-
公开(公告)号：CN117557840B
公开(公告)日：2024-05-24
申请号：CN202311491052.9
申请日：2023-11-10
IPC分类号： G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06V10/74 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
摘要： 本发明公开了一种基于小样本学习的眼底病变分级方法，首先进行视网膜眼底彩照的采集和预处理，得到现有的眼底病变数据集；接着将该影像数据通过已经经过预训练和元训练的对比网络和元网络分别学习各级别眼底病变的类内特征和类间特征；最后对未标记的影像与各级别眼底病变原型进行相似性评分以进行眼底病变的分级预测。本发明可通过进行元训练过后的包括对比网络和元网络的双网络结构自行学习只有少量样本的眼底病变眼底彩照，并对待预测样本进行更好的归类，能够在从特征空间和标签空间两方面有效减轻噪声影响的基础上实现眼底病变分级，进而实现提高眼底病变预测的准确性。
-
公开(公告)号：CN117557840A
公开(公告)日：2024-02-13
申请号：CN202311491052.9
申请日：2023-11-10
IPC分类号： G06V10/764 , G06V10/82 , G06V10/44 , G06V10/80 , G06V10/74 , G06N3/0464 , G06N3/048 , G06N3/08 , G06T7/00
摘要： 本发明公开了一种基于小样本学习的眼底病变分级方法，首先进行视网膜眼底彩照的采集和预处理，得到现有的眼底病变数据集；接着将该影像数据通过已经经过预训练和元训练的对比网络和元网络分别学习各级别眼底病变的类内特征和类间特征；最后对未标记的影像与各级别眼底病变原型进行相似性评分以进行眼底病变的分级预测。本发明可通过进行元训练过后的包括对比网络和元网络的双网络结构自行学习只有少量样本的眼底病变眼底彩照，并对待预测样本进行更好的归类，能够在从特征空间和标签空间两方面有效减轻噪声影响的基础上实现眼底病变分级，进而实现提高眼底病变预测的准确性。
-
公开(公告)号：CN116942198A
公开(公告)日：2023-10-27
申请号：CN202310866004.7
申请日：2023-07-14
摘要： 本发明公开了一种基于射频识别信号的胎儿心脏三维超声重建方法，所使用的装置包括一个医学二维彩超机，两枚RFID无源标签，一个连接了三根接收天线的RFID信号阅读器，以及进行RFID信号数据处理以及三维彩超重构的PC；RFID阅读器发射射频信号并接收RFID无源标签反射信号，校正接收信号相位偏差后使用相位确定天线与RFID无源标签之间的距离，对RFID无源标签的位置与仰角进行估计，确定超声探头的移动轨迹，最后将二维超声探头提取到的位置和角度信息与获取到的二维超声图像一起输入三维超声重建模型获得精准的胎儿心脏三维超声。本发明能够实现较低廉的成本和较高的精确度，特别适用于胎儿心脏检测。
-
公开(公告)号：CN116912494A
公开(公告)日：2023-10-20
申请号：CN202310872039.1
申请日：2023-07-17
IPC分类号： G06V10/26 , G06V10/774 , G06V10/82 , G06V10/762 , G06V10/80 , G06N3/0464 , G06N3/0455 , G06N3/0475 , G06N3/09 , A61B8/08
摘要： 本发明公开一种融合相对位置信息的超声心动图可靠分割方法，首先利用数据标注策略对预处理后的超声心动图数据进行标注，然后利用生成对抗网络算法对已标注的超声心动图数据进行增强操作，构建高质量超声心动图数据集，然后再通过超声心动图数据集和深度学习的方式建立了适用于超声图像的深度卷积神经网络模型的预训练模型，再结合transformer神经网络结构中的位置编码向量，分析出超声心动图的相对位置信息，构建面向超声心动图的适用于四腔心结构的图像可靠分割模型，有效地提高了图像分割的准确率及分割效率。最后，利用Birch聚类算法对超声心动图进行多次重复聚类，实现了边缘等部位的可靠精确分割，从而实现了超声心动图的可靠精确分割。
-
公开(公告)号：CN117994266B
公开(公告)日：2024-08-16
申请号：CN202311805255.0
申请日：2023-12-26
摘要： 本发明公开了一种基于对抗性域适应的低质量眼底彩照智能分割方法，首先进行数据采集和预处理；然后构建生成对抗网络，包括生成器和判别器，用于样本间的映射和真实性判别，对抗训练包括多种损失函数的优化；然后构造UNet分割模型，并进行预训练和微调，最终实现高精度的眼底图像分割。本基于对抗性域适应的低质量眼底彩照智能分割方法结合对抗性域适应和深度学习分割技术，不仅可提高模型在处理不同质量图像上的适应性和鲁棒性，而且可提升分割的准确性和效率，在实际应用中，即使是来自质量较低的成像设备的图像，也能被准确分割，从而可以为眼科医生提供更可靠的诊断信息。
-
公开(公告)号：CN118096685A
公开(公告)日：2024-05-28
申请号：CN202410208209.0
申请日：2024-02-26
摘要： 本发明公开了一种基于深度学习的眼底图像渗漏区定量化计算方法，针对出现弥漫性渗漏患者的FFA图像，对同一患者不同时间的图像进行配准后作差，对得到的非零像素区域进行定量分析，实现观察该患者弥漫性渗漏的面积变化并分析；针对非弥漫性渗漏患者的FFA图像，对同一对象的不同部分计算不同的原型，将不同的图像区域与不同的原型相关联来执行基于原型的语义表示，通过充分利用有限支持图像的语义来增强小样本分割性能，实现系统性地解决语义模糊问题，进而得到相对精确的渗漏区域。
-
公开(公告)号：CN117994266A
公开(公告)日：2024-05-07
申请号：CN202311805255.0
申请日：2023-12-26
摘要： 本发明公开了一种基于对抗性域适应的低质量眼底彩照智能分割方法，首先进行数据采集和预处理；然后构建生成对抗网络，包括生成器和判别器，用于样本间的映射和真实性判别，对抗训练包括多种损失函数的优化；然后构造UNet分割模型，并进行预训练和微调，最终实现高精度的眼底图像分割。本基于对抗性域适应的低质量眼底彩照智能分割方法结合对抗性域适应和深度学习分割技术，不仅可提高模型在处理不同质量图像上的适应性和鲁棒性，而且可提升分割的准确性和效率，在实际应用中，即使是来自质量较低的成像设备的图像，也能被准确分割，从而可以为眼科医生提供更可靠的诊断信息。
-
公开(公告)号：CN117576012B
公开(公告)日：2024-05-07
申请号：CN202311491055.2
申请日：2023-11-10
IPC分类号： G06T7/00 , G06V10/764 , G06V10/82 , G06N3/0455 , G06N3/048 , G06N3/084
摘要： 本发明公开了一种基于不平衡眼底图像数据的疾病预测方法，针对不平衡眼底病变图像数据通过训练不平衡数据疾病预测模型来提高眼底图像病变筛查率和准确率，首先对图像进行预处理，之后采用融合标签增强技术将输入眼底图像的逻辑标签转换为标签分布，然后将得到的标签分布作为输入传入不平衡标记分布学习网络中进行训练以平衡模型的训练数据，最后利用训练好的网络预测眼底病变图像获得患对应每种病的概率值。通过本基于不平衡眼底图像数据的疾病预测方法可以得出每个图像对每个病变类别的可能性，从而更好地处理不确定性情况，能够更全面、准确、可靠地识别和分析眼底病变。
-
公开(公告)号：CN117994509B
公开(公告)日：2024-07-12
申请号：CN202311805256.5
申请日：2023-12-26
IPC分类号： G06V10/26 , G06V10/94 , G06V40/18 , G06V10/82 , G06N3/0895
摘要： 本发明公开了一种基于交互式的眼底图像无灌注区域智能识别方法，首先对图像进行预处理，之后使用U‑net分割模型结合本发明提出的补丁拉锯对比正则化模型和交互记忆网络来进行模型的预训练，预训练时使用少量标记数据即可；最后在用户使用过程中进行多轮交互、迭代改进，交互记忆网络根据用户对小区域识别修改后进行学习并记忆，通过多轮推理逐步提升分割性能。通过本基于交互式的眼底图像无灌注区域智能识别方法来识别眼底的无灌注区域可以提高分割效率，可帮助医生更快速、准确和高效识别患者的眼底无灌注区域，进而进行有针对性的及时治疗。
-
公开(公告)号：CN117994509A
公开(公告)日：2024-05-07
申请号：CN202311805256.5
申请日：2023-12-26
IPC分类号： G06V10/26 , G06V10/94 , G06V40/18 , G06V10/82 , G06N3/0895
摘要： 本发明公开了一种基于交互式的眼底图像无灌注区域智能识别方法，首先对图像进行预处理，之后使用U‑net分割模型结合本发明提出的补丁拉锯对比正则化模型和交互记忆网络来进行模型的预训练，预训练时使用少量标记数据即可；最后在用户使用过程中进行多轮交互、迭代改进，交互记忆网络根据用户对小区域识别修改后进行学习并记忆，通过多轮推理逐步提升分割性能。通过本基于交互式的眼底图像无灌注区域智能识别方法来识别眼底的无灌注区域可以提高分割效率，可帮助医生更快速、准确和高效识别患者的眼底无灌注区域，进而进行有针对性的及时治疗。
-
-
-
-
-
-
-
-
-
搜索结果
158 条记录 (耗时 0.05 秒)
