买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利基于深度学习的人体眼底AMD高反射区的三维分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116862921B 。

龙图腾网通过国家知识产权局官网在2026-01-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310683367.7，技术领域涉及：G06T7/10；该发明授权基于深度学习的人体眼底AMD高反射区的三维分割方法是由李美璇;倪光明;刘永设计研发完成，并于2023-06-09向国家知识产权局提交的专利申请。

本基于深度学习的人体眼底AMD高反射区的三维分割方法在说明书摘要公布了：本申请提供一种人体眼底年龄相关性黄斑变性AMD高反射区的三维分割方法、电子设备及存储介质，方法包括：通过获取光学相干层析成像系统输出的初始眼底光学相干层图像；预先训练用于分割眼底AMD高反射区的深度学习网络，该网络能自动锁定分割区域并提取不同尺寸的特征信息；将初始眼底光学相干层析图像输入预先训练得到的用于分割眼底AMD高反射区域的深度学习网络模型，由该深度学习网络模型对初始眼底光学相干层析图像进三维分割，得到三维立体的病灶区图像。该深度学习模型能够正确、直观、清晰地将患者眼底的AMD高反射区三维分割出来，因此可以为AMD的临床诊断和随访提供很大的便利，也可以提高临床上患者对诊断结果的接受度和认可度。

本发明授权基于深度学习的人体眼底AMD高反射区的三维分割方法在权利要求书中公布了：1.一种基于深度学习的人体眼底AMD高反射区的三维分割方法，其特征在于，包括： 获取初始AMD患者眼底OCT图像，所述初始AMD患者眼底OCT图像中存在AMD高反射区域； 将所述初始AMD患者眼底OCT图像输入到预先训练得到的三维分割深度学习模型中，由所述三维分割深度学习模型对初始眼底OCT图像进行三维分割，得到相应的眼底AMD高反射区域的三维结果； 所述三维分割深度学习模型是由依次连接的编码器和解码器所组成的U-Net结构； 将所述初始AMD患者眼底OCT图像输入预先训练得到的三维分割深度学习模型之前，还包括： 构建患有AMD的初始AMD患者眼底OCT图像数据集，所述初始AMD患者眼底OCT图像数据集包含多个数据对，每个数据对包含一个原始眼底OCT图像和一个人工标注了眼底AMD高反射区的真值图像； 构建初始模型，所述初始模型包括：一个基于改进U-Net的结构，依次连接的有编码器、空洞金字塔池化模块以及解码器；其中，编码器和解码器通过含有Squeeze-and-excitation模块的跳跃连接相连； 基于样本数据集对所述初始模型进行训练，得到所述三维分割深度学习模型； 所述构建初始模型，包括： 采用U-Net作为初始模型的骨干，在编码器和解码器之间以跳跃连接相连；编码器为一个自定义混合下采样模块和一个Squeeze-and-Excitation模块所组成的结构；解码器由一个反卷积层和一系列常规卷积激活层构成，并于编码器对应部分用跳跃连接相连；解码器对输入特征图进行上采样，使得特征图恢复到原始尺寸，然后采用一个通道注意力模块，自适应计算各通道特征的注意力权重，调整不同特征的利用率；模型中每个跳跃连接亦经过了一个Squeeze-and-Excitation模块； 所述自定义混合下采样模块为一个融合了常规卷积层和Relu激活函数的密集残差结构；输入图像经过五层自定义混合下采样模块的特征提取后，生成密集的低分辨率特征图； 所述Squeeze-and-Excitation模块接收到自定义混合下采样模块产生的低分辨率特征图后，将特征图各通道之间的特征相应强度进行自适应矫正； 在解码器产生低分辨率特征图后，采用一个空洞金字塔池化模块来进一步挖掘特征信息，然后将其输入解码器进行上采样；编码器后的通道注意力模块使得上采样后的特征图中每个通道的权重进行再分配，在保持原始区域特征的同时滤去不必要的特征； 所述样本数据集的构建过程包括： 获取初始AMD患者眼底OCT图像数据集，所述初始AMD患者眼底OCT图像存在待分割的AMD高反射区域； 将数据集进行预处理，包括但不限于数据集增强、调整图片参数、裁剪图片尺寸大小、目标区域人工标注操作； 将各样本对应的各数据对进行组合，并划分出训练集、测试集和验证集； 所述基于样本数据集对所述初始模型进行训练，得到所述三维分割深度学习模型，包括以下步骤： 步骤一，用所述得到的训练集对网络模型进行训练，所划分获得的训练、测试集以及验证集的比例为8：1：1；将预处理过后的初始AMD患者眼底OCT图像输入到该网络中通过自定义混合下采样模块提取特征，得到高级语义特征与低级语义特征；高级语义特征输入进空洞金字塔池化模块以进一步提取高层次语义信息，其独立经过五个空洞卷积层，所得到五个特征图通过拼接进行合并融合，最后通过一个11的卷积压缩特征； 步骤二，将步骤一得到的特征图进行上采样，然后找到在上采样之后分辨率相同的低级语义特征图，将其经过33卷积及Squeeze-and-Excitation模块所组成的跳跃连接，然后将二者拼接合并；随后重复四次这一操作，直到最终输出尺寸恢复至原始输入尺寸，完成空间信息的提取；最后，再将这一特征图通过通道注意力模块,使得各通道之间的权重按照优先程度进行再分配，最终得到分割预测结果； 步骤三，根据所得到的预测结果计算分割损失； 步骤四，重复执行步骤一-步骤三，根据分割损失反向传播并更新网络参数，当分割损失满足预设条件时，保存网络权值参数，该模型即为所述三维分割深度学习模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：610000 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。