-
公开(公告)号：CN105608694A
公开(公告)日：2016-05-25
申请号：CN201510970343.5
申请日：2015-12-22
Applicant: 苏州大学
IPC: G06T7/00
CPC classification number: G06T2207/10056 , G06T2207/30041 , G06T2207/30242
Abstract: 本发明公开了一种视网膜细胞显微图像分割与计数方法，其特征是，包括如下步骤：首先对图像预处理，然后使用AdaBoost分类器对细胞连通区域进行形状分类判断是否需要分割，之后对细胞进行瓶颈点检测，并使用加速迪杰斯特拉算法连接分割点完成分割，最后将分割获得的新的细胞连通区域重新放入AdaBoost分类器进行形状分类，判断是否需要继续分割。本发明所达到的有益效果：利用阈值滤波、数字形态学操作中计算量小、运算简单、运行效率高等优点；同时结合细胞形状分类、边缘轮廓瓶颈点检测的方法以及加速迪杰斯特拉算法，对重叠、粘连细胞进行分割，获得的结果具有较好的准确性并且本方法有较高的运行效率。
-
公开(公告)号：CN103699901A
公开(公告)日：2014-04-02
申请号：CN201310692851.2
申请日：2013-12-17
Applicant: 苏州大学
Abstract: 本发明公开了一种基于支持向量机的3D OCT视网膜图像中IS/OS缺失区域自动检测方法，包括获取受试者的视网膜三维图像数据；对视网膜三维图像数据进行分层找到视网膜IS/OS区域；对视网膜IS/OS区域的缺失区域进行人工手动标定作为金标准；选取特征对视网膜IS/OS区域的每一个像素点进行特征提取构建特征集；训练集和测试集的构建；利用支持向量机对训练集和测试集进行训练和测试，得测试集的测试结果；将测试结果与金标准进行比较，获得测试结果的准确率信息，将测试结果反馈到视网膜三维图像数据中，完成测试结果的直观显示。本发明方法简单可行；使得“视网膜IS/OS缺失与视力存在一定的关系”得到定量表达。
-
公开(公告)号：CN119048844A
公开(公告)日：2024-11-29
申请号：CN202411508539.8
申请日：2024-10-28
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00 , A61B3/12 , A61B3/14 , A61B3/00
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种用于视网膜色素变性分级的类别注意力网络构建方法。本发明构建视网膜色素变性类别注意力网络，所述视网膜色素变性类别注意力网络包括：两条并行分支、类别加权注意力模块与分类器；两条并行分支包括：高效自注意力Transformer支路与局部特征提取支路；将眼底彩照图像分别输入高效自注意力Transformer支路、局部特征提取支路，提取高效自注意力Transformer支路的输出特征与局部特征提取支路的输出特征并沿通道维度进行拼接，得到融合特征；融合特征通过类别加权注意力模块，对不同类别分配不同权重，得到加权后的输出特征；将加权后的输出特征通过分类器，输出视网膜色素变性分级结果。本发明使得网络更加轻量化且精度更高。
-
公开(公告)号：CN118865477A
公开(公告)日：2024-10-29
申请号：CN202411370494.2
申请日：2024-09-29
Applicant: 苏州大学
Abstract: 本发明公开了一种基于知识蒸馏和自监督学习的近视性黄斑病变分类方法及系统，涉及医学图像分类技术领域，包括自监督学习阶段和近视性黄斑病变分类阶段，自监督学习阶段包括图像掩码模块、知识蒸馏与特征编码模块和图像重建模块；通过对原始眼底彩照图像进行高通滤波来产生重建目标，使表示学习优先考虑高频成分，即图像细节和边缘信息，使得网络更多关注到图像的高频细节来实现图像重建。本发明通过优化蒸馏技术和重建策略，实现了在眼底图像病变分类中的高效应用；从较大模型中提取知识，提高模型的训练效率；增强了模型对图像细节部分的捕获，分类性能良好，为后续病变的定量分析奠定基础。
-
公开(公告)号：CN116091519B
公开(公告)日：2024-09-06
申请号：CN202211644781.9
申请日：2022-12-20
Applicant: 苏州大学
IPC: G06T7/11 , G06T3/4038 , G06N3/0464
Abstract: 本发明涉及深度学习技术领域，尤其是指一种脉络膜新生血管生长预测方法、装置及存储介质。本发明提出了一种基于卷积神经网络的CNV生长预测方法，将采集到的图像分割出感兴趣的CNV病变区域，并将其与原图进行拼接，作为生长预测的输入，保证CNV生长预测的准确性，所提出的基于注意力的门控递归单元，由于集成了纵向数据的空间注意力和通道注意力，着重关注时空序列图像的空间位置的变化，在减少计算量的同时，能够在多维数据中执行卷积操作来捕获时空序列图像的空间特征，在生长预测方面具有更好的性能。
-
Patent Agency Ranking
公开(公告)号：CN116823728B
公开(公告)日：2024-08-16
申请号：CN202310612590.2
申请日：2023-05-29
Applicant: 苏州大学
IPC: G06T7/00 , G06T7/12 , G06T7/13 , G06V10/44 , G06V10/26 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/048
Abstract: 本发明涉及图像处理领域。本发明提出的一种基于图像处理的睑板腺腺体分割方法构建了睑板腺腺体检测网络，包括特征编码路径、特征解码路径、条形混合注意力模块、多尺度注意力模块、边界检测辅助网络以及自适应交互信息融合模块。利用构建的睑板腺腺体检测网络对待检测的睑板腺腺体图像进行分割，通过条形混合注意力模块提高了网络对条形目标的关注，利用多尺度注意力模块获多尺度特征，利用边界检测辅助网络辅助腺体分割，提升了对睑板腺腺体分割的准确性。
-
公开(公告)号：CN118172369A
公开(公告)日：2024-06-11
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：CN112614112B
公开(公告)日：2023-05-12
申请号：CN202011553440.1
申请日：2020-12-24
Applicant: 苏州大学
Abstract: 本发明公开了一种MCSLI图像中条纹损伤的分割方法，先构建基于U‑Net网络的融合型图像分割网络模型；再选取多个MCSLI图像构成训练数据集，并将训练数据集输入所述融合型图像分割网络模型中进行训练，并根据训练结果优化所述融合型图像分割网络模型；将待处理的MCSLI图像输入优化后的融合型图像分割网络模型中进行条纹损伤的分割。本发明能够精确高效地实现MCSLI图像的条纹损伤的自动分割。
-
公开(公告)号：CN109658466B
公开(公告)日：2023-02-24
申请号：CN201811500608.5
申请日：2018-12-10
Applicant: 苏州大学
IPC: G06T11/00 , G06F18/214 , G06F18/24
Abstract: 本发明提供了一种具有可行性和有效性的视网膜OCT疾病影像生成的方法，生成的OCT影像可用于扩充OCT疾病影像分类算法的训练数据集；该方法以条件生成对抗网络cGAN为基础，网络结构由生成器与判别器组成，通过将生成对抗损失函数cGAN loss与一种新型结构相似性损失函数SSIM loss相结合，将正常视网膜OCT影像转化成可用于补充分类模型训练集的OCT疾病影像。
-
公开(公告)号：CN115082500A
公开(公告)日：2022-09-20
申请号：CN202210610029.6
申请日：2022-05-31
Applicant: 苏州大学
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。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.024 seconds)
