-
公开(公告)号：CN115082500B
公开(公告)日：2023-07-11
申请号：CN202210610029.6
申请日：2022-05-31
Applicant: 苏州大学
IPC: G06T7/11 , G06T3/40 , G06V20/70 , G06V10/44 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/082
Abstract: 本发明公开了一种基于多尺度与局部特征引导网络的角膜神经纤维分割方法、装置、设备以及计算机可读存储介质包括：利用U型网络的编码器和解码器对医学样本图像进行特征提取；利用多尺度深度监督网络上采样每个解码器的输出，将每个解码器的输出与预设解码器的输出进行拼接，输出每个解码器对应的医学分割图像；计算每个解码器对应的医学分割图像与医学图像训练集标注区域的损失函数值；基于多个损失函数值对网络进行监督训练，本发明利用多个损失函数值优化每个解码器的输出，从而更好的加快网络的收敛速度，提升分割性能，提高医学图像分割的精确度。
-
公开(公告)号：CN112308863B
公开(公告)日：2023-06-06
申请号：CN202011161061.8
申请日：2020-10-27
Applicant: 苏州大学
IPC: G06T7/11 , G06T3/40 , G06N3/0464 , G06N3/084
Abstract: 本申请实施例公开一种基于改进U型网络的视网膜OCT图像中近视性黄斑病变区域分割方法，该方法包括：搭建网络结构，网络结构包括编码器模块、特征聚合池化模块FAPM、解码器模块、深监督模块，特征聚合池化模块FAPM设置于编码器模块的编码器通道中，用于进行下采样聚合全局上下文信息以及局部信息，深监督模块设置于解码器的除底层以外的各层中，用于引导网络生成更具有代表性的特征图；实验，采用光学相干断层扫描OCT图像中RBCC损伤和近视牵引纹病变区域的联合分割任务对网络结构的输出进行验证。本申请的基于改进U型网络的视网膜OCT图像中近视性黄斑病变区域分割方法实现视网膜OCT图像中的RBCC损伤和近视牵引纹的自动分割，提高了小目标分割性能。
-
公开(公告)号：CN113610842B
公开(公告)日：2023-04-07
申请号：CN202110992437.8
申请日：2021-08-27
Applicant: 苏州大学
IPC: G06T7/00 , G06T7/11 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于CAS‑Net的OCT图像视网膜脱离和劈裂自动分割方法，包括以下步骤：S1、获取OCT图像，将OCT图像分为训练集、验证集和测试集；S2、构建分类辅助分割网络用于OCT图像的分类；分类辅助分割网络包括分类网络和分割网络，分割网络包括全维度特征融合模块和特征融合解码模块，分类网络用于全局平均池化和卷积，并输出OCT图像中多个类别的存在概率；S3、构建整个分类辅助分割网络的损失函数，利用训练集和验证集对分类辅助分割网络进行训练；S4、利用测试集对训练后的分类辅助分割网络进行测试，实现对OCT图像的分割。本发明基于CAS‑Net的OCT图像视网膜脱离和劈裂自动分割方法能够准确的分割出OCT图像中的RD、ORS、MRS和IRS。
-
公开(公告)号：CN115272369A
公开(公告)日：2022-11-01
申请号：CN202210906947.3
申请日：2022-07-29
Applicant: 苏州大学
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：CN110689083B
公开(公告)日：2022-04-12
申请号：CN201910942993.7
申请日：2019-09-30
Applicant: 苏州大学
IPC: G06V10/80 , G06V10/774 , G06V10/26 , G06K9/62
Abstract: 本发明公开了一种上下文金字塔融合网络和图像分割方法，上下文金字塔融合网络包括：特征编码模块：包括多个逐级相连的特征提取层，用于获取原始图像的特征图；多个全局金字塔引导模块：分别与不同特征提取层连接，用于将和其连接的特征提取层提取的特征图与所有更高特征提取层提取的特征图相融合，以获取全局上下文信息，并通过跳跃连接将全局上下文信息引导和传递给特征解码模块；尺度感知金字塔融合模块：与特征编码模块的最高特征提取层连接，用于根据不同尺度的特征图动态选择正确的感受野并融合多尺度上下文信息；特征解码模块：用于根据全局上下文信息和多尺度上下文信息重建特征图。本发明图像分割性能良好，具有较好的有效性和通用性。
-
Patent Agency Ranking
公开(公告)号：CN110517235B
公开(公告)日：2021-10-19
申请号：CN201910762318.6
申请日：2019-08-19
Applicant: 苏州大学
Abstract: 本发明公开了一种基于GCS‑Net进行OCT图像脉络膜自动分割方法，包括以下步骤：数据获取和预处理；构建GCS‑Net网络模型，采用U‑Net结构作为基础网络，在编码路径与解码路径之间的每层跨越连接层采用组间通道膨胀模块(GCD)进行连接，在解码路径中每层反卷积层后采用组间空间膨胀模块(GSD)进行层间连接；对训练好的GCS‑Net网络模型进行测试，将待分割图像输入构建好的模型中，输出对应的脉络膜分割图。上述两个模块采用两种方式分别自动选择组间的多尺度信息，显著提高了脉络膜自动分割的准确性，且适用对象可扩展至病理性近视或含视神经乳头的视网膜图像，本发明有利于提高脉络膜定量分析的准确率以及有利于全面获取三维大视野数据中脉络膜的形态信息。
-
公开(公告)号：CN112767406A
公开(公告)日：2021-05-07
申请号：CN202110140538.2
申请日：2021-02-02
Applicant: 苏州大学
Abstract: 本申请公开了一种适用于荧光染色裂隙灯图像角膜溃疡分割的深度卷积神经网络，涉及医学图像分割技术领域，所述深度卷积神经网络包括U形编码器解码器卷积神经网络、多尺度自适应可变形模块和全局多尺度金字塔特征聚合模块，所述多尺度自适应可变形模块嵌入所述U形编码器解码器卷积神经网络的顶端，所述全局多尺度金字塔特征聚合模块嵌入所述U形编码器解码器卷积神经网络层间跳跃连接中，所述深度卷积神经网络用于对裂隙灯角膜溃疡荧光染色图像分割。达到了可以提高角膜溃疡的分割精度的效果。
-
公开(公告)号：CN110689083A
公开(公告)日：2020-01-14
申请号：CN201910942993.7
申请日：2019-09-30
Applicant: 苏州大学
Abstract: 本发明公开了一种上下文金字塔融合网络和图像分割方法，上下文金字塔融合网络包括：特征编码模块：包括多个逐级相连的特征提取层，用于获取原始图像的特征图；多个全局金字塔引导模块：分别与不同特征提取层连接，用于将和其连接的特征提取层提取的特征图与所有更高特征提取层提取的特征图相融合，以获取全局上下文信息，并通过跳跃连接将全局上下文信息引导和传递给特征解码模块；尺度感知金字塔融合模块：与特征编码模块的最高特征提取层连接，用于根据不同尺度的特征图动态选择正确的感受野并融合多尺度上下文信息；特征解码模块：用于根据全局上下文信息和多尺度上下文信息重建特征图。本发明图像分割性能良好，具有较好的有效性和通用性。
-
公开(公告)号：CN110349162A
公开(公告)日：2019-10-18
申请号：CN201910645849.7
申请日：2019-07-17
Applicant: 苏州大学
Abstract: 本发明公开了一种视网膜黄斑水肿多病变图像分割方法，包括采集三维视网膜OCT体数据并将其转化为二维视网膜OCT B扫描图像；将所述二维视网膜OCT B扫描图像输入已训练好的编解码注意力网络模型进行视网膜黄斑水肿多病变联合分割，获取分割图像结果。本发明采用编解码注意力网络模型进行多病变联合分割，能够获取更加丰富的全局特征，实现对视网膜黄斑水肿多病变图像中的视网膜水肿、视网膜下积液和色素上皮层脱离多病变同时分割，为后续病变的定量分析奠定基础。
-
公开(公告)号：CN105701832B
公开(公告)日：2019-02-26
申请号：CN201610034539.8
申请日：2016-01-19
Applicant: 苏州大学
Abstract: 本发明属于生物医学影像处理领域，具体涉及三维图割算法结合随机游走算法的PET‐CT肺肿瘤分割方法，包括如下步骤：对原始PET图像进行线性上采样操作，并对PET和CT图像进行仿射配准；并标定图像的肿瘤种子点和非肿瘤种子点；结合肿瘤种子点对PET图像进行随机游走算法分割；得到完全包括目标肺肿瘤区域的前景目标区域Ro，除Ro以外的区域作为非肺肿瘤区域的背景区域Rb；将前景区域Ro和背景区域Rb分别建立高斯混合模型；根据前景及背景的高斯混合模型分别计算能量项并运用图割算法得到最终分割结果。本方法充分运用了PET图像的功能信息和CT图像的结构信息，使得随机游走算法和图割算法进行互补，最终得到更加精确的肺肿瘤分割结果。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.025 seconds)
