-
公开(公告)号：CN114420299A
公开(公告)日：2022-04-29
申请号：CN202111636018.7
申请日：2021-12-28
申请人： 中山大学中山眼科中心 , 上海青研科技有限公司
摘要： 本发明提供了基于眼动测试的认知功能筛查方法、系统、设备和介质，通过获取待筛查患者数据；根据所述待筛查患者数据，构建认知功能筛查数据集，并将所述认知功能筛查数据集按照预设比例划分为训练集和测试集；将所述训练集输入多个预设分类器进行k倍交叉验证训练，并通过软投票法对所述多个预设分类器集成，得到认知功能筛查模型；将所述测试集输入所述认知功能筛查模型进行测试，得到筛查结果的方法，能够基于多病种、多病状的眼动数据进行快速量化分析，实现认知功能障碍的智能筛查，提高认知功能障碍筛查效率和精准性，提升诊疗经验不足的医生的诊疗能力，为疾病的早发现、早治疗提供有效保障，进一步减轻医疗工作负担及远期社会负担。
-
公开(公告)号：CN114782452A
公开(公告)日：2022-07-22
申请号：CN202210715436.3
申请日：2022-06-23
申请人： 中山大学中山眼科中心
摘要： 本申请属于计算机视觉技术领域，公开了一种荧光素眼底血管造影图像的处理系统及装置，该系统包括：图像预处理模块，用于获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理；病变区域及病变区域内无灌注区分割模块，用于通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区；缺血指数计算模块，用于获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。本申请可以达到分割荧光素眼底血管造影图像中的病变区域及病变区域中的无灌注区、实现病变量化以及适用于多种视网膜病变的效果。
-
公开(公告)号：CN114782452B
公开(公告)日：2022-11-01
申请号：CN202210715436.3
申请日：2022-06-23
申请人： 中山大学中山眼科中心
摘要： 本申请属于计算机视觉技术领域，公开了一种荧光素眼底血管造影图像的处理系统及装置，该系统包括：图像预处理模块，用于获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理；病变区域及病变区域内无灌注区分割模块，用于通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区；缺血指数计算模块，用于获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。本申请可以达到分割荧光素眼底血管造影图像中的病变区域及病变区域中的无灌注区、实现病变量化以及适用于多种视网膜病变的效果。
-
公开(公告)号：CN113822861A
公开(公告)日：2021-12-21
申请号：CN202111044291.0
申请日：2021-09-07
申请人： 中山大学中山眼科中心
摘要： 本发明公开了一种眼表肿物的判断方法及装置，所述方法包括：先获取眼表肿物图；再将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。采用本发明实施例能提高判断眼表肿物良恶性的准确度。
-
公开(公告)号：CN115005766A
公开(公告)日：2022-09-06
申请号：CN202210500449.9
申请日：2022-05-09
申请人： 中山大学中山眼科中心 , 山东大学齐鲁医院
IPC分类号： A61B3/12 , A61B3/14 , G06N3/04 , G06N3/08 , G06T7/00 , G06V10/44 , G06V10/764 , G06V10/82 , G16H50/20
摘要： 本发明提供了一种婴幼儿眼病筛查装置及系统，通过将大量带有诊断和标注的标准化婴幼儿眼前段照相及眼底彩照，建立婴幼儿眼病多病种筛查模型，建立婴幼儿眼病多病种智能筛查模型，实现了模型自动提取并学习婴幼儿眼部疾病在图像的特征，从而在应用阶段对于真实世界的婴幼儿眼部图像进行眼病智能筛查，相比于现有技术，本发明通过人工智能辅助医务人员进行婴幼儿眼部疾病的筛查，可减轻专业眼科医生的工作负担，大幅提高婴幼儿眼部疾病筛查效率。相比于传统眼底相机，本发明能够高度适配于便携设备，并通过模型的自动化识别，降低了眼病筛查的硬件成本和人力成本，从而有助于婴幼儿眼病筛查的普及。
-
公开(公告)号：CN113012134A
公开(公告)日：2021-06-22
申请号：CN202110304639.9
申请日：2021-03-22
申请人： 中山大学中山眼科中心 , 中山大学
摘要： 本发明提供了一种多功能的医学影像数据标注系统，包括图像读取模块、数据标注模块和标注数据导出模块；所述图像读取模块用于对多种医学影像进行读取；所述数据标注模块用于对医学影像进行分类信息标注以及对感兴趣区域以及语义信息区域进行标注；所述标注数据导出模块用于将添加标注信息后形成的标注文件进行导出。本发明系统能够对读取的医学影像进行多功能的信息标注，包括影像分类标注和影像感兴趣区域标注等，从而有效提高了系统对医学影像数据的整理能力。
-
公开(公告)号：CN118053195A
公开(公告)日：2024-05-17
申请号：CN202410069977.2
申请日：2024-01-17
申请人： 中山大学中山眼科中心
IPC分类号： G06V40/18 , G06V10/25 , G06V10/44 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/045 , G06N3/0464 , G06N3/08 , G06T7/00 , G06T7/73
摘要： 本发明公开了一种超广域眼底图像识别方法、装置、终端设备及存储介质，方法包括：获取待识别超广域眼底图像；将所述待识别超广域眼底图像输入眼底结构识别模型，以使所述眼底结构识别模型输出超广域眼底预测图像；其中，所述超广域眼底预测图像中标注有黄斑位置、视盘区域、视杯区域和眼底结构名称；眼底结构包括：黄斑、视盘以及视杯；通过以下方式构建所述眼底结构识别模型：获取若干标注有黄斑位置、以视盘位置为圆心的视盘目标框、以视杯位置为圆心的视杯目标框以及眼底结构名称的超广域眼底样本图像；构建初始神经网络模型；以所述超广域眼底样本图像对所述初始神经网络模型进行训练，直至所述初始神经网络模型收敛，生成眼底结构识别模型。
-
公开(公告)号：CN116977298A
公开(公告)日：2023-10-31
申请号：CN202310878892.4
申请日：2023-07-17
申请人： 中山大学中山眼科中心
IPC分类号： G06T7/00 , G06V40/18 , G06T5/00 , G06V10/764 , G06V20/70
摘要： 本发明公开了一种眼底图像质量评估及优化的方法、装置、终端及存储介质，包括：将获取的待检测婴幼儿的眼底图像输入至预设的眼底图像质量评估模型中，以使所述眼底图像质量评估模型，识别所述眼底图像所属的眼球部位；并输出所述眼底图像所属的眼球部位对应的评估结果。根据所述评估结果通过预设的公式计算所述眼底图像对应的图像质量连续性评分。通过所述眼底图像的评估结果以及图像质量连续性评分生成眼底图像的最终评价结果，根据所述最终评价结果，对所述待检测婴幼儿的眼底图像进行定向优化，输出优化后的眼底图像。
-
公开(公告)号：CN115330714A
公开(公告)日：2022-11-11
申请号：CN202210955654.4
申请日：2022-08-10
申请人： 中山大学中山眼科中心
IPC分类号： G06T7/00 , G06V10/764 , G06V10/774 , G06V10/82 , G06N3/04 , G06N3/08
摘要： 本申请属于计算机视觉技术领域，公开了一种荧光素眼底血管造影图像的分期和病变诊断系统，该系统包括：图像预处理模块，用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；图像分期模块，用于通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；病变分类模块，用于获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型。本申请有望减轻临床工作负担，提高诊断效率和准确性。
-
公开(公告)号：CN115222997A
公开(公告)日：2022-10-21
申请号：CN202211118611.7
申请日：2022-09-15
申请人： 中山大学附属第一医院 , 中山大学中山眼科中心
IPC分类号： G06V10/764 , G06T7/00 , G06V10/80 , G06V10/82
摘要： 本申请提供了一种基于深度学习的睾丸图像分类方法，获取待分析的睾丸图像和睾丸体积数据；将待分析的睾丸图像输入至第一分类模型，以得到初始类别；当初始类别为第一类别时，将待分析的睾丸图像和睾丸体积数据进行数据融合，以得到融合数据；将融合数据输入至第二分类模型，以得到最终类别；其中，第一分类模型是采用标记的睾丸图像样本对第一深度神经网络模型进行学习训练得到的；第二分类模型是采用标记的融合数据样本对第二深度神经网络模型进行学习训练得到的，融合数据样本是通过对睾丸图像样本和睾丸体积数据样本进行数据融合生成的。该方法采用深度神经网络模型可以快速且准确地对睾丸图像进行分类。
-
-
-
-
-
-
-
-
-
搜索结果
11 条记录 (耗时 0.062 秒)
