-
公开(公告)号：CN103679198B
公开(公告)日：2016-09-14
申请号：CN201310669758.X
申请日：2013-12-10
Applicant: 苏州大学
Abstract: 本发明公开了一种基于K近邻的视网膜内节/外节缺失自动检测方法，主要步骤包括：步骤S01，图像预处理，采用多尺度三维图搜索方法将视网膜内部分层，内节/外节区域提取和平坦化；步骤S02，提取以黄斑中心为中心、直径1mm的内节/外节区域为感兴趣区域；对感兴趣区域提取特征；步骤S03，采用零均值归一化方法对所提取的特征进行归一化；步骤S04，分类，采用K近邻分类器对感兴趣区域中的体素进行缺失/非缺失识别，并计算相应的体积。本发明首次提供了一种具有可行性和有效性的视网膜内节/外节缺失自动检测方法，对于眼外伤等临床常见眼科疾病的诊断与治疗起到了重要的辅助作用。
-
公开(公告)号：CN104143087A
公开(公告)日：2014-11-12
申请号：CN201410356040.X
申请日：2014-07-24
Applicant: 苏州大学
Abstract: 本发明公开了一种基于SD-OCT图像的挫伤性视网膜内节/外节缺失三维自动检测方法，包括以下步骤：（1）图像预处理，采用多尺度三维图割方法将视网膜内部自动分割成11个表面，提取位于第7表面和第8表面之间的内节/外节区域作为感兴趣区域，进行平坦化处理和双线性滤波增强；（2）对感兴趣区域中每个体素提取5类（共计57个）特征；（3）采用主成份分析方法对特征进行优化选择；（4）将特征样本分成训练集和测试集，对训练集样本采用Adaboost算法训练集成分类器；（5）对测试集样本进行缺失/非缺失识别；（6）对识别结果进行血管轮廓影响排除和孤立点排除等后处理，计算相应的缺失体积，缺失体积识别误差小，准确性好。
-
公开(公告)号：CN118865477B
公开(公告)日：2025-02-14
申请号：CN202411370494.2
申请日：2024-09-29
Applicant: 苏州大学
Abstract: 本发明公开了一种基于知识蒸馏和自监督学习的近视性黄斑病变分类方法及系统，涉及医学图像分类技术领域，包括自监督学习阶段和近视性黄斑病变分类阶段，自监督学习阶段包括图像掩码模块、知识蒸馏与特征编码模块和图像重建模块；通过对原始眼底彩照图像进行高通滤波来产生重建目标，使表示学习优先考虑高频成分，即图像细节和边缘信息，使得网络更多关注到图像的高频细节来实现图像重建。本发明通过优化蒸馏技术和重建策略，实现了在眼底图像病变分类中的高效应用；从较大模型中提取知识，提高模型的训练效率；增强了模型对图像细节部分的捕获，分类性能良好，为后续病变的定量分析奠定基础。
-
公开(公告)号：CN119048844B
公开(公告)日：2025-01-24
申请号：CN202411508539.8
申请日：2024-10-28
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00 , A61B3/12 , A61B3/14 , A61B3/00
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种用于视网膜色素变性分级的类别注意力网络构建方法。本发明构建视网膜色素变性类别注意力网络，所述视网膜色素变性类别注意力网络包括：两条并行分支、类别加权注意力模块与分类器；两条并行分支包括：高效自注意力Transformer支路与局部特征提取支路；将眼底彩照图像分别输入高效自注意力Transformer支路、局部特征提取支路，提取高效自注意力Transformer支路的输出特征与局部特征提取支路的输出特征并沿通道维度进行拼接，得到融合特征；融合特征通过类别加权注意力模块，对不同类别分配不同权重，得到加权后的输出特征；将加权后的输出特征通过分类器，输出视网膜色素变性分级结果。本发明使得网络更加轻量化且精度更高。
-
公开(公告)号：CN119228861A
公开(公告)日：2024-12-31
申请号：CN202411756314.4
申请日：2024-12-03
Applicant: 苏州大学
IPC: G06T7/33 , G06T7/00 , G06T5/50 , G06T3/4038 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及图像处理技术领域，尤其涉及一种多模态视网膜眼底图像配准方法及系统。将参考图像结构体通过第一特征编码器，提取四个阶段的参考旋转等变特征与总参考旋转等变特征图；将浮动图像结构体通过第二特征编码器，提取四个阶段的浮动旋转等变特征与总浮动旋转等变特征图；将四个阶段的参考旋转等变特征与浮动旋转等变特征分别输入关键点检测解码器，进行特征融合，输出参考关键点预测图与浮动关键点预测图；将总参考旋转等变特征图与总浮动旋转等变特征图分别输入关键点描述子解码器，输出每个参考关键点的描述子与每个浮动关键点的描述子；通过配准模块，将浮动图像对齐到参考图像，得到配准后的图像。本发明提高了多模态图像配准精度。
-
Patent Agency Ranking
公开(公告)号：CN116503639B
公开(公告)日：2024-12-06
申请号：CN202310240656.X
申请日：2023-03-14
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种视网膜OCT图像病变多标签分类系统和方法，系统包括：获取模块：用于获取视网膜OCT图像；第一融合模块：用于提取视网膜OCT图像的深层特征图，同时将深层特征提取过程中输出的特征与深层特征图进行融合，得到图像特征图；拼接模块：用于提取两张视网膜OCT图像的浅层特征，并将包括局部目标信息的浅层特征与图像特征图进行拼接，得到拼接特征；第二融合模块：用于构建输入数据并输入图卷积神经网络，得到向量矩阵，再将向量矩阵和拼接特征进行融合得到输出结果；分类模块：用于根据输出结果对视网膜OCT图像的各种疾病进行分类。本发明能够对视网膜OCT图像的特征进行有效提取，并能对各种视网膜疾病进行分类。
-
公开(公告)号：CN116205934B
公开(公告)日：2024-11-26
申请号：CN202310106210.8
申请日：2023-02-13
Applicant: 苏州大学
IPC: G06T7/11 , G06T5/70 , G06V10/80 , G06V10/82 , G06V10/776 , G06N3/0464 , G06N3/08
Abstract: 本发明提供一种基于CNN的睑板腺区域和睑板腺萎缩区域分割模型及方法，该模型包括：特征编码模块，用于从原始图片中提取特征图；信息融合模块IFM，用于对输入的特征图的浅层特征和深层特征的通道和空间信息进行优化，增强浅层特征的高级语义信息并填充深层特征的空间位置信息；并行路径连接模块PPC，用于对所述特征编码模块提取的特征图的特征进行特征细化；特征解码模块，用于对提取到的特征进行恢复，得到预测结果。本发明克服了现有U型编解码器网络中下采样导致细节信息的缺失以及原始U‑Net网络在跳跃连接中会引入噪声导致解码器对特征的恢复质量变差的问题。
-
公开(公告)号：CN116824217B
公开(公告)日：2024-10-11
申请号：CN202310580568.4
申请日：2023-05-22
Applicant: 苏州大学
IPC: G06V10/764 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0464
Abstract: 本发明涉及计算机图像处理领域。本发明提出一种多模态视网膜分类方法，互补性特征提取阶段中，OCT‑A和OCT图像分别通过特征提取器和前馈神经网络进行特征提取，随后经过组增强交叉变换器和组增强自变换器进行特征融合，并将互补特征存储在互补性内存池中。当网络完成互补性特征提取，网络进入一致性特征提取阶段。一致性特征提取阶段的结构在互补性提取阶段的基础上加入了跨模态交互蒸馏损失，主要用于提取来自不同模态的一致性特征，并将其与互补性特征进行融合。可以高效获取与融合来自不同模态间的互补性和一致性特征，在多模态融合的视网膜疾病分类任务，可有效提高分类的准确率。
-
公开(公告)号：CN112819798B
公开(公告)日：2023-06-13
申请号：CN202110171467.2
申请日：2021-02-05
Applicant: 苏州大学
IPC: G06V10/26 , G06V10/80 , G06V10/82 , G06V20/70 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/08
Abstract: 本申请公开一种适用于多种视网膜积液联合分割的上下文关注与融合网络，包括特征编码模块、上下文收缩编码CSE模块、上下文金字塔引导CPG模块、特征解码模块，上下文收缩编码CSE模块嵌入于特征编码模块中，上下文金字塔引导CPG模块设置于特征编码模块、特征解码模块之间，上下文收缩编码CSE模块与特征解码模块跳跃连接；视网膜OCT图像通过特征编码模块和上下文收缩编码CSE模块对各层次特征进行选择性聚合，再通过上下文金字塔引导CPG模块获得多尺度上下文信息输入到特征解码模块中，特征解码模块输出分割结果。本申请的适用于多种视网膜积液联合分割的上下文关注与融合网络，克服了现有技术中存在的特征聚合无选择性、多尺度信息提取能力低下等问题。
-
公开(公告)号：CN116091519A
公开(公告)日：2023-05-09
申请号：CN202211644781.9
申请日：2022-12-20
Applicant: 苏州大学
IPC: G06T7/11 , G06T3/40 , G06N3/0464
Abstract: 本发明涉及深度学习技术领域，尤其是指一种脉络膜新生血管生长预测方法、装置及存储介质。本发明提出了一种基于卷积神经网络的CNV生长预测方法，将采集到的图像分割出感兴趣的CNV病变区域，并将其与原图进行拼接，作为生长预测的输入，保证CNV生长预测的准确性，所提出的基于注意力的门控递归单元，由于集成了纵向数据的空间注意力和通道注意力，着重关注时空序列图像的空间位置的变化，在减少计算量的同时，能够在多维数据中执行卷积操作来捕获时空序列图像的空间特征，在生长预测方面具有更好的性能。
-
-
-
-
-
-
-
-
-
Search Results
79
records
(took 0.028 seconds)
