-
公开(公告)号：CN106844994A
公开(公告)日：2017-06-13
申请号：CN201710071557.8
申请日：2017-02-09
Applicant: 苏州大学
Abstract: 本发明公开了一种本构模型与有限元结合的脉络膜新生血管生长预测方法，图像预处理；区域提取和划分：将图像分割为CNV区域、外视网膜层、内视网膜层和脉络膜层4个区域；网格化：对4个区域进行四面体网格生成；建模：运用超弹性生物力学模型与反应扩散方程建模，将脉络膜新生血管生长后的质量改变作为源项加入到方程中，使变形梯度张量根据新生血管的生长持续变化；优化模型，算出最佳准确率，进行参数检验；根据每个时间点预测的参数拟合一条参数曲线，预测最后一个时间点的生长参数，得到预测结果。本发明的方法能够更加灵活和个性化的模式生物机械模型，模型假设的组织是正交各向异性，对非线性、大变形区域也有很好的预测结果，准确度高。
-
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：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。
-
公开(公告)号：CN115272369B
公开(公告)日：2023-07-11
申请号：CN202210906947.3
申请日：2022-07-29
Applicant: 苏州大学
IPC: G06T7/11 , G06V10/82 , G06V10/80 , G06V10/77 , G06N3/0455 , G06N3/0464 , G06N3/082 , G06N3/048
Abstract: 本发明涉及一种动态聚合变换器网络及视网膜血管分割方法，动态聚合变换器网络包括动态聚合变换器编码器模块、组卷积嵌入模块和轻量级卷积解码器模块，原始图像初始化后输入动态聚合变换器编码器模块，使用动态聚合法和多头动态聚合注意力得到语义标记，组卷积嵌入模块根据语义标记得到多尺度特征图；轻量级卷积解码器模块对多尺度特征图进行特征分辨率的恢复得到分割结果；视网膜血管分割方法为将光学相干断层扫描血管造影图像输入训练完成的动态聚合变换器网络中，得到视网膜血管分割结果。本发明可以减少视觉变换器的计算量、解决卷积神经网络局部感觉野受限的问题、减少网络参数量、有效提升血管分割性能。
-
公开(公告)号：CN111259982B
公开(公告)日：2023-05-12
申请号：CN202010089915.X
申请日：2020-02-13
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464
Abstract: 本发明公开了一种基于注意力机制的早产儿视网膜图像分类方法和装置，包括步骤：将待识别的二维视网膜眼底图像进行预处理，得到预处理后的二维视网膜眼底图像；将预处理后的二维视网膜眼底图像输入到预先训练好的深度注意力网络模型中，输出图像的分类结果识别出早产儿视网膜病变ROP图像；所述深度注意力网络模型为在原始ResNet18网络的第三个残差层和第四个残差层后分别添加互补残差注意力模块和通道注意力SE模块。本发明能够获取丰富且重要的全局和局部信息，使得网络能够学习到正确的病变特征，从而使得分类网络能较好解决病变与背景之间极大的数据不平衡问题，进而提高深度注意力网络模型的分类性能。
-
Patent Agency Ranking
公开(公告)号：CN109345469B
公开(公告)日：2021-10-22
申请号：CN201811042548.7
申请日：2018-09-07
Applicant: 苏州大学
Abstract: 本发明公开一种基于条件生成对抗网络的OCT成像中散斑去噪方法，包括以下步骤：训练图像的获取、训练图像的预处理、数据扩增、模型训练以及模型使用；本发明采用条件生成对抗网络(cGAN)架构，通过训练得到从含有散斑噪声的OCT图像到无噪声的OCT图像的映射模型，再采用该映射模型对视网膜OCT图像的散斑噪声进行消除。本发明在条件生成对抗网络架构中引入了保持边缘细节的约束条件来训练，得到对边缘信息敏感的OCT图像散斑去噪模型，从而使本发明的散斑去噪模型在有效去除散斑噪声的同时，还能较好的保留图像细节信息。
-
公开(公告)号：CN109509178B
公开(公告)日：2021-09-10
申请号：CN201811240108.2
申请日：2018-10-24
Applicant: 苏州大学
Abstract: 本发明公开了一种基于改进的U‑net网络的OCT图像脉络膜分割方法，该U‑net网络主要改进点包括：(1)通过在网络中增加编码器和译码器的数量来提取更多特征信息；(2)在编码器后面加入精致残差块来增强每一层识别能力；(3)在译码器后面加入注意力模块让高层语义信息指导底层细节信息；(4)损失函数采用传统的L2损失和Dice损失结合来共同约束网络模型，采用本发明改进的U‑net网络可以自动分割无论是正常人眼还是病理性近视人眼脉络膜的上下边界，并且分割结果准确性高。
-
公开(公告)号：CN112869704A
公开(公告)日：2021-06-01
申请号：CN202110140542.9
申请日：2021-02-02
Applicant: 苏州大学
Abstract: 本申请公开了一种基于循环自适应多目标加权网络的糖尿病视网膜病变区域自动分割方法，涉及医学图像分割技术领域，所述方法包括：获取样本眼底彩照图像；根据样本眼底彩照图像训练糖尿病视网膜病变区域分割模型，糖尿病视网膜病变区域分割模型包括循环自适应多目标加权网络，循环自适应多目标加权网络用于自适应的为不同目标分配权重并增强网络的稳定性，不同目标包括样本眼底彩照图像中的背景、出血HE、硬性渗出EX、微血管瘤MA、视盘OD和棉绒斑SE中的至少一种，训练后的视网膜病变分割模型用于对目标眼底彩照图像进行分割。也即通过自适应的为不同目标分配权重，进而缓解子类间不平衡的问题，达到了可以提高网络的分割精度的效果。
-
公开(公告)号：CN112819798A
公开(公告)日：2021-05-18
申请号：CN202110171467.2
申请日：2021-02-05
Applicant: 苏州大学
Abstract: 本申请公开一种适用于多种视网膜积液联合分割的上下文关注与融合网络，包括特征编码模块、上下文收缩编码CSE模块、上下文金字塔引导CPG模块、特征解码模块，上下文收缩编码CSE模块嵌入于特征编码模块中，上下文金字塔引导CPG模块设置于特征编码模块、特征解码模块之间，上下文收缩编码CSE模块与特征解码模块跳跃连接；视网膜OCT图像通过特征编码模块和上下文收缩编码CSE模块对各层次特征进行选择性聚合，再通过上下文金字塔引导CPG模块获得多尺度上下文信息输入到特征解码模块中，特征解码模块输出分割结果。本申请的适用于多种视网膜积液联合分割的上下文关注与融合网络，克服了现有技术中存在的特征聚合无选择性、多尺度信息提取能力低下等问题。
-
公开(公告)号：CN112634234A
公开(公告)日：2021-04-09
申请号：CN202011553484.4
申请日：2020-12-24
Applicant: 苏州大学
Abstract: 本发明公开了一种眼底医学影像中脉络膜萎缩的分割方法，先构建基于U‑Net网络的级联多尺度信息交互融合网络，构建级联多尺度信息交互融合网络时，在编码网络和解码网络之间设置级联多尺度信息交互融合模块；再将待处理的眼底医学影像输入至级联多尺度信息交互融合网络中进行脉络膜萎缩的分割。本发明利于提升了分割网络对不同形状特征的提取能力，提升了对医学影像中脉络膜萎缩的分割效率。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.03 seconds)
