基于深度卷积和注意力机制的MTS-Net眼底视杯视盘分割方法

    公开(公告)号:CN119477940A

    公开(公告)日:2025-02-18

    申请号:CN202411557223.8

    申请日:2024-11-01

    Abstract: 本发明公开了一种基于结合VisionTransformer以及MedNext结构的MTS‑Net神经网络对眼底图像视杯视盘进行联合分割,本方法涉及深度学习和医学图像处理领域,包括:数据处理和分割预测可视化结果网络。整体流程如图1所示,步骤1:所述预处理网络首先对采集图片进行中心裁剪、边缘裁剪以及归一化操作;步骤2:构建分割模型,所述分割模型包括深度卷积模块、多头自注意力模块以及解码模块;其中深度卷积模块包含四个子模块,分别为Depthwise深度卷积模块、特征扩展层、通道缩减模块以及逐点卷积,作为MTS‑Net网络的编码器模块,深度卷积模块分三个阶段对特征进行提取;VisionTransformer模块用于弥补MedNext模块中的卷积在特征提取过程中对全局特征捕捉的不足,解码模块使用与编码模块对称的结构,其主要作用是分三步逐次恢复空间分辨率并进行特征融合,使得后期进行图像分割。步骤3:将步骤4训练后的MTS‑Net网络实现眼底图像视杯视盘的分割任务。本发明用以解决现阶段青光眼筛查中存在的视杯视盘比例估计任务中平衡网络模型预测误差以及训练速度过缓的问题。

    一种基于零次学习的低光照钢铁表面缺陷检测方法

    公开(公告)号:CN119091217A

    公开(公告)日:2024-12-06

    申请号:CN202411236791.8

    申请日:2024-09-04

    Abstract: 本发明公开了一种基于零次学习的低光照钢铁表面缺陷检测方法,属于自然图像处理领域,包括:对数据集中原始钢铁表面缺陷图像进行利用物理学启发的低光照度合成框架来合成的低照度图像,并与原始图像成对输入。提出一种以yolo为基本框架,引用了Retinex理论,并将使用反射率表示学习模块作为附加解码器引入其中的DaiNet模型,并加入了一个互换再分解一致性过程使得到的反射率表示稳定精准,又提高了网络的整体可视化性能。本发明在两个公开的数据集东北大学钢铁缺陷数据集(NEU‑DET)和谢韦尔钢材数据集(Severstal‑steel‑defect)上进行实验并与yolov5和yolov8进行对比实验,验证了DaiNet训练出的钢铁表面缺陷图像具有更好的可视性,有效的提升了可视化性能。

    一种眼底成像系统
    3.
    实用新型

    公开(公告)号:CN221865639U

    公开(公告)日:2024-10-22

    申请号:CN202420306023.4

    申请日:2024-02-19

    Inventor: 王进科 徐天泽

    Abstract: 本实用新型提供一种眼底成像系统,包括光环形器、光纤耦合器、偏振控制器、数据处理模块、参考臂、样品臂;本实用新型通过超辐射发光二极管、光环形器、光纤耦合器、偏振控制器、参考臂、样品臂来接收人眼底的成像光信号以及参考光信号,通过数据处理模块对差异的光信号处理,使其转换为数字电信号,从而被计算机读取,生成眼底的各层级图像并展示出来,光环形器使得由超辐射发光二极管输出的光只能传到光纤耦合器,光纤耦合器返回到光环形器的光只能传到探测器D1,提高光使用效率,同时偏振控制器能调节样品臂返回光的偏振态,使得样品臂和参考臂的返回光的偏振态相同,这样就有效地增强光干涉信号,提高信噪比。

Patent Agency Ranking