-
公开(公告)号：CN116206108B
公开(公告)日：2024-09-20
申请号：CN202310124231.2
申请日：2023-02-16
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/774 , G06V10/82 , G06N3/0464 , G06V10/44 , G06V20/70 , G06V40/18 , G06T7/00
Abstract: 本发明提供一种基于域自适应OCT图像脉络膜分割网络模型及方法，网络模型包括：预处理模块、分割器模块、鉴别器模块以及二阶段优化模块；所述预处理模块用于对源域图像和目标域图像进行预处理；所述分割器模块与所述预处理模块连接，所述分割器模块包括特征编码器以及特征解码器；所述分割器模块和所述鉴别器模块连接，所述分割器模块和所述鉴别器模块用于对源域数据特征与目标域数据特征进行对抗训练，得到目标域图像预测概率图；所述二阶段优化模块用于基于目标域图像预测概率图对所述分割器模块进行再次训练，得到更新的分割器模型。从图像层面以及特征层面上提高模型的泛化性能，并进一步地优化目标数据的分割结果，提高跨域数据分割的精度。
-
公开(公告)号：CN116246331B
公开(公告)日：2024-08-16
申请号：CN202211552123.7
申请日：2022-12-05
Applicant: 苏州大学
Abstract: 本发明涉及深度学习技术领域，尤其是指一种圆锥角膜自动分级方法、装置及计算机存储介质、眼科成像设备。本发明所述的圆锥角膜自动分级方法，将五张地形图作为一个整体作为输入，充分考虑了多张角膜地形图之间的联系，基于自注意力的特征提取模块通过获取输入特征的各个通道的相应维度的平均值和最大值，并基于这些不同维度的丰富信息生成注意力权重，从而能够指导网络提取重要的特征信息；特征融合模块基于注意力机制可以自适应地校准上下级通道维度的特征，并将上下级特征按照一定权重进行特征融合，从而得到更利于分类的高级特征，能够使得网络更加专注于角膜地形图中的关键特征，在圆锥角膜严重程度分级任务上取得了出色的性能。
-
公开(公告)号：CN116246331A
公开(公告)日：2023-06-09
申请号：CN202211552123.7
申请日：2022-12-05
Applicant: 苏州大学
Abstract: 本发明涉及深度学习技术领域，尤其是指一种圆锥角膜自动分级方法、装置及计算机存储介质、眼科成像设备。本发明所述的圆锥角膜自动分级方法，将五张地形图作为一个整体作为输入，充分考虑了多张角膜地形图之间的联系，基于自注意力的特征提取模块通过获取输入特征的各个通道的相应维度的平均值和最大值，并基于这些不同维度的丰富信息生成注意力权重，从而能够指导网络提取重要的特征信息；特征融合模块基于注意力机制可以自适应地校准上下级通道维度的特征，并将上下级特征按照一定权重进行特征融合，从而得到更利于分类的高级特征，能够使得网络更加专注于角膜地形图中的关键特征，在圆锥角膜严重程度分级任务上取得了出色的性能。
-
公开(公告)号：CN106846314A
公开(公告)日：2017-06-13
申请号：CN201710064457.2
申请日：2017-02-04
Applicant: 苏州大学
Abstract: 本发明公开了一种基于术后角膜OCT影像数据的图像分割方法，包括以下步骤：图像预处理、坎尼（Canny）边缘检测、中央竖直噪声定位和角膜上下边界分割，最终获得角膜结构的分割结果，将角膜图像从背景图像中分割出来。本发明首次提供了一种具有可行性、有效性和创新性的术后角膜OCT影像数据的自动化图像分割方法，不仅能够分割存在伤口的角膜图像，而且对存在中央噪声的角膜图像也一样适用。该方法不仅改善了手动分割图像耗时耗力，主观性强等缺点，而且通过计算机的智能化处理使得分割结果更加精确，有效提高了医学影像数据的后期利用率。
-
公开(公告)号：CN103854284A
公开(公告)日：2014-06-11
申请号：CN201410066419.7
申请日：2014-02-26
Applicant: 苏州大学
Abstract: 本发明公开了一种基于三维图搜索浆液性色素上皮层脱离的视网膜分割方法，包括：（1）基于视网膜上界面分割的块速B扫描图像对齐方法；（2）按分界面显著程度顺序、以已分割界面为约束条件的多分辨率图搜分割方法；（3）用不同的约束条件进行图搜算法得到有隆起区域的色素上皮层下界面和平滑的视网膜底部分界面的方法；（4）基于色素上皮层下界面和视网膜底部分界面位置差别，并结合区域大小和亮度信息的浆液性色素上皮层脱离的分割方法；（5）将图像平坦化后进行外层视网膜层次分割和校正的方法。本发明分割结果具有较高的准确性，能够替代手动分割，对于临床相关眼科疾病的诊断与治疗能起到重要的辅助作用。
-
Patent Agency Ranking
公开(公告)号：CN119445645A
公开(公告)日：2025-02-14
申请号：CN202510040380.X
申请日：2025-01-10
Applicant: 苏州大学
IPC: G06V40/18 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/096 , G06N3/0985
Abstract: 本发明涉及图像分类技术领域，尤其涉及基于蒸馏元学习的罕见眼底病OCT图像分类方法及系统。基于残差模块、全连接层分别搭建用于视网膜OCT图像分类的教师网络和学生网络；构建常见眼底病训练集，对教师网络进行元训练；随机构造常见病小样本训练任务，基于蒸馏元学习训练策略，对教师网络和学生网络进行联合训练，引入注意引导蒸馏模块，并采用温度系数自适应方法，训练学生在注意力值较高的像素和通道中自适应地学习教师的特征；构建罕见眼底病训练集，对学生网络进行微调，得到适用于罕见病的小样本分类网络模型；将OCT图像输入到罕见病小样本分类网络模型中，得到病变类型的分类结果。
-
公开(公告)号：CN118657800A
公开(公告)日：2024-09-17
申请号：CN202411135135.9
申请日：2024-08-19
Applicant: 苏州大学
IPC: G06T7/11 , G06T7/12 , G06N3/0442 , G06N3/0455 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了基于混合网络的视网膜OCT影像中多病灶联合分割方法，涉及图像分割技术领域，包括获取视网膜OCT图像数据；利用混合编码器对所述OCT图像进行多尺度全局及局部特征提取，利用多尺度门控注意力模块提取并筛选全局信息，通过组位置嵌入模块补充空间位置信息，通过三路融合模块整合全局及局部特征，通过联合损失函数优化网络对轮廓区域的分割效果；进行模型训练，用训练后的模型实现OCT图像中病灶的分割。本发明提供的基于混合网络的视网膜OCT影像中多病灶联合分割方法能够显著提升对复杂病灶区域的自动识别和分割性能，对提升眼科疾病的诊断和治疗效果具有重要的临床价值。本发明在识别精度以及适用性方面都取得更加良好的效果。
-
公开(公告)号：CN116823851B
公开(公告)日：2024-06-14
申请号：CN202310668191.8
申请日：2023-06-07
Applicant: 苏州大学
Abstract: 本发明提供一种基于特征重构的无监督域自适应OCT图像分割方法及系统，涉及图像分割技术领域。该方法包括采集不同OCT图像构建数据集，将数据集划分为源域图像数据和目标域图像数据；对所述源域图像和所述目标域图像进行预处理；构建基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型，并将预处理后的源域图像和目标域图像输入到网络中进行训练，得到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型；将待分割图像输入到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型中，得到分割结果。本发明可有效提升跨域视网膜OCT图像分割的性能。
-
公开(公告)号：CN111325755B
公开(公告)日：2024-04-09
申请号：CN202010068764.X
申请日：2020-01-21
Applicant: 苏州大学
Abstract: 本发明公开了一种U型网络及角膜图像中神经纤维的分割方法，所述U型网络包括编码器和解码器，编码器和解码器均为4层，对称跨层连接；解码器部分上采样操作之后加入了多尺度分离及融合模块；该U型网络减少了参数量，增加了感受野、提高了分割性能；所述分割方法采用前述训练好的U型网络，损失函数采用预测图与金标准之间纤维长度差异和Dice损失结合来共同约束U型网络。本发明能够对细小角膜神经纤维进行准确分割，提高角膜神经纤维的分割精度。
-
公开(公告)号：CN116823852A
公开(公告)日：2023-09-29
申请号：CN202310682091.0
申请日：2023-06-09
Applicant: 苏州大学
Abstract: 本发明涉及一种基于卷积神经网络的条状皮肤瘢痕图像分割方法和系统，方法包括：获取带有条状皮肤瘢痕的图像；将所述图像输入至U型编解码网络，通过所述U型编解码网络实现对条状皮肤瘢痕进行图像分割；其中，所述U型编解码网络包括SADC模块和GGMC模块，所述SADC模块用于使U型编解码网络聚焦于皮肤瘢痕的条状特征，所述GGMC模块用于增加U型编解码网络对于不同尺度、不同长度的皮肤瘢痕的感知能力。本发明设计的SADC模块使网络更注重瘢痕的条状特征，设计的GGMC模块使得网络对于不同尺度、不同长度的目标都具有较强的感知能力。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.022 seconds)
