-
公开(公告)号：CN113205524A
公开(公告)日：2021-08-03
申请号：CN202110550651.8
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/10 , G06T7/00 , G06T5/00 , G06T5/40 , G06T7/90 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于U‑Net的血管图像分割方法、装置和设备，方法包括：获取血管分割数据集；对血管分割数据集进行预处理；对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；根据样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；根据血管图像分割网络进行血管图像分割，并对血管图像分割的结果进行评价。本发明的管图像分割网络中的卷积块由多尺度特征聚集块替换；多尺度特征聚集块的第一输入为多尺度高层特征，多尺度特征聚集块的第二输入为多尺度低层特征；血管图像分割网络通过MS‑CAM模块将多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合，能够提高分割性能，可广泛应用于人工智能技术领域。
-
公开(公告)号：CN113205534B
公开(公告)日：2023-02-03
申请号：CN202110534275.3
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/11 , G06T7/194 , G06T7/00 , G06T7/90 , G06T5/00 , G06T5/40 , G06V10/46 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/09
Abstract: 本发明公开了基于U‑Net++的视网膜血管分割方法和装置，方法包括：获取血管分割数据集；对所述血管分割数据集进行预处理，增强血管图像对比度；对血管图像进行裁剪操作，得到样本数据；根据所述样本数据，通过Pytorch深度学习框架搭建血管分割网络；通过所述血管分割网络进行视网膜血管图像分割，并对分割结果进行评价。本发明使用选择性内核块替换替换传统卷积块，同时将选择性内核块中的感受野为5的卷积块用两个3X3卷积串联来替换，既提升了网络的深度也减少了计算量和参数量。通过使用选择性内核块可以自动调整感受野，更有效地利用不同尺度下提取的特征信息，可广泛应用于人工智能技术领域。
-
公开(公告)号：CN113205534A
公开(公告)日：2021-08-03
申请号：CN202110534275.3
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/11 , G06T7/194 , G06T7/00 , G06T7/90 , G06T5/00 , G06T5/40 , G06K9/46 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明公开了基于U‑Net++的视网膜血管分割方法和装置，方法包括：获取血管分割数据集；对所述血管分割数据集进行预处理，增强血管图像对比度；对血管图像进行裁剪操作，得到样本数据；根据所述样本数据，通过Pytorch深度学习框架搭建血管分割网络；通过所述血管分割网络进行视网膜血管图像分割，并对分割结果进行评价。本发明使用选择性内核块替换替换传统卷积块，同时将选择性内核块中的感受野为5的卷积块用两个3X3卷积串联来替换，既提升了网络的深度也减少了计算量和参数量。通过使用选择性内核块可以自动调整感受野，更有效地利用不同尺度下提取的特征信息，可广泛应用于人工智能技术领域。
-
公开(公告)号：CN113205524B
公开(公告)日：2023-04-07
申请号：CN202110550651.8
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/10 , G06T7/00 , G06T5/00 , G06T5/40 , G06T7/90 , G06V10/80 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于U‑Net的血管图像分割方法、装置和设备，方法包括：获取血管分割数据集；对血管分割数据集进行预处理；对预处理后的血管分割图像进行图像块裁剪操作，得到样本数据；根据样本数据，通过Pytorch深度学习框架搭建血管图像分割网络；根据血管图像分割网络进行血管图像分割，并对血管图像分割的结果进行评价。本发明的管图像分割网络中的卷积块由多尺度特征聚集块替换；多尺度特征聚集块的第一输入为多尺度高层特征，多尺度特征聚集块的第二输入为多尺度低层特征；血管图像分割网络通过MS‑CAM模块将多尺度特征聚集块中的多尺度高层特征和多尺度低层特征进行融合，能够提高分割性能，可广泛应用于人工智能技术领域。
-
Patent Agency Ranking
公开(公告)号：CN113205537A
公开(公告)日：2021-08-03
申请号：CN202110534264.5
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/12 , G06T7/00 , G06N3/04 , G06N3/08 , G06T3/40 , G06T3/60 , G06T5/00 , G06T5/40 , G06K9/62
Abstract: 本发明公开了基于深度学习的血管图像分割方法、装置、设备及介质，方法包括：获取血管分割数据集；对所述血管分割数据集进行数据扩充处理，得到待处理血管图像；对所述待处理血管图像进行预处理，得到训练数据集；根据所述训练数据集，通过UNET网络构建血管分割模型；根据所述血管分割模型确定血管分割结果的评价结果，所述评价结果用于确定所述血管分割结果中预测正确的对象和预测错误的对象。本发明能够提高血管边缘分割的清晰程度以及降低细血管漏检率，可广泛应用于人工智能技术领域。
-
公开(公告)号：CN113205145B
公开(公告)日：2022-08-16
申请号：CN202110537845.4
申请日：2021-05-18
Applicant: 广州大学
IPC: G06V10/75
Abstract: 本发明公开了一种基于归一化互相关的模板匹配方法、系统、装置及介质，方法包括：根据模板图像和目标图像构建相同层数的模板图像金字塔与目标图像金字塔；对模板图像金字塔的各层图像以预设的角度步长进行旋转处理，得到多个旋转图像，进而确定关键像素点；根据关键像素点在目标图像金字塔的顶层图像中筛选出与旋转图像的相关系数最高的第一匹配区域，并确定第一左上角坐标和第一旋转角度；根据第一左上角坐标和第一旋转角度对目标图像金字塔的各层图像进行逐层搜索，直至确定底层图像中与旋转图像的相关系数最高的第二匹配区域。本发明减少了模板匹配的计算量，提高了模板匹配的效率，也提高了模板匹配的准确度，可广泛应用于图像处理技术领域。
-
公开(公告)号：CN113205145A
公开(公告)日：2021-08-03
申请号：CN202110537845.4
申请日：2021-05-18
Applicant: 广州大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于归一化互相关的模板匹配方法、系统、装置及介质，方法包括：根据模板图像和目标图像构建相同层数的模板图像金字塔与目标图像金字塔；对模板图像金字塔的各层图像以预设的角度步长进行旋转处理，得到多个旋转图像，进而确定关键像素点；根据关键像素点在目标图像金字塔的顶层图像中筛选出与旋转图像的相关系数最高的第一匹配区域，并确定第一左上角坐标和第一旋转角度；根据第一左上角坐标和第一旋转角度对目标图像金字塔的各层图像进行逐层搜索，直至确定底层图像中与旋转图像的相关系数最高的第二匹配区域。本发明减少了模板匹配的计算量，提高了模板匹配的效率，也提高了模板匹配的准确度，可广泛应用于图像处理技术领域。
-
公开(公告)号：CN113205537B
公开(公告)日：2023-07-07
申请号：CN202110534264.5
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/12 , G06T7/00 , G06N3/0464 , G06N3/048 , G06N3/0455 , G06N3/08 , G06T3/40 , G06T3/60 , G06T5/00 , G06T5/40 , G06V10/774
Abstract: 本发明公开了基于深度学习的血管图像分割方法、装置、设备及介质，方法包括：获取血管分割数据集；对所述血管分割数据集进行数据扩充处理，得到待处理血管图像；对所述待处理血管图像进行预处理，得到训练数据集；根据所述训练数据集，通过UNET网络构建血管分割模型；根据所述血管分割模型确定血管分割结果的评价结果，所述评价结果用于确定所述血管分割结果中预测正确的对象和预测错误的对象。本发明能够提高血管边缘分割的清晰程度以及降低细血管漏检率，可广泛应用于人工智能技术领域。
-
公开(公告)号：CN113205538A
公开(公告)日：2021-08-03
申请号：CN202110534267.9
申请日：2021-05-17
Applicant: 广州大学
IPC: G06T7/12 , G06T7/00 , G06T5/00 , G06T5/40 , G06T7/90 , G06K9/46 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了基于CRDNet的血管图像分割方法及装置,方法包括：获取视网膜血管图像数据集；对视网膜血管图像数据集进行预处理后进行分块裁剪，得到样本数据；根据样本数据建立初始血管分割模型；对初始血管分割模型进行训练，得到目标血管分割模型；根据目标血管分割模型进行血管图像分割，并进行评价。本发明的编码器和解码器采用双重残差反卷积模块，增加了网络的深度并强化了特征提取；在所述编码器与解码器之间增设有集成双路注意力模块，学习了通道之间的内部关联性，也在局部特征上建立了丰富的上下文依赖关系，抑制了不必要的特征，提高分割准确性和应用泛化性能，进而提高对血管成像的质量，可广泛应用于人工智能技术领域。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.013 seconds)
