-
公开(公告)号：CN117576012A
公开(公告)日：2024-02-20
申请号：CN202311491055.2
申请日：2023-11-10
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于不平衡眼底图像数据的疾病预测方法，针对不平衡眼底病变图像数据通过训练不平衡数据疾病预测模型来提高眼底图像病变筛查率和准确率，首先对图像进行预处理，之后采用融合标签增强技术将输入眼底图像的逻辑标签转换为标签分布，然后将得到的标签分布作为输入传入不平衡标记分布学习网络中进行训练以平衡模型的训练数据，最后利用训练好的网络预测眼底病变图像获得患对应每种病的概率值。通过本基于不平衡眼底图像数据的疾病预测方法可以得出每个图像对每个病变类别的可能性，从而更好地处理不确定性情况，能够更全面、准确、可靠地识别和分析眼底病变。
-
公开(公告)号：CN119888232A
公开(公告)日：2025-04-25
申请号：CN202510066781.2
申请日：2025-01-16
IPC: G06V10/26 , G06V10/82 , G06V10/42 , G06V10/44 , G06V10/80 , G06T7/00 , G06N3/0455 , G06N3/0464 , G06N3/084
Abstract: 一种面向病理性近视智能诊断的眼底彩照分割模型构建方法，利用图像增强单元、尺寸调整单元和归一化单元搭建图像预处理模块；采用卷积神经网络作为主干网络，并结合空洞卷积、多尺度金字塔池化模块和空间注意力机制搭建共享特征提取器模块；采用动态扩展输出通道的设计，并通过上采样层、跳跃连接和输出卷积层的结合来搭建分割任务头模块；依次连接图像预处理模块、共享特征提取器模块和分割任务头模块，形成分割基础模型；模型训练；新任务微调，得到新增任务的分割基础模型。该方法能够根据不同的需求快速适配新的任务，可有效减少训练时间和计算资源的消耗，能大幅度提升疾病诊断的效率与准确性。
-
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。
-
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：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。
-
Patent Agency Ranking
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：CN117576012B
公开(公告)日：2024-05-07
申请号：CN202311491055.2
申请日：2023-11-10
IPC: G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明公开了一种基于不平衡眼底图像数据的疾病预测方法，针对不平衡眼底病变图像数据通过训练不平衡数据疾病预测模型来提高眼底图像病变筛查率和准确率，首先对图像进行预处理，之后采用融合标签增强技术将输入眼底图像的逻辑标签转换为标签分布，然后将得到的标签分布作为输入传入不平衡标记分布学习网络中进行训练以平衡模型的训练数据，最后利用训练好的网络预测眼底病变图像获得患对应每种病的概率值。通过本基于不平衡眼底图像数据的疾病预测方法可以得出每个图像对每个病变类别的可能性，从而更好地处理不确定性情况，能够更全面、准确、可靠地识别和分析眼底病变。
-
公开(公告)号：CN117577319A
公开(公告)日：2024-02-20
申请号：CN202311491048.2
申请日：2023-11-10
IPC: G16H50/30 , G16H30/20 , G06T7/00 , G06T5/70 , G06V10/30 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种糖尿病视网膜病变日常监测及预警方法，利用普通相机或智能手机等便携式眼底照相机装置配合糖尿病视网膜病变日常监测装置的方式对患者的眼底情况进行拍摄，通过糖尿病视网膜病变日常监测系统对由便携式眼底照相机装置产生的眼底图像进行处理和分析，利用多时眼底图像匹配、病变检测、病变分割和病变分级实现对患者糖尿病视网膜病变的检测、分割和智能预警，操作简单、成本低廉，可突破时间与空间的限制，能有效缓解患者的经济负担、并节约医疗资源，并可有效解决因医患数量不平衡导致的诊断不及时、阅片难的问题。
-
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。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.038 seconds)
