-
公开(公告)号：CN110120055B
公开(公告)日：2023-04-18
申请号：CN201910294122.9
申请日：2019-04-12
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习的眼底荧光造影图像无灌注区自动分割方法。本发明针对医生手动分割标注的无灌注区眼底造影图像眼底造影图像对构建的卷积神经网络进行训练，使卷积神经网络的最终输出值符合医生标注的结果，从而可以利用训练好的卷积神经网络对糖尿病视网膜病变进行自动分割识别眼底无灌注区。本发明的方法通过具备无灌注区位置标记的眼底造影图像，采用深度学习实现自动从训练范例眼底造影图像库中学习所需特征并进行语义分割。在训练过程中不断优化卷积神经网络的参数，提取数据特征，从而辅助临床运用中的对糖尿病视网膜病变进行眼底激光治疗时，识别需要治疗的无灌注区，精准地辅助眼底激光。
-
公开(公告)号：CN115100187A
公开(公告)日：2022-09-23
申请号：CN202210892726.5
申请日：2022-07-27
Applicant: 浙江大学
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/774 , G06N20/20
Abstract: 本发明公开了一种基于联邦学习的青光眼图像检测方法。建立了一个两阶段的青光眼诊断网络模型，通过两阶段的青光眼诊断网络模型对眼底图像进行处理，第一阶段用于获得杯盘比结果，第二阶段用于获得青光眼分类概率结果；收集眼底图像数据并预处理，用预处理后的眼底图像数据对两阶段的青光眼诊断网络模型中的第二阶段进行训练，获得训练后的两阶段的青光眼诊断网络模型；针对待测的眼底图像输入训练后的两阶段的青光眼诊断网络模型获得两阶段的结果，综合两阶段的结果对眼底图像中的青光眼情况进行分类判断。本发明实现了快速高效的青光眼图像检测，方法大大减少了医生的诊断周期。
-
公开(公告)号：CN109859172A
公开(公告)日：2019-06-07
申请号：CN201910015735.4
申请日：2019-01-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于眼底造影图像深度学习的糖网病变无灌注区识别方法。本发明针对医生标注的含无灌注区、不含无灌注区和含激光斑三类眼底造影图像，建立多层卷积神经网络，基于眼底造影图像对卷积神经网络的训练，使卷积神经网络的最终输出值符合医生标注的结果，从而可以利用训练好的卷积神经网络对糖尿病视网膜病变进行自动检测识别眼底无灌注区。本发明通过训练诊断标记的眼底造影图像，采用深度学习实现自动从训练范例眼底造影图像库中学习所需特征并进行分类判别，在训练过程中不断优化用于判断的数据特征以及卷积神经网络的参数，从而能够大幅提高临床运用中的糖尿病视网膜病变无灌注区智能识别的敏感性和特异性，精准地辅助眼底激光。
-
公开(公告)号：CN116807382A
公开(公告)日：2023-09-29
申请号：CN202310829386.6
申请日：2023-07-07
Applicant: 浙江大学
IPC: A61B3/10
Abstract: 本发明属于眼科检查设备技术领域。公开一种术中眼球突出度测量装置及测量方法，包括：眶缘距离固定横杆；第一眶缘测量卡尺和第二眶缘测量卡尺，均套设滑动在眶缘距离固定横杆上，第一眶缘测量卡尺和第二眶缘测量卡尺与眶缘距离固定横杆垂直设置，第一眶缘测量卡尺与第二眶缘测量卡尺之间的距离为眶缘距离；第一突出度测量游标，套设滑动在第一眶缘测量卡尺上，第一突出度测量游标用于左眼的突出度测量；第二突出度测量游标，套设滑动在第二眶缘测量卡尺上，第二突出度测量游标用于右眼的突出度测量；第一眶缘测量卡尺包括第一连接端和第一测量板。本发明能够实现对术中眼球突出度进行实时测量。
-
公开(公告)号：CN114612389B
公开(公告)日：2022-09-06
申请号：CN202210155190.9
申请日：2022-02-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多源多尺度特征融合的眼底图像质量评价方法，包括：步骤1：获取多源域眼底图像，并对多源域眼底图像进行关于亮度、模糊程度、对比程度以及图像的总体质量四个评价维度的标签标注，将眼底图像与标注标签组成训练样本；步骤2：构建眼底图像质量评价网络，包括特征提取模块、融合模块、注意力模块以及评价模块；步骤3：利用训练样本对眼底图像质量评价网络进行训练，获得眼底图像质量评价模型；步骤4：将待测眼底图像输入到眼底图像质量评价模型中，经计算输出质量评价结果。本发明还提供了基于上述方法的眼底图像质量评价装置。通过本发明提供的方法，在考虑多种成像环境的条件下，对眼底图像进行全面客观的评价。
-
Patent Agency Ranking
公开(公告)号：CN114612389A
公开(公告)日：2022-06-10
申请号：CN202210155190.9
申请日：2022-02-21
Applicant: 浙江大学
Abstract: 本发明公开了一种基于多源多尺度特征融合的眼底图像质量评价方法，包括：步骤1：获取多源域眼底图像，并对多源域眼底图像进行关于亮度、模糊程度、对比程度以及图像的总体质量四个评价维度的标签标注，将眼底图像与标注标签组成训练样本；步骤2：构建眼底图像质量评价网络，包括特征提取模块、融合模块、注意力模块以及评价模块；步骤3：利用训练样本对眼底图像质量评价网络进行训练，获得眼底图像质量评价模型；步骤4：将待测眼底图像输入到眼底图像质量评价模型中，经计算输出质量评价结果。本发明还提供了基于上述方法的眼底图像质量评价装置。通过本发明提供的方法，在考虑多种成像环境的条件下，对眼底图像进行全面客观的评价。
-
公开(公告)号：CN111353980B
公开(公告)日：2022-05-17
申请号：CN202010125033.4
申请日：2020-02-27
Applicant: 浙江大学
Abstract: 本发明公开了一种基于深度学习的眼底荧光造影图像渗漏点检测方法。采集眼底荧光造影图像，构建数据集并预处理，进行盘区域和渗漏点轮廓线标注，使用水漫填充法二值转换；对二值分割图像进行遍历处理，分割成子图，组成特征集；构建两个U型神经网络；采用特征集和渗漏点轮廓线输入第一U型神经网络训练；采用原始图像和视盘区域、黄斑区域输入第二U型神经网络训练；针对待测的眼底荧光造影图像处理预测，取分类概率大于预设渗漏阈值的像素点组成作为渗漏点，并输出视盘区域和黄斑区域；时序前后造影图配准，判断假渗漏点剔除。本发明使用深度卷积神经网络对渗漏点进行语义分割，排除错误的渗漏点，具有更高的准确率和可靠度。
-
公开(公告)号：CN108853581A
公开(公告)日：2018-11-23
申请号：CN201810360067.4
申请日：2018-04-20
Applicant: 浙江大学
Abstract: 本发明公开了一种高分子聚合物水凝胶复合Medpor义眼座及其制备方法。义眼座具有内部孔道完全贯通的多孔结构，孔隙率为50～85％，孔道内径为150～800um，孔壁上采用水凝胶对其进行改性。其制备方法为：1)Medpor义眼座的内表面改性，2)制备高分子聚合物悬浮溶液，3)负压条件下，将高分子聚合物导入内表面改性的Medpor义眼座中，用交联剂交联，即得所需的水凝胶复合多孔义眼座。本发明的义眼座具有仿生细胞外基质，提高材料生物相容性，促进血管生成细胞的粘附和增殖，促进眼座的快速血管化，从而可降低眼座植入术后眼座暴露、感染等并发症的发生，具有良好的应用价值。
-
公开(公告)号：CN105184819B
公开(公告)日：2018-01-12
申请号：CN201510581927.3
申请日：2015-09-14
Applicant: 浙江大学
Abstract: 本发明公开了一种用于医学图像重建参数寻优的客观图像质量评价方法。本发明包括如下步骤：1.采用循环置顶的方法构造出多个虚拟的参考图像，不仅可以利用全参考图像质量评价算法分析重建图像的质量，还能实现并行处理；2.利用Daubechies小波变换结合特征值分解从不同尺度、不同方位分析图像的自相似性；3.将获取的重建图像的自相似性作为质量因子，对其进行冒泡排序，得出重建图像的质量等级，最高的质量等级对应最优的重建参数。本发明所提出的图像质量客观评价与主观评价具有很好的一致性，尤其是能加速医学图像重建算法中参数的寻优过程。
-
公开(公告)号：CN115100187B
公开(公告)日：2024-06-11
申请号：CN202210892726.5
申请日：2022-07-27
Applicant: 浙江大学
IPC: G06T7/00 , G06V10/26 , G06V10/764 , G06V10/82 , G06V10/774 , G06N20/20
Abstract: 本发明公开了一种基于联邦学习的青光眼图像检测方法。建立了一个两阶段的青光眼诊断网络模型，通过两阶段的青光眼诊断网络模型对眼底图像进行处理，第一阶段用于获得杯盘比结果，第二阶段用于获得青光眼分类概率结果；收集眼底图像数据并预处理，用预处理后的眼底图像数据对两阶段的青光眼诊断网络模型中的第二阶段进行训练，获得训练后的两阶段的青光眼诊断网络模型；针对待测的眼底图像输入训练后的两阶段的青光眼诊断网络模型获得两阶段的结果，综合两阶段的结果对眼底图像中的青光眼情况进行分类判断。本发明实现了快速高效的青光眼图像检测，方法大大减少了医生的诊断周期。
-
-
-
-
-
-
-
-
-
Search Results
20
records
(took 0.021 seconds)
