公开(公告)号：CN116128767B

公开(公告)日：2025-03-18

申请号：CN202310242934.5

申请日：2023-03-14

Applicant: 杭州电子科技大学

Inventor： 范姗慧 ,  廖姝懿 ,  韦尚光 ,  厉力华 ,  陈冬梅

IPC: G06T5/60 ,  G06T5/70 ,  G06T5/73 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络的可见光OCT图像的清晰化方法。该方法如下：一、训练样本的获取。使用可见光OCT装置获取V域图像。使用近红外光OCT装置获取N域图像。二、对步骤一所得的V域图像和N域图像进行预处理。三、根据经过预处理的V域图像和N域图像建立训练样本数据集。四、构建并训练OCT图像清晰化模型。五、将可见光OCT图像输入生成器G1中，得到质量提升的OCT图像。本发明提出的新型无监督生成对抗网络，借助对偶学习的思想构建OCT图像清晰化模型，可以不使用配对图像进行训练就能得到较好的结果。此外，本发明加入了可进行图像属性编辑的网络，加强了对偶训练过程中生成器学习清晰结构的能力。

公开(公告)号：CN116128767A

公开(公告)日：2023-05-16

申请号：CN202310242934.5

申请日：2023-03-14

Applicant: 杭州电子科技大学

Inventor： 范姗慧 ,  廖姝懿 ,  韦尚光 ,  厉力华 ,  陈冬梅

IPC: G06T5/00 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/08

Abstract: 本发明公开了一种基于生成对抗网络的可见光OCT图像的清晰化方法。该方法如下：一、训练样本的获取。使用可见光OCT装置获取V域图像。使用近红外光OCT装置获取N域图像。二、对步骤一所得的V域图像和N域图像进行预处理。三、根据经过预处理的V域图像和N域图像建立训练样本数据集。四、构建并训练OCT图像清晰化模型。五、将可见光OCT图像输入生成器G1中，得到质量提升的OCT图像。本发明提出的新型无监督生成对抗网络，借助对偶学习的思想构建OCT图像清晰化模型，可以不使用配对图像进行训练就能得到较好的结果。此外，本发明加入了可进行图像属性编辑的网络，加强了对偶训练过程中生成器学习清晰结构的能力。

公开(公告)号：CN117237711A

公开(公告)日：2023-12-15

申请号：CN202311163217.X

申请日：2023-09-11

Applicant: 杭州电子科技大学

Inventor： 范姗慧 ,  廖姝懿 ,  厉力华 ,  梁舒心 ,  王志文

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/047 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明公开了一种基于对抗学习的双模态眼底图像分类方法，包括如下步骤：S1、构建数据集并将其分为训练集与测试集；S2、对数据集进行预处理；S3、构建双模态视网膜图像分类模型；S4、双模态视网膜图像分类模型的训练；S5、应用训练好的双模态视网膜图像分类模型，输出预测分类标签。该方法在实现多标签分类的同时，通过融合OCT图像的特征提高分类的准确率。

公开(公告)号：CN117237711B

公开(公告)日：2024-12-06

申请号：CN202311163217.X

申请日：2023-09-11

Applicant: 杭州电子科技大学

Inventor： 范姗慧 ,  廖姝懿 ,  厉力华 ,  梁舒心 ,  王志文

IPC: G06V10/764 ,  G06V10/82 ,  G06V10/774 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/047 ,  G06N3/084 ,  G06N3/094

Abstract: 本发明公开了一种基于对抗学习的双模态眼底图像分类方法，包括如下步骤：S1、构建数据集并将其分为训练集与测试集；S2、对数据集进行预处理；S3、构建双模态视网膜图像分类模型；S4、双模态视网膜图像分类模型的训练；S5、应用训练好的双模态视网膜图像分类模型，输出预测分类标签。该方法在实现多标签分类的同时，通过融合OCT图像的特征提高分类的准确率。