公开(公告)号：CN116664546A

公开(公告)日：2023-08-29

申请号：CN202310751136.5

申请日：2023-06-25

Applicant: 杭州电子科技大学 ,  中电数据服务有限公司

Inventor： 张继勇 ,  周晓飞 ,  胡文丽 ,  李世锋 ,  周振 ,  何帆

IPC: G06T7/00 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明涉及一种基于UNet网络的眼底图像视盘检测方法，包括以下步骤：步骤一：收集公开的眼底图像数据集并进行数据预处理，对图像进行数据扩增、随机切割和归一化处理；步骤二：以BASNet的预测模块为网络主干结构，在BASNet第一至第五层的编码器与译码器之间加入融合多注意力的桥接模块以提高眼底图像视盘检测精度；步骤三：模型训练与评估，本发明提出一种融合多注意力机制的桥接模块加入到BASNet预测模块中的第一层至第五层编码器与解码器之间，融合了图像的前景信息、背景信息与原始信息，能够提高检测准确性。同时，将本发明将测试集放到训练好的网络参数上进行测试，从而验证了本发明所提出的模型性能良好，能够适应不同的图像且检测精度高。

公开(公告)号：CN115587967A

公开(公告)日：2023-01-10

申请号：CN202211093428.6

申请日：2022-09-06

Applicant: 杭州电子科技大学 ,  中电数据服务有限公司

Inventor： 胡文丽 ,  周晓飞 ,  张继勇 ,  李世锋 ,  周振 ,  何帆

IPC: G06T7/00 ,  G06T7/11 ,  G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06N3/04 ,  G06N3/08 ,  A61B3/12 ,  A61B3/14

Abstract: 本发明涉及一种基于HA‑UNet网络的眼底图像视盘检测方法，包括如下步骤：数据预处理、模型构建、模型训练和模型评估。所述数据预处理包括对图像的缩放与剪切；所述构建的HA‑UNet网络在原始UNet网络的基础上，采用残差模块替代原UNet中的卷积层，并提出混合注意力模块，即HA模块，建立多注意力机制与特征之间的关系，对前景信息与背景信息进行挖掘与融合，同时，该网络采用混合损失函数，即BCE损失函数、SSIM损失函数和IoU损失函数的结合作为模型最终的损失函数；所述模型训练即当模型的损失函数不再降低之后，保存模型；所述模型评估即将训练好的模型放到测试集上进行评估。

公开(公告)号：CN115587967B

公开(公告)日：2023-10-10

申请号：CN202211093428.6

申请日：2022-09-06

Applicant: 杭州电子科技大学 ,  中电数据服务有限公司

Inventor： 胡文丽 ,  周晓飞 ,  张继勇 ,  李世锋 ,  周振 ,  何帆

IPC: G06T7/00 ,  G06T7/11 ,  G06V10/764 ,  G06V10/774 ,  G06V10/74 ,  G06N3/0464 ,  G06N3/08 ,  A61B3/12 ,  A61B3/14

Abstract: 本发明涉及一种基于HA‑UNet网络的眼底图像视盘检测方法，包括如下步骤：数据预处理、模型构建、模型训练和模型评估。所述数据预处理包括对图像的缩放与剪切；所述构建的HA‑UNet网络在原始UNet网络的基础上，采用残差模块替代原UNet中的卷积层，并提出混合注意力模块，即HA模块，建立多注意力机制与特征之间的关系，对前景信息与背景信息进行挖掘与融合，同时，该网络采用混合损失函数，即BCE损失函数、SSIM损失函数和IoU损失函数的结合作为模型最终的损失函数；所述模型训练即当模型的损失函数不再降低之后，保存模型；所述模型评估即将训练好的模型放到测试集上进行评估。