-
公开(公告)号：CN117994266B
公开(公告)日：2024-08-16
申请号：CN202311805255.0
申请日：2023-12-26
Abstract: 本发明公开了一种基于对抗性域适应的低质量眼底彩照智能分割方法，首先进行数据采集和预处理；然后构建生成对抗网络，包括生成器和判别器，用于样本间的映射和真实性判别，对抗训练包括多种损失函数的优化；然后构造UNet分割模型，并进行预训练和微调，最终实现高精度的眼底图像分割。本基于对抗性域适应的低质量眼底彩照智能分割方法结合对抗性域适应和深度学习分割技术，不仅可提高模型在处理不同质量图像上的适应性和鲁棒性，而且可提升分割的准确性和效率，在实际应用中，即使是来自质量较低的成像设备的图像，也能被准确分割，从而可以为眼科医生提供更可靠的诊断信息。
-
公开(公告)号：CN118096685A
公开(公告)日：2024-05-28
申请号：CN202410208209.0
申请日：2024-02-26
Abstract: 本发明公开了一种基于深度学习的眼底图像渗漏区定量化计算方法，针对出现弥漫性渗漏患者的FFA图像，对同一患者不同时间的图像进行配准后作差，对得到的非零像素区域进行定量分析，实现观察该患者弥漫性渗漏的面积变化并分析；针对非弥漫性渗漏患者的FFA图像，对同一对象的不同部分计算不同的原型，将不同的图像区域与不同的原型相关联来执行基于原型的语义表示，通过充分利用有限支持图像的语义来增强小样本分割性能，实现系统性地解决语义模糊问题，进而得到相对精确的渗漏区域。
-
公开(公告)号：CN117994266A
公开(公告)日：2024-05-07
申请号：CN202311805255.0
申请日：2023-12-26
Abstract: 本发明公开了一种基于对抗性域适应的低质量眼底彩照智能分割方法，首先进行数据采集和预处理；然后构建生成对抗网络，包括生成器和判别器，用于样本间的映射和真实性判别，对抗训练包括多种损失函数的优化；然后构造UNet分割模型，并进行预训练和微调，最终实现高精度的眼底图像分割。本基于对抗性域适应的低质量眼底彩照智能分割方法结合对抗性域适应和深度学习分割技术，不仅可提高模型在处理不同质量图像上的适应性和鲁棒性，而且可提升分割的准确性和效率，在实际应用中，即使是来自质量较低的成像设备的图像，也能被准确分割，从而可以为眼科医生提供更可靠的诊断信息。
-
公开(公告)号：CN117557840B
公开(公告)日：2024-05-24
申请号：CN202311491052.9
申请日：2023-11-10
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06V10/74 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于小样本学习的眼底病变分级方法，首先进行视网膜眼底彩照的采集和预处理，得到现有的眼底病变数据集；接着将该影像数据通过已经经过预训练和元训练的对比网络和元网络分别学习各级别眼底病变的类内特征和类间特征；最后对未标记的影像与各级别眼底病变原型进行相似性评分以进行眼底病变的分级预测。本发明可通过进行元训练过后的包括对比网络和元网络的双网络结构自行学习只有少量样本的眼底病变眼底彩照，并对待预测样本进行更好的归类，能够在从特征空间和标签空间两方面有效减轻噪声影响的基础上实现眼底病变分级，进而实现提高眼底病变预测的准确性。
-
Patent Agency Ranking
公开(公告)号：CN117557840A
公开(公告)日：2024-02-13
申请号：CN202311491052.9
申请日：2023-11-10
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06V10/74 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
Abstract: 本发明公开了一种基于小样本学习的眼底病变分级方法，首先进行视网膜眼底彩照的采集和预处理，得到现有的眼底病变数据集；接着将该影像数据通过已经经过预训练和元训练的对比网络和元网络分别学习各级别眼底病变的类内特征和类间特征；最后对未标记的影像与各级别眼底病变原型进行相似性评分以进行眼底病变的分级预测。本发明可通过进行元训练过后的包括对比网络和元网络的双网络结构自行学习只有少量样本的眼底病变眼底彩照，并对待预测样本进行更好的归类，能够在从特征空间和标签空间两方面有效减轻噪声影响的基础上实现眼底病变分级，进而实现提高眼底病变预测的准确性。
-
公开(公告)号：CN119887800A
公开(公告)日：2025-04-25
申请号：CN202411880812.X
申请日：2024-12-19
IPC: G06T7/11 , G06T7/00 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/094
Abstract: 本发明提供了一种多尺度统一建模的荧光素眼底血管造影图像智能分割方法，步骤一：数据采集与预处理；步骤二：进行拉普拉斯金字塔分解；高斯分解；拉普拉斯分解；对于来自源域和目标域的不同图像均进行两层的拉普拉斯分散；步骤三：构建域对齐网络；构建全局结构编码器和细节增强编码器；分别捕捉来自源域和目标域的全局上下方信息，并将它们映射至共享的向量空间中；引入多尺度特征融合机制，并将融合输出特征映射至共享的向量空间中；最小化域间分布差异；步骤四：构建U‑Net自动分割模型；搭建分割网络；采用U‑Net模型搭建分割网络模型；模型训练；步骤五：进行眼底彩照跨设备的自动分割。该方法能够显著提升多样化眼底图像上的分割精度。
-
公开(公告)号：CN119887517A
公开(公告)日：2025-04-25
申请号：CN202510068311.X
申请日：2025-01-16
IPC: G06T3/4038 , G06T3/4046 , G06T5/50 , G06T5/60 , G06T7/33 , G06V10/40 , G06V10/42 , G06V10/44 , G06V10/75 , G06V10/766 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/088
Abstract: 一种面向便携式眼底彩照设备的无监督深度学习图像拼接方法，构建图像配准网络的多尺度特征提取模块；构建图像配准网络的特征匹配模块：将多尺度特征提取模块和特征匹配模块依次连接形成构建图像配准网络；构建浅层特征提取器；构建特征重建模块；构建接缝生成器；将浅层特征提取器、特征重建模块和接缝生成器依次连接形成融合网络；构建融合网络；连接图像配准网络和图像融合网络形成图像拼接模型；数据采集；数据预处理；得到训练好的图像配准网络；得到训练好的图像融合网络；利用训练好的图像配准网络和训练好的图像融合网络形成眼底图像拼接模型；利用眼底图像拼接模型进行图像进行拼接。该方法能高效地生成高质量的眼底拼接图像。
-
公开(公告)号：CN117994509B
公开(公告)日：2024-07-12
申请号：CN202311805256.5
申请日：2023-12-26
IPC: G06V10/26 , G06V10/94 , G06V40/18 , G06V10/82 , G06N3/0895
Abstract: 本发明公开了一种基于交互式的眼底图像无灌注区域智能识别方法，首先对图像进行预处理，之后使用U‑net分割模型结合本发明提出的补丁拉锯对比正则化模型和交互记忆网络来进行模型的预训练，预训练时使用少量标记数据即可；最后在用户使用过程中进行多轮交互、迭代改进，交互记忆网络根据用户对小区域识别修改后进行学习并记忆，通过多轮推理逐步提升分割性能。通过本基于交互式的眼底图像无灌注区域智能识别方法来识别眼底的无灌注区域可以提高分割效率，可帮助医生更快速、准确和高效识别患者的眼底无灌注区域，进而进行有针对性的及时治疗。
-
公开(公告)号：CN117994509A
公开(公告)日：2024-05-07
申请号：CN202311805256.5
申请日：2023-12-26
IPC: G06V10/26 , G06V10/94 , G06V40/18 , G06V10/82 , G06N3/0895
Abstract: 本发明公开了一种基于交互式的眼底图像无灌注区域智能识别方法，首先对图像进行预处理，之后使用U‑net分割模型结合本发明提出的补丁拉锯对比正则化模型和交互记忆网络来进行模型的预训练，预训练时使用少量标记数据即可；最后在用户使用过程中进行多轮交互、迭代改进，交互记忆网络根据用户对小区域识别修改后进行学习并记忆，通过多轮推理逐步提升分割性能。通过本基于交互式的眼底图像无灌注区域智能识别方法来识别眼底的无灌注区域可以提高分割效率，可帮助医生更快速、准确和高效识别患者的眼底无灌注区域，进而进行有针对性的及时治疗。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.056 seconds)
