-
公开(公告)号：CN115512153A
公开(公告)日：2022-12-23
申请号：CN202211146617.5
申请日：2022-09-21
Applicant: 哈尔滨理工大学
Abstract: 基于多尺度残差网络的视网膜OCT图像分类方法、系统、计算机设备和存储介质，属于OCT图像处理技术领域，解决对视网膜OCT图像分类准确率较低问题。本发明的方法包括：获取视网膜OCT图像分类数据集，分为训练集和测试集；对训练集和测试集进行预处理；利用双通道注意力机制和多尺度残差模块对基线网络进行改进，建立视网膜OCT图像分类模型；多尺度残差模块具体包括若干条支路、残差模块、特征融合模块和相加模块，每条支路包括若干个卷积；特征融合模块用于将若干条支路的输出信息进行特征融合；相加模块用于将融合后的信息与残差模块的输出信息进行相加；获取训练后的视网膜OCT图像分类模型；对视网膜OCT图像进行分类。本发明适用于视网膜OCT图像的分类。
-
公开(公告)号：CN115131612A
公开(公告)日：2022-09-30
申请号：CN202210772144.3
申请日：2022-07-02
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/82 , G06T7/00 , G06N3/04 , G06N3/08 , A61B3/10 , A61B3/12 , A61B3/14 , A61B3/00
Abstract: 本发明公开了一种基于递归残差网络的视网膜OCT图像分类方法，属于医学领域，所述方法包括如下步骤，步骤一：获取视网膜OCT图像，按照一定比例划分为训练集和测试集；步骤二：图像预处理，对获取的原始OCT图像进行增强和标准化，将数据通过去均值实现中心化的处理，更容易取得训练之后的泛化效果；步骤三：以ResNet50网络模型为基线网络，结合了门控注意力机制模块(attentiongatemodule，AG)；步骤四：结合发明的递归残差模块，提升网络的信息提取能力，使网络可以同时捕获更多更高质量的输入信息，更加有利于网络对不同类别视网膜疾病的学习，进一步提高网络的精度；步骤五：通过消融实验，获取网络最优模型。
-
公开(公告)号：CN113284104A
公开(公告)日：2021-08-20
申请号：CN202110561002.8
申请日：2021-05-21
Applicant: 哈尔滨理工大学
Abstract: 本文公开了一种基于深度学习的医学图像预处理方法，属于深度学习领域。为了解决卷积神经网络对图像边缘信息提取不足问题，以获取更多的边缘特征信息。本发明采用一种求取图像边缘尺寸的计算方法，并对图片边缘部分进行镜像翻转和拼接操作。进而对结果进行保存操作。将扩增后的图片中输入搭建好的卷积神经网络中，通过人为的调整网络超参数，最终获得性能良好的预测模型。本文提出的基于深度学习的医学图像预处理方法与现有的卷积神经网络中对图片的padding技术共有必要技术特征。本文对对图像边缘进行更多的特征提取，可以提升深度学习对图像边缘部分的训练权重，进一步提高深度学习网络模型预测性能。
-
公开(公告)号：CN115546227A
公开(公告)日：2022-12-30
申请号：CN202211266750.4
申请日：2022-10-17
Applicant: 哈尔滨理工大学
Abstract: 基于改进Unet网络的视网膜血管分割网络、分割方法、计算机设备和存储介质，属于图像处理技术领域，解决对视网膜血管OCTA图像分割不准确出现漏检现象问题。本发明的网络：首先，使用不对称卷积边界细化模块(ACBR)从网络的编码器端提取丰富的视网膜血管信息并对其进行细化。其次，通道注意模块用于为那些分辨率较低的血管赋予足够的权重，防止它们在深度卷积和池化操作下权重消失。最后在网络中加入一个残差结构，增加了网络的深度，提高了网络的鲁棒性，防止了网络过拟合。本发明适用于对视网膜血管图像的分割。
-
-
-
Search Results
4
records
(took 0.018 seconds)
