公开(公告)号：CN115457261A

公开(公告)日：2022-12-09

申请号：CN202210936806.6

申请日：2022-08-05

Applicant: 厦门大学

Inventor： 李绍滋 ,  何捷舟 ,  罗志明 ,  江敏

IPC: G06V10/26 ,  G06V10/42 ,  G06V10/82 ,  G06V10/80 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种医学图像小病灶分割方法、存储介质和电子设备，所述方法包括：构建图像分割网络模型；将待处理的医学图像输入编码模块，提取医学图像在不同尺度下的全局特征，得到多种不同尺度的特征图；将多种不同尺度的特征图输入至跳跃连接模块，采用位置相关性网络计算不同子块之间的位置关系，构建位置权重矩阵来加强对医学图像上器官区域的关注度；根据编码模块最后一层输出的特征图提取深层特征，并将提取的深层特征输入至解码模块，并通过上采样对各个尺度的特征图进行尺度还原，对不同尺度还原的特征图与位置相关性网络输出的特征矩阵进行融合，输出最终特征图。通过上述方案能够有效提升病灶分割的准确性。

公开(公告)号：CN118216872A

公开(公告)日：2024-06-21

申请号：CN202410316047.2

申请日：2024-03-20

Applicant: 厦门大学

Inventor： 刘祖国 ,  王少攀 ,  何昕 ,  何捷舟 ,  黄彩虹

IPC: A61B3/14 ,  A61B3/135 ,  A61B3/00 ,  A61B5/00 ,  G06T7/00 ,  G06V40/18 ,  G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464

Abstract: 本发明公开了一种基于深度学习的睑缘病变智能识别方法、介质和设备，该方法包括：接收预设终端采集的待处理的睑缘图像；对所述待处理的睑缘图像进行质量评估，判断所述待处理的睑缘图像的图像质量是否符合预设图像质量要求，若不符合则发出第一提示信息，若符合则将所述待处理的睑缘图像输入至训练完成的第一深度学习模型中，输出所述睑缘图像的识别特征，并根据所述识别特征确定当前睑缘图像对应的病变类型并输出。上述方案通过深度学习模型能够对用户通过预设终端采集的睑缘图像进行质量评估，并将质量评估结果符合要求的睑缘图像输入训练完成的第一深度学习模型中进行识别，能够有效提升睑缘病变判断的效率和精准性。