公开(公告)号：CN118212246A

公开(公告)日：2024-06-18

申请号：CN202410237100.X

申请日：2024-03-01

Applicant: 三峡大学

Inventor： 雷帮军 ,  何志豪

IPC: G06T7/11 ,  G06T5/92 ,  G06T5/60

Abstract: 本申请提供一种融合多尺度特征的密集卷积网络视网膜血管分割方法，首先，将图片分类作为训练集验证集和测试集打包；再将图片进行一系列的预处理和数据增加后，经过密集网络模型训练并保存最好的网络模型；最后，载入网络模型进行预测。本发明中的方法主要用于辅助医生分析和研究视网膜疾病,对于视网膜相关疾病的预防和治疗具有重要的意义。视网膜的相关疾病易导致视网膜的损伤,因此,利用视网膜分割图像中血管的粗细、弯曲度、以及空间结构特性,诊断视网膜是否存在病变或结构异常。本发明精度和分割效果相较于其他网络都有明显提升。

公开(公告)号：CN117541600A

公开(公告)日：2024-02-09

申请号：CN202311275327.5

申请日：2023-09-28

Applicant: 三峡大学

Inventor： 夏平 ,  王雨蝶 ,  张光一 ,  彭程 ,  雷帮军 ,  何志豪 ,  李子怡

IPC: G06T7/11 ,  G06T7/00 ,  G06V10/40 ,  G06V10/80 ,  G06V10/82 ,  G06N3/0455 ,  G06N3/0464 ,  G06N3/0499

Abstract: 一种基于Transformer和多级特征聚合的乳腺超声肿块分割方法，包括以下步骤：步骤1：对乳腺超声图像的特征提取，输出4层特征图；步骤2：将输出的4层特征图输入解码部分的多层分支感受野模块RBF；步骤3：使用置换注意力模块SAM对4层具有广泛上下文信息的特征图进行重要信息捕获，输出特征图；步骤4：采用聚合模块Aggregation Module对输出特征图S3、特征图S4进行融合，得到特征图A1；采用聚合模块Aggregation Module对特征图A1与特征图S2进行融合，得到特征图A2；采用聚合模块Aggregation Module对特征图A2与特征图S1进行融合，得到特征图A3。本发明能解决乳腺超声肿块分割中乳腺超声图像存在噪声、乳腺组织和病变对比度低、可能出现伪影或伪结构导致误分割、分割不连续的问题。