公开(公告)号：CN117011251A

公开(公告)日：2023-11-07

申请号：CN202310898630.4

申请日：2023-07-20

Applicant: 电子科技大学

Inventor： 李永杰 ,  谭玉博 ,  杨开富

IPC: G06T7/00 ,  G06T7/11 ,  G06N3/0464 ,  G06N3/084 ,  G06T7/194 ,  G06T7/136

Abstract: 本发明公开了一种基于特征极化和边界回归的眼底OCT图像分割方法，首先对眼底OCT图像进行预处理，把眼底OCT图像分别输入卷积骨干神经网络和变形器骨干网络提取相应特征，并将提取的特征进行融合，输入解码器得到输出概率图，再对提取的所有特征进行特征极化约束，然后对输出概率图进行边界回归约束，利用损失函数基于反向传播训练OCT分割模型，最后基于训练好的权重预测新的眼底OCT图像。本发明的方法设计了卷积网络和变形器网络混合作为编码器的分割模型，能够对OCT中视网膜层的形状和细节进行捕获，提出特征极化损失能够增强编码器特征提取的鲁棒性，提出的边界回归损失能够优化解码器对于视网膜层边界的精确定位，非常适合眼底OCT图像的视网膜层分割。

公开(公告)号：CN114565620A

公开(公告)日：2022-05-31

申请号：CN202210195233.6

申请日：2022-03-01

Applicant: 电子科技大学

Inventor： 李永杰 ,  谭玉博 ,  杨开富

IPC: G06T7/11 ,  G06T7/136 ,  G06T7/194 ,  G06N3/04 ,  G06N3/08 ,  G06T5/30 ,  G06T5/50

Abstract: 本发明公开了一种基于骨架先验和对比损失的眼底图像血管分割方法，包括以下步骤：S1、对彩色眼底图像做数据增广；S2、对眼底图像专家标注提取骨架；S3、把眼底图像输入分割网络，计算分割损失；S4、对中间特征的前景背景特征做对比学习损失；S5、对分割模型输出骨架连续性的约束，求取损失函数；S6、将三个损失函数叠加得到总损失，进行梯度反向传播，当总损失连续4轮不再下降，停止训练；S7、获得二值化血管树分割结果。本发明在两类像素特征样本集合中采用的对比损失函数能够进一步地提升模型在高维空间中对隐藏层特征的判别能力，能够在提取细小血管、防止血管断裂的同时，抑制生物标志物的干扰，非常适合精细的视网膜血管树分割。

公开(公告)号：CN111436944A

公开(公告)日：2020-07-24

申请号：CN202010309877.4

申请日：2020-04-20

Applicant: 电子科技大学

Inventor： 邢建川 ,  谭玉博 ,  王翔 ,  刘懿尧 ,  王雨轩 ,  陈思芹 ,  王宇萌 ,  苑舒雨

IPC: A61B5/11 ,  A61B5/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于智能移动终端的跌倒检测方法，包括以下步骤：采集在身高、体重、年龄方面有良好代表性的人体活动数据，并构建数据集；运用特征工程技术对数据集进行特征提取与分析，使用PCA降维技术对特征向量进行分析；基于LSTM-FCN模型设计FallNet模型，对FallNet模型进行训练；将训练好的FallNet模型内置在移动设备中进行跌倒检测；本发明方法通过设计FallNet模型，在增加少量参数的情况下，FallNet模型的17类别分类效果达到了98.59％，APP能够对人体活动进行识别，也可以对人体跌倒发出警报和报警，可以实现对老龄人群健康状态的智能监测，且监测过程实时性高。

公开(公告)号：CN114565620B

公开(公告)日：2023-04-18

申请号：CN202210195233.6

申请日：2022-03-01

Applicant: 电子科技大学

Inventor： 李永杰 ,  谭玉博 ,  杨开富

IPC: G06T7/11 ,  G06T7/136 ,  G06T7/194 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084 ,  G06T5/30 ,  G06T5/50

Abstract: 本发明公开了一种基于骨架先验和对比损失的眼底图像血管分割方法，包括以下步骤：S1、对彩色眼底图像做数据增广；S2、对眼底图像专家标注提取骨架；S3、把眼底图像输入分割网络，计算分割损失；S4、对中间特征的前景背景特征做对比学习损失；S5、对分割模型输出骨架连续性的约束，求取损失函数；S6、将三个损失函数叠加得到总损失，进行梯度反向传播，当总损失连续4轮不再下降，停止训练；S7、获得二值化血管树分割结果。本发明在两类像素特征样本集合中采用的对比损失函数能够进一步地提升模型在高维空间中对隐藏层特征的判别能力，能够在提取细小血管、防止血管断裂的同时，抑制生物标志物的干扰，非常适合精细的视网膜血管树分割。

公开(公告)号：CN111436944B

公开(公告)日：2021-09-28

申请号：CN202010309877.4

申请日：2020-04-20

Applicant: 电子科技大学

Inventor： 邢建川 ,  谭玉博 ,  王翔 ,  刘懿尧 ,  王雨轩 ,  陈思芹 ,  王宇萌 ,  苑舒雨

IPC: A61B5/11 ,  A61B5/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于智能移动终端的跌倒检测方法，包括以下步骤：采集在身高、体重、年龄方面有良好代表性的人体活动数据，并构建数据集；运用特征工程技术对数据集进行特征提取与分析，使用PCA降维技术对特征向量进行分析；基于LSTM‑FCN模型设计FallNet模型，对FallNet模型进行训练；将训练好的FallNet模型内置在移动设备中进行跌倒检测；本发明方法通过设计FallNet模型，在增加少量参数的情况下，FallNet模型的17类别分类效果达到了98.59％，APP能够对人体活动进行识别，也可以对人体跌倒发出警报和报警，可以实现对老龄人群健康状态的智能监测，且监测过程实时性高。