱注意力SSA结构图。
图3是本发明提供的前反馈网络FFN结构图。
图4是本发明提供的单光谱编码块SEB结构图。
图5是本发明提供的双光谱编码块DSEB结构图。
图6是本发明提供的三光谱编码块TSEB结构图。
图7是本发明提供的微生物高光谱图像超分辨率重建模块结构图。
具体实施方式
本发明旨在提出一种用于微生物检测方法,提出了光谱注意力SSA,光谱注意力SSA中的相关性计算是一种鲁棒且光谱友好的相似性度量,可以取代原始的注意力矩阵运算,在不带来太多计算的情况下扩大了上采样特征的感受野,使微生物检测模型能够有效地利用不同尺度的空间光谱信息,从而生成更自然的微生物高光谱超分辨率图像,提高微生物检测效果。
请参见图1所示,本申请实施例中的一种用于微生物检测方法:
S1、微生物高光谱图像数据集制作,对医学检测样品使用微生物高光谱成像设备,得到微生物高光谱图像,数量为3000张,将其中五类细菌进行标注,五类细菌为大肠杆菌、沙门氏菌、链球菌、金黄色葡萄球菌和肠球菌,将其他物体标注为无关目标,总计六种标注目标,标注完成后,进行Mixup数据增强,得到微生物高光谱图像数据集,总计5000张图像,按照7比3划分训练集和验证集;
S2、构建光谱注意力SSA,包括3个线性层和1个相关性计算;
S3、构建前反馈网络FFN,包括2个1×1卷积、1个3×3卷积和2个Leaky ReLU激活函数;
S4、构建单光谱编码块SEB,包括1个光谱注意力SSA和1个前反馈网络FFN;
S5、构建双光谱编码块DSEB,包括2个光谱注意力SSA和1个前反馈网络FFN;
S6、构建三光谱编码块TSEB,包括3个光谱注意力SSA和1个前反馈网络FFN;
S7、构建微生物高光谱图像超分辨率重建模块,包含2个上采样、1个下采样、1个单光谱编码块SEB、1个双光谱编码块DSEB、1个三光谱编码块TSEB和2个3×3卷积;
S8、构建微生物检测模型,依次由输入、微生物高光谱图像超分辨率重建模块、RetinaNet骨干网络、RetinaNet检测头和输出组成;
S9、训练微生物检测模型并检测,使用微生物高光谱图像数据集训练微生物检测模型,训练完成后,对医学检测样品使用微生物高光谱成像设备,得到待检测图像,待检测图像的高和宽都为640,待检测图像的通道为224,将待检测图像输入到微生物检测模型,得到检测结果。
进一步,在S2步骤中,对于光谱注意力SSA,其结构如图2所示,输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,通过线性层、/>和/>生成/>、/>和/>,/>,/>,/>,,/>,/>,其中/>等于/>和/>的乘积,光谱注意力SSA的输出为/>,/>,/>,/>代表和/>进行矩阵相乘,矩阵相乘和图2中的/>对应,/>代表/>和/>的相关性计算,/>,/>,,/>表示/>的L2范数,/>代表广播逐元素乘积,/>代表转置,是尺度系数,/>,/>是偏移系数,/>,其中/>通过/>向量扩展N个维度得到,/>,/>,/>是/>中第i个向量,/>,其中/>通过向量扩展N个维度得到,/>,/>,/>是/>中第i个向量,。
进一步,在S3步骤中,对于前反馈网络FFN,其结构如图3所示,输入特征,,/>、/>和/>代表输入特征/>的高、宽和通道,前反馈网络FFN的输出为/>,/>,,/>是第一个1×1卷积,/>是Leaky ReLU激活函数,/>是3×3卷积,/>是第二个1×1卷积。
进一步,在S4步骤中,对于单光谱编码块SEB,其结构如图4所示,输入特征,/>,/>、/>和/>代表输入特征/>的高、宽和通道,单光谱编码块SEB的输出为/>,/>,,其中代表光谱注意力SSA,/>代表特征连接,特征连接和图4中的/>对应,代表前反馈网络FFN,/>代表逐元素相加,逐元素相加和图4中的/>对应。
进一步,在S5步骤中,对于双光谱编码块DSEB,其结构如图5所示,输入特征,/>,/>、/>和/>代表输入特征/>的高、宽和通道,双光谱编码块DSEB的输出为/>,/>,,其中代表光谱注意力SSA,/>代表特征连接,特征连接和图4中的/>对应,代表前反馈网络FFN,/>代表逐元素相加,逐元素相加和图4中的/>对应。
进一步,在S6步骤中,对于三光谱编码块TSEB,其结构如图6所示,对于输入特征,/>,/>、/>和/>代表输入特征/>的高、宽和通道,三光谱编码块TSEB的输出为/>,/>,,其中代表光谱注意力SSA,/>代表特征连接,特征连接和图4中的/>对应,代表前反馈网络FFN,/>代表逐元素相加,逐元素相加和图4中的/>对应。
进一步,在S7步骤中,对于微生物高光谱图像超分辨率重建模块,其结构如图7所示,输入微生物高光谱图像,/>,将/>经过第一个3×3卷积,得到/>,,将/>经过第一个上采样,得到/>,/>,将/>输入到单光谱编码块SEB,得到/>,/>,将/>输入到第一个下采样,得到/>,/>,将/>和/>逐元素相加得到/>,/>,将/>输入到双光谱编码块DSEB中,得到/>,,将/>输入到第二个上采样,得到/>,,将/>和/>逐元素相加得到/>,,将/>输入到三光谱编码块TSEB,得到/>,,将/>经过第二个3×3卷积,得到微生物高光谱图像超分辨率重建模块的输出/>,/>。
以上仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (7)
1.一种用于微生物检测方法,其特征在于,包括以下步骤:
S1、微生物高光谱图像数据集制作,对医学检测样品使用微生物高光谱成像设备,得到微生物高光谱图像,将其中五类细菌进行标注,五类细菌为大肠杆菌、沙门氏菌、链球菌、金黄色葡萄球菌和肠球菌,将其他物体标注为无关目标,标注完成后,得到微生物高光谱图像数据集;
S2、构建光谱注意力SSA,包括线性层和相关性计算;
S3、构建前反馈网络FFN,包括1×1卷积、3×3卷积和Leaky ReLU激活函数;
S4、构建单光谱编码块SEB,包括光谱注意力SSA和前反馈网络FFN;
S5、构建双光谱编码块DSEB,包括光谱注意力SSA和前反馈网络FFN;
S6、构建三光谱编码块TSEB,包括光谱注意力SSA和前反馈网络FFN;
S7、构建微生物高光谱图像超分辨率重建模块,包含上采样、下采样、单光谱编码块SEB、双光谱编码块DSEB、三光谱编码块TSEB和3×3卷积;
S8、构建微生物检测模型,依次由输入、微生物高光谱图像超分辨率重建模块、骨干网络、检测头和输出组成;
S9、训练微生物检测模型并检测,使用微生物高光谱图像数据集训练微生物检测模型,训练完成后,对医学检测样品使用微生物高光谱成像设备,得到待检测图像,将待检测图像输入到微生物检测模型,得到检测结果。
2.根据权利要求1所述的一种用于微生物检测方法,其特征在于,在S2步骤中,对于光谱注意力SSA,输入特征,/>,/>、/>和/>代表输入特征/>的高、宽和通道,通过线性层/>、/>和/>生成/>、/>和/>,/>,,/>,/>,/>,/>,其中/>等于/>和的乘积,光谱注意力SSA的输出为/>,/>,,/>代表/>和/>进行矩阵相乘,/>代表和/>的相关性计算,/>,,/>,/>表示/>的L2范数,/>代表广播逐元素乘积,/>代表转置,/>是尺度系数,/>,/>是偏移系数,/>,其中/>通过/>向量扩展N个维度得到,/>,/>,/>是/>中第i个向量,,其中/>通过/>向量扩展N个维度得到,/>,/>,是/>中第i个向量,/>。
3.根据权利要求1所述的一种用于微生物检测方法,其特征在于,在S3步骤中,对于前反馈网络FFN,输入特征,/>,/>、/>和/>代表输入特征的高、宽和通道,前反馈网络FFN的输出为/>,/>,,/>是第一个1×1卷积,/>是Leaky ReLU激活函数,/>是3×3卷积,/>是第二个1×1卷积。
4.根据权利要求1所述的一种用于微生物检测方法,其特征在于,在S4步骤中,对于单光谱编码块SEB,输入特征,/>,/>、/>和/>代表输入特征的高、宽和通道,单光谱编码块SEB的输出为/>,,,其中代表光谱注意力SSA,/>代表特征连接,/>代表前反馈网络FFN,/>代表逐元素相加。
5.根据权利要求1所述的一种用于微生物检测方法,其特征在于,在S5步骤中,对于双光谱编码块DSEB,输入特征,/>,/>、/>和/>代表输入特征/>的高、宽和通道,双光谱编码块DSEB的输出为/>,,,其中代表光谱注意力SSA,/>代表特征连接,/>代表前反馈网络FFN,/>代表逐元素相加。
6.根据权利要求1所述的一种用于微生物检测方法,其特征在于,在S6步骤中,对于三光谱编码块TSEB,对于输入特征,/>,/>、/>和/>代表输入特征/>的高、宽和通道,三光谱编码块TSEB的输出为/>,,,其中代表光谱注意力SSA,/>代表特征连接,/>代表前反馈网络FFN,/>代表逐元素相加。
7.根据权利要求1所述的一种用于微生物检测方法,其特征在于,在S7步骤中,对于微生物高光谱图像超分辨率重建模块,输入微生物高光谱图像,/>,将/>经过第一个3×3卷积,得到/>,/>,将/>经过第一个上采样,得到/>,,将/>输入到单光谱编码块SEB,得到/>,,将/>输入到第一个下采样,得到/>,,将/>和/>逐元素相加得到/>,/>,将输入到双光谱编码块DSEB中,得到/>,/>,将/>输入到第二个上采样,得到/>,/>,将/>和/>逐元素相加得到/>,,将/>输入到三光谱编码块TSEB,得到/>,,将/>经过第二个3×3卷积,得到微生物高光谱图像超分辨率重建模块的输出/>,/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410578514.9A CN118172613B (zh) | 2024-05-11 | 2024-05-11 | 一种用于微生物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410578514.9A CN118172613B (zh) | 2024-05-11 | 2024-05-11 | 一种用于微生物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118172613A true CN118172613A (zh) | 2024-06-11 |
CN118172613B CN118172613B (zh) | 2024-07-05 |
Family
ID=91358700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410578514.9A Active CN118172613B (zh) | 2024-05-11 | 2024-05-11 | 一种用于微生物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118172613B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452969A (zh) * | 2023-03-01 | 2023-07-18 | 南京理工大学 | 基于对抗自编码器和注意力机制的高光谱目标检测方法 |
US20230260279A1 (en) * | 2020-10-07 | 2023-08-17 | Wuhan University | Hyperspectral remote sensing image classification method based on self-attention context network |
CN116612337A (zh) * | 2023-07-19 | 2023-08-18 | 中国地质大学(武汉) | 基于高光谱图像的物体检测方法、装置、系统及存储介质 |
CN117095393A (zh) * | 2023-08-30 | 2023-11-21 | 西安方合圆光检科技有限公司 | 基于显微高光谱成像技术的微生物检测方法、系统、电子设备及存储介质 |
CN117975133A (zh) * | 2024-01-30 | 2024-05-03 | 西安邮电大学 | 高光谱图像分类方法、系统、计算机程序产品 |
-
2024
- 2024-05-11 CN CN202410578514.9A patent/CN118172613B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230260279A1 (en) * | 2020-10-07 | 2023-08-17 | Wuhan University | Hyperspectral remote sensing image classification method based on self-attention context network |
CN116452969A (zh) * | 2023-03-01 | 2023-07-18 | 南京理工大学 | 基于对抗自编码器和注意力机制的高光谱目标检测方法 |
CN116612337A (zh) * | 2023-07-19 | 2023-08-18 | 中国地质大学(武汉) | 基于高光谱图像的物体检测方法、装置、系统及存储介质 |
CN117095393A (zh) * | 2023-08-30 | 2023-11-21 | 西安方合圆光检科技有限公司 | 基于显微高光谱成像技术的微生物检测方法、系统、电子设备及存储介质 |
CN117975133A (zh) * | 2024-01-30 | 2024-05-03 | 西安邮电大学 | 高光谱图像分类方法、系统、计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN118172613B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105931179A (zh) | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 | |
CN112150568A (zh) | 基于Transformer模型的磁共振指纹成像重建方法 | |
CN111754520B (zh) | 一种基于深度学习的脑血肿分割方法及系统 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN111667445A (zh) | 一种基于Attention多特征融合的图像压缩感知重建方法 | |
CN110895815A (zh) | 一种基于深度学习的胸部x线气胸分割方法 | |
CN108564607B (zh) | 三维脑图谱数据集空间校准方法及系统 | |
CN111598962B (zh) | 基于矩阵草图分析的单像素成像方法和装置 | |
CN115578427A (zh) | 基于深度学习的无监督单模态医学图像配准方法 | |
Zhou et al. | Spatial orthogonal attention generative adversarial network for MRI reconstruction | |
CN118172613B (zh) | 一种用于微生物检测方法 | |
CN112700508B (zh) | 一种基于深度学习的多对比度mri图像重建方法 | |
Sui et al. | Simultaneous image reconstruction and lesion segmentation in accelerated MRI using multitasking learning | |
CN117197349A (zh) | 一种ct图像重建方法及装置 | |
CN114119558B (zh) | 一种自动生成鼻咽癌影像诊断结构化报告方法 | |
CN116823613A (zh) | 基于梯度增强注意力的多模态mr影像超分辨率方法 | |
CN115471580A (zh) | 一种物理智能高清磁共振扩散成像方法 | |
CN115761377A (zh) | 基于上下文注意力机制的吸烟者脑部磁共振影像分类方法 | |
CN114140404A (zh) | 基于人工智能的肺部多核mri双域超分辨率重建方法 | |
Wang et al. | Detection of resampling based on singular value decomposition | |
Li et al. | POCS-Augmented CycleGAN for MR Image Reconstruction | |
CN115861762B (zh) | 一种即插即用无限形变融合特征提取的方法及其应用 | |
Zhang et al. | Large-scale 3D non-Cartesian coronary MRI reconstruction using distributed memory-efficient physics-guided deep learning with limited training data | |
CN111157934B (zh) | 一种基于生成式对抗网络的并行磁共振成像方法 | |
CN113298907B (zh) | 一种基于伽马核范数和总变分的核磁图像重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |