-
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。
-
公开(公告)号：CN119006943A
公开(公告)日：2024-11-22
申请号：CN202411488839.4
申请日：2024-10-24
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/74 , G06V10/40 , G16H30/00 , G16H50/20
Abstract: 本发明公开了基于眼底双模态图像分层融合的老年黄斑变性分类方法，涉及图像分割技术领域，包括通过使用配对的CFP图像和OCT图像训练特征提取和融合网络，获取CFP特征、OCT特征以及融合后的高维特征；将CFP特征和OCT特征输入模态鉴别器，以增强特征提取器对模态间相关信息的关注；将CFP特征和OCT特征输入由融合特征训练的多模态分类器，并将得到的概率分布结合CFP分类器和OCT分类器输出的概率分布计算模态一致性损失。本发明提供的基于眼底双模态图像分层融合的老年黄斑变性分类方法通过基于对抗学习的模态鉴别器，使网络能够有效区分不同模态的特征，减少模态间的偏差并提升特征的互补性。
-
公开(公告)号：CN118411573B
公开(公告)日：2024-10-25
申请号：CN202410869834.X
申请日：2024-07-01
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/44 , G06V40/18 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/0985
Abstract: 本发明涉及图像分类技术领域，尤其涉及一种基于OCT图像的罕见眼底病自动分类方法及系统。基于残差模块、全连接层搭建视网膜OCT图像分类网络；构建常见眼底病训练集，基于训练样本，训练得到分类网络模型的初始参数；随机构造常见病小样本训练任务，对网络进行元训练，包含内循环和外循环；内循环中基于元数据增强及无标注查询更新策略，训练得到常见病小样本分类网络模型；外循环中引入一致性损失，训练得到适用于不同常见病组合的小样本分类网络模型；构建罕见眼底病训练集，对元训练所得小样本分类网络模型进行微调，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：CN118172369B
公开(公告)日：2024-09-03
申请号：CN202410588025.1
申请日：2024-05-13
Applicant: 苏州大学
Abstract: 本发明涉及图像处理技术领域，尤其涉及基于双解码器与局部特征增强网络的血管旁异常分割方法，包括特征编码模块、局部特征增强模块和双解码器结构；利用特征编码模块提取输入视网膜光学相干断层扫描图像的深层语义特征；利用局部特征增强模块将深层语义特征分成多个patch块，计算每个patch块的像素表示和交互注意力表示，生成局部特征增强的深层语义特征；利用双解码器结构将局部特征增强的深层语义特征在边缘分割解码器支路提取边缘特征，上采样得到血管旁异常边缘分割预测图像，在主分割解码器支路中将边缘特征与局部特征增强的深层语义特征融合上采样，得到血管旁异常分割预测图像；利用联合分割损失函数在训练过程中优化分割网络。
-
公开(公告)号：CN118071765B
公开(公告)日：2024-08-27
申请号：CN202410501868.3
申请日：2024-04-25
Applicant: 苏州大学
IPC: G06T7/10 , G06T7/00 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种半监督类原型特征对齐的多组织成分图像分割方法及系统，涉及图像处理技术领域，包括获取原训练集并构建U‑Net分割网络，训练U‑Net分割网络初步预测得到全局类原型；使用U‑Net分割网络编码器提取输入图像特征嵌入，计算无标签特征嵌入能量分数筛除分布外像素，利用JS散度差异化更新类原型，构建自适应能量原型全局对比对齐模型；使用分割损失函数、对比损失函数和能量损失函数共同优化分割网络，获得训练后的U‑Net分割网络。
-
Patent Agency Ranking
公开(公告)号：CN118411573A
公开(公告)日：2024-07-30
申请号：CN202410869834.X
申请日：2024-07-01
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06V10/44 , G06V40/18 , G06T7/00 , G06N3/0464 , G06N3/084 , G06N3/096 , G06N3/0985
Abstract: 本发明涉及图像分类技术领域，尤其涉及一种基于OCT图像的罕见眼底病自动分类方法及系统。基于残差模块、全连接层搭建视网膜OCT图像分类网络；构建常见眼底病训练集，基于训练样本，训练得到分类网络模型的初始参数；随机构造常见病小样本训练任务，对网络进行元训练，包含内循环和外循环；内循环中基于元数据增强及无标注查询更新策略，训练得到常见病小样本分类网络模型；外循环中引入一致性损失，训练得到适用于不同常见病组合的小样本分类网络模型；构建罕见眼底病训练集，对元训练所得小样本分类网络模型进行微调，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：CN116778157B
公开(公告)日：2024-06-14
申请号：CN202310697320.6
申请日：2023-06-13
Applicant: 苏州大学
Abstract: 本发明提供一种矩不变对比循环一致性对抗网络的跨域分割方法及系统，该方法包括获取源域图像xs、目标域图像xt以及源域金标准图像ys；将源域图像xs、目标域图像xt以及源域金标准图像ys输入到提前构建好的矩不变对比循环一致性对抗网络模型中，进行图像风格迁移训练；选取多个不同图像风格迁移训练过程中生成的图像作为训练数据；将训练数据和源域金标准图像ys输入到提前构建好的分割模型中，进行图像分割训练，基于语义一致性约束得到训练好的分割模型；利用训练好的分割网络模型对CT图像和MR图像中胰腺区域进行跨域分割。本发明实现了对CT图像和MR图像中胰腺区域的跨域分割，使得分割结果更加精确。
-
公开(公告)号：CN118071765A
公开(公告)日：2024-05-24
申请号：CN202410501868.3
申请日：2024-04-25
Applicant: 苏州大学
IPC: G06T7/10 , G06T7/00 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种半监督类原型特征对齐的多组织成分图像分割方法及系统，涉及图像处理技术领域，包括获取原训练集并构建U‑Net分割网络，训练U‑Net分割网络初步预测得到全局类原型；使用U‑Net分割网络编码器提取输入图像特征嵌入，计算无标签特征嵌入能量分数筛除分布外像素，利用JS散度差异化更新类原型，构建自适应能量原型全局对比对齐模型；使用分割损失函数、对比损失函数和能量损失函数共同优化分割网络，获得训练后的U‑Net分割网络。
-
公开(公告)号：CN116778157A
公开(公告)日：2023-09-19
申请号：CN202310697320.6
申请日：2023-06-13
Applicant: 苏州大学
Abstract: 本发明提供一种矩不变对比循环一致性对抗网络的跨域分割方法及系统，该方法包括获取源域图像xs、目标域图像xt以及源域金标准图像ys；将源域图像xs、目标域图像xt以及源域金标准图像ys输入到提前构建好的矩不变对比循环一致性对抗网络模型中，进行图像风格迁移训练；选取多个不同图像风格迁移训练过程中生成的图像作为训练数据；将训练数据和源域金标准图像ys输入到提前构建好的分割模型中，进行图像分割训练，基于语义一致性约束得到训练好的分割模型；利用训练好的分割网络模型对CT图像和MR图像中胰腺区域进行跨域分割。本发明实现了对CT图像和MR图像中胰腺区域的跨域分割，使得分割结果更加精确。
-
公开(公告)号：CN116503639A
公开(公告)日：2023-07-28
申请号：CN202310240656.X
申请日：2023-03-14
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种视网膜OCT图像病变多标签分类系统和方法，系统包括：获取模块：用于获取视网膜OCT图像；第一融合模块：用于提取视网膜OCT图像的深层特征图，同时将深层特征提取过程中输出的特征与深层特征图进行融合，得到图像特征图；拼接模块：用于提取两张视网膜OCT图像的浅层特征，并将包括局部目标信息的浅层特征与图像特征图进行拼接，得到拼接特征；第二融合模块：用于构建输入数据并输入图卷积神经网络，得到向量矩阵，再将向量矩阵和拼接特征进行融合得到输出结果；分类模块：用于根据输出结果对视网膜OCT图像的各种疾病进行分类。本发明能够对视网膜OCT图像的特征进行有效提取，并能对各种视网膜疾病进行分类。
-
-
-
-
-
-
-
-
-
Search Results
162
records
(took 0.029 seconds)
