公开(公告)号：CN115908241A

公开(公告)日：2023-04-04

申请号：CN202211126578.2

申请日：2022-09-16

Applicant: 重庆邮电大学

Inventor： 邹洋 ,  胡鑫 ,  吴甲明

IPC: G06T7/00 ,  G06T7/11 ,  G06T5/00 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明属于计算机视觉的医学图像分割领域，具体涉及一种基于UNet和Transformer相融合的视网膜血管分割方法，具有这样的特征，包括以下步骤：步骤1，将待训练图像进行预处理获得预处理图像；步骤2，将预处理图像输入到基于UNet和Transformer相融合的视网膜血管分割模型中得到权重文件，该模型包括编码器、解码器以及融合注意力机制，所述编码器包括多流级联的卷积层、多个池化层和多个残差模块，每一个卷积层都使用残差模块，池化层设在两个卷积层单元之间；所述解码器包括级联的多个改进的基于扩展卷积的残差模块、多个上采样模块以及反卷积层，上采样模块设在两个相邻的改进的基于扩展卷积的残差单元之间；所述融合注意力机制将编码器中池化层的输出以及相邻流池化层的输出分别作为低层特征输入和高层特征输入，在第三层的融合注意力机制的高层特征输入是对应编码器池化层经过Transformer模块形成的特征图；步骤3，加载权重文件，将测试的眼底图像输入到模型中得出视网膜血管分割结果。此外，本发明的视网膜血管分割模型对细小血管较敏感，提高了分割的精度。

公开(公告)号：CN117893458A

公开(公告)日：2024-04-16

申请号：CN202211218899.5

申请日：2022-10-07

Applicant: 重庆邮电大学

Inventor： 邹洋 ,  吴甲明 ,  熊安萍 ,  胡鑫 ,  孙庆庆

IPC: G06T7/00 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明属于计算机视觉的医学图像处理领域，具体涉及一种基于跨层双线性特征融合的视网膜血栓检测方法，该方法包括：获取人体视网膜图像数据以及医学检测数据，将视网膜图像进行预处理，然后将图像数据与医学检测数据输入到改进的跨层双线性特征融合模型中，得到血栓检测结果；其中，所述的跨层双线性特征融合模型包括：将原始的线性ResNet结构重构成并行的双线性模型，以更好地提取更细粒度的特征。考虑到层间特征的交互，按照多模态融合时间分界提取出三组特征，进行双线性池化得到三组双线性特征，进行级联并输入softmax分类。通过使用跨层双线性特征融合模型检测血栓，较原始的ResNet模型取得良好效果，能在实际应用中为医疗资源相对紧张的地区的患者提供高效、便捷的检测服务，简化患者检测流程，降低就医成本，同时减少医务人员工作量，提高血栓检测效率。

公开(公告)号：CN117408939A

公开(公告)日：2024-01-16

申请号：CN202310510017.0

申请日：2023-05-08

Applicant: 重庆邮电大学

Inventor： 邹洋 ,  吴甲明

IPC: G06T7/00 ,  G06T5/40 ,  G06V10/764 ,  G06T5/90 ,  G06N3/02

Abstract: 本发明属于计算机视觉的医学图像处理领域，具体涉及一种基于反事实注意力的糖尿病性视网膜病变检测方法，该方法包括：获取视网膜图像数据集，将视网膜图像进行预处理，然后将图像数据与标签数据输入到改进的反事实混合注意力模型中，得到视网膜病变检测结果；其中，所述的反事实混合注意力模型包括：将原始的ResNet结构重构成基于CBAM的混合注意力模型，在模型最后添加一层空间注意力，在模型训练中，通过干预习得的注意力图得到反事实特征和反事实预测，以真实预测与反事实预测的差异构建损失函数，计算损失并反向传播调整模型的参数。通过使用反事实混合注意力模型检测糖尿病性视网膜病变，较原始的ResNet模型取得良好效果，能在实际应用中为医疗资源相对紧张的地区的患者提供高效、便捷的检测服务，简化患者检测流程，降低就医成本，同时减少医务人员工作量，提高糖尿病性视网膜病变检测效率。