-
公开(公告)号：CN114913592B
公开(公告)日：2024-06-21
申请号：CN202210547375.4
申请日：2022-05-18
Applicant: 重庆邮电大学
IPC: G06V40/18 , G06V10/82 , G06V10/774 , G06N3/0464
Abstract: 本发明涉及一种基于卷积神经网络的眼底图像分类方法，属于医学图像处理技术领域。该方法包括：S1：以眼底图像为输入，获取每个像素对应的组织图像；S2：组织图像通过预训练卷积神经网络进行特征提取；其中预训练卷积神经网络即特征提取网络是利用公开的纹理图像集和少量组织图像集，经迁移学习得到的卷积神经网络；S3：特征提取后，采用基于GAN的孪生网络中的解码器－编码器网络在重构正则化的共享空间中匹配源域和目标域的分布，并利用判别器将目标域和源域区分；S4：采用对抗损失和交叉熵损失函数训练网络参数，获取最优分类网络模型。本发明能增强特征信息提取能力，更加准确地对眼底图像进行分类，提高最终分类结果的准确率。
-
公开(公告)号：CN114821189B
公开(公告)日：2024-06-18
申请号：CN202210550803.9
申请日：2022-05-18
Applicant: 重庆邮电大学
IPC: G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于眼底图像的病灶图像分类与识别方法，属于医学影像处理领域。该方法采用YOLOv5网络结构和目标框加权融合为框架，将采集得到的眼底图像经过Mosaic方法深化数据集，再结合深化后的图像数据集和损失函数训练，图像分类后进入目标框加权融合框架，最后根据分类概率输出不同眼底图像的二值图，分类输出病灶二值图。本发明采用提高了网络模型对病灶特征的提取能力。
-
Patent Agency Ranking
公开(公告)号：CN114663440A
公开(公告)日：2022-06-24
申请号：CN202210293140.7
申请日：2022-03-23
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于深度学习的眼底图像病灶分割方法，属于医学影像领域。该方法包括：S1：使用眼底图像作为原始数据集，并采用SMOTE增强原始数据集，分为训练集和验证集；S2：采用U‑Net网络结构作为框架，编码器由Swin‑Transformer构成，解码器部分由DUpsampling模块构成；S3：使用残差网络结构改进编码器部分；S4：训练改进后的U‑Net网络，使用log‑cosh dice loss损失函数来计算病症分割的损失值；S5：根据优化后的U‑Net网络模型，输入测试眼底图像数据，输出病征分割图像。本发明能提高眼底图像细节特征捕捉能力，图像分割的效率和准确性。
-
公开(公告)号：CN114821189A
公开(公告)日：2022-07-29
申请号：CN202210550803.9
申请日：2022-05-18
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于眼底图像的病灶图像分类与识别方法，属于医学影像处理领域。该方法采用YOLOv5网络结构和目标框加权融合为框架，将采集得到的眼底图像经过Mosaic方法深化数据集，再结合深化后的图像数据集和损失函数训练，图像分类后进入目标框加权融合框架，最后根据分类概率输出不同眼底图像的二值图，分类输出病灶二值图。本发明采用提高了网络模型对病灶特征的提取能力。
-
公开(公告)号：CN115205308A
公开(公告)日：2022-10-18
申请号：CN202210546837.0
申请日：2022-05-18
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于线状滤波和深度学习的眼底图像血管分割方法，属于医学图像处理领域。该方法包括：S1：输入眼底图像，使用基于Hessian矩阵的线状滤波算法增强血管区域；S2：采用MobileNetV3作为血管分割模型的基础模型，建立分割网络VSegNet，然后通过在分割网络VSegNet中加入基于递归模块的编码器进行下采样；S3：在分割网络VSegNet中加入解码器对编码器输出的特征图进行上采样和聚合；S4：训练分割网络VsegNet时，采用分割预测结果与分割真值图像的L1范数计算分割结果的损失值。本发明使得特征信息提取能力得到加强，从而使模型分割性能得到提高。
-
公开(公告)号：CN114913592A
公开(公告)日：2022-08-16
申请号：CN202210547375.4
申请日：2022-05-18
Applicant: 重庆邮电大学
IPC: G06V40/18 , G06V10/82 , G06V10/774 , G06N3/04
Abstract: 本发明涉及一种基于卷积神经网络的眼底图像分类方法，属于医学图像处理技术领域。该方法包括：S1：以眼底图像为输入，获取每个像素对应的组织图像；S2：组织图像通过预训练卷积神经网络进行特征提取；其中预训练卷积神经网络即特征提取网络是利用公开的纹理图像集和少量组织图像集，经迁移学习得到的卷积神经网络；S3：特征提取后，采用基于GAN的孪生网络中的解码器－编码器网络在重构正则化的共享空间中匹配源域和目标域的分布，并利用判别器将目标域和源域区分；S4：采用对抗损失和交叉熵损失函数训练网络参数，获取最优分类网络模型。本发明能增强特征信息提取能力，更加准确地对眼底图像进行分类，提高最终分类结果的准确率。
-
公开(公告)号：CN114663440B
公开(公告)日：2025-04-04
申请号：CN202210293140.7
申请日：2022-03-23
Applicant: 重庆邮电大学
IPC: G06V10/26 , G06V10/44 , G06V10/77 , G06V10/82 , G06V40/18 , G06N3/0455 , G06N3/0464
Abstract: 本发明涉及一种基于深度学习的眼底图像病灶分割方法，属于医学影像领域。该方法包括：S1：使用眼底图像作为原始数据集，并采用SMOTE增强原始数据集，分为训练集和验证集；S2：采用U‑Net网络结构作为框架，编码器由Swin‑Transformer构成，解码器部分由DUpsampling模块构成；S3：使用残差网络结构改进编码器部分；S4：训练改进后的U‑Net网络，使用log‑cosh dice loss损失函数来计算病症分割的损失值；S5：根据优化后的U‑Net网络模型，输入测试眼底图像数据，输出病征分割图像。本发明能提高眼底图像细节特征捕捉能力，图像分割的效率和准确性。
-
-
-
-
-
-
Search Results
7
records
(took 0.019 seconds)
