申请/专利权人：重庆邮电大学

申请日：2022-10-07

公开（公告）日：2024-04-16

公开（公告）号：CN117893458A

主分类号：G06T7/00

分类号：G06T7/00;G06V10/80;G06V10/82

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明属于计算机视觉的医学图像处理领域，具体涉及一种基于跨层双线性特征融合的视网膜血栓检测方法，该方法包括：获取人体视网膜图像数据以及医学检测数据，将视网膜图像进行预处理，然后将图像数据与医学检测数据输入到改进的跨层双线性特征融合模型中，得到血栓检测结果；其中，所述的跨层双线性特征融合模型包括：将原始的线性ResNet结构重构成并行的双线性模型，以更好地提取更细粒度的特征。考虑到层间特征的交互，按照多模态融合时间分界提取出三组特征，进行双线性池化得到三组双线性特征，进行级联并输入softmax分类。通过使用跨层双线性特征融合模型检测血栓，较原始的ResNet模型取得良好效果，能在实际应用中为医疗资源相对紧张的地区的患者提供高效、便捷的检测服务，简化患者检测流程，降低就医成本，同时减少医务人员工作量，提高血栓检测效率。

主权项：1.基于跨层双线性特征融合的视网膜血栓检测方法，其特征在于，包括：获取人体视网膜图像数据以及医学检测数据并对其进行预处理，将获取的是视网膜图像数据和检测数据输入到基于ResNet的跨层双线性融合模型中，得到血栓检测结果，根据检测结果，医患可以进行进一步的沟通与治疗。训练跨层双线性融合ResNet模型的过程包括：S1：获取原始数据集，对原始数据集进行数据增强预处理，得到增强数据集；增强数据集包括患有血栓和不患血栓的视网膜原始图像和增强图像以及医学检测数据；S2：对增强的数据集进行划分，得到训练集和测试集；S3：将采样后的视网膜图像数据和检测数据输入到跨层双线性ResNet模型的输入端；S4：将文本特征与图像特征进行融合操作，得到增强后的图像特征；S5:将网络模型按照多模态融合过程划分为三个阶段：融合前、融合中、融合后；S6：将模态融合前、融合中、融合后的特征进行跨层双线性融合，得到融合特征图S7：将融合特征送入全连接层进行处理，得到检测结果；S8：根据检测结果计算模型的损失函数，不断调整参数，当损失降到最小时，完成模型训练

全文数据：

权利要求：

百度查询： 重庆邮电大学 基于跨层双线性特征融合的视网膜血栓检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD