-
公开(公告)号：CN114387437B
公开(公告)日：2024-12-24
申请号：CN202210029904.1
申请日：2022-01-12
Applicant: 福建农林大学
IPC: G06V10/25 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明涉及一种基于多注意力U‑Net全卷积网络的视网膜图像视盘提取方法，包括以下步骤：步骤S1:获取原始彩色视网膜图像，并采用最亮点提取及区域模糊最亮区域的方法进行感兴趣区域提取；步骤S2:根据提取的感兴趣区域图像，采用RGB通道分离，并对分离后的红色通道图像进行直方图均衡化和标准化处理；步骤S3:将红色通道图像，直方图均衡化图图像和标准化图像进行通道融合产生新的三通道图像；步骤S4:基于多注意力U‑Net全卷积网络，构建并训练视网膜图像视盘分割模型；步骤S5将将通道融合后的图像数据输入视网膜视盘分割模型进行视网膜图像视盘提取分割。本发明实现了视网膜图像视盘的高精度提取分割。
-
公开(公告)号：CN114387437A
公开(公告)日：2022-04-22
申请号：CN202210029904.1
申请日：2022-01-12
Applicant: 福建农林大学
IPC: G06V10/25 , G06V10/26 , G06V10/774 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于多注意力U‑Net全卷积网络的视网膜图像视盘提取方法，包括以下步骤：步骤S1:获取原始彩色视网膜图像，并采用最亮点提取及区域模糊最亮区域的方法进行感兴趣区域提取；步骤S2:根据提取的感兴趣区域图像，采用RGB通道分离，并对分离后的红色通道图像进行直方图均衡化和标准化处理；步骤S3:将红色通道图像，直方图均衡化图图像和标准化图像进行通道融合产生新的三通道图像；步骤S4:基于多注意力U‑Net全卷积网络，构建并训练视网膜图像视盘分割模型；步骤S5将将通道融合后的图像数据输入视网膜视盘分割模型进行视网膜图像视盘提取分割。本发明实现了视网膜图像视盘的高精度提取分割。
-
公开(公告)号：CN112085745B
公开(公告)日：2024-10-18
申请号：CN202010931829.9
申请日：2020-09-07
Applicant: 福建农林大学
IPC: G06T7/11 , G06T7/194 , G06T5/40 , G06N3/0464 , G06N3/084
Abstract: 本发明提出一种基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，包括以下步骤：步骤S1：对原始彩色视网膜图像采用三通道直方图均衡化并结合特性值伽马矫正进行预处理；步骤S2：构建多尺度均衡化划分采样点后进行图像块随机拼接扩充数据样本；步骤S3：将图像数据归一化；步骤S4：将归一化后的图像数据输入视网膜血管分割模型进行视网膜血管网络分割；所述视网膜血管分割模型由训练集产生的归一化后的图像数据通过对色彩敏感的三通道U‑Net全卷积网络进行训练获得。其在精度，灵敏度，以及特异性以及AUC上有较大优势。
-
公开(公告)号：CN112085745A
公开(公告)日：2020-12-15
申请号：CN202010931829.9
申请日：2020-09-07
Applicant: 福建农林大学
Abstract: 本发明提出一种基于均衡采样拼接的多通道U型全卷积神经网络的视网膜血管图像分割方法，包括以下步骤：步骤S1：对原始彩色视网膜图像采用三通道直方图均衡化并结合特性值伽马矫正进行预处理；步骤S2：构建多尺度均衡化划分采样点后进行图像块随机拼接扩充数据样本；步骤S3：将图像数据归一化；步骤S4：将归一化后的图像数据输入视网膜血管分割模型进行视网膜血管网络分割；所述视网膜血管分割模型由训练集产生的归一化后的图像数据通过对色彩敏感的三通道U‑Net全卷积网络进行训练获得。其在精度，灵敏度，以及特异性以及AUC上有较大优势。
-
-
-
Search Results
4
records
(took 0.022 seconds)
