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！

龙图腾网获悉桂林电子科技大学申请的专利一种基于卷积神经网络的视盘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：CN115331011B 。

龙图腾网通过国家知识产权局官网在2025-08-22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：202211084181.1，技术领域涉及：G06V10/26；该发明授权一种基于卷积神经网络的视盘分割方法是由管军霖;刘思语;何宇翔;王小龙;廖思贤设计研发完成，并于2022-09-06向国家知识产权局提交的专利申请。

本一种基于卷积神经网络的视盘分割方法在说明书摘要公布了：本发明公开了一种基于卷积神经网络的视盘分割方法，其特征在于，包括如下步骤：1）定义TU‑Net网络；2）搭建U‑Net网络；3）依据输出的标注图像对视盘进行定位；4）对图像进行预处理；5）构建AU‑Net网络；6）设置训练策略；7）设置损失函数；8）训练网络和更新参数；9）将输出的图像进行图像后处理；10）设置评价标准。这种方法实现简单，普适性强，可以减少眼底图像噪声影响。

本发明授权一种基于卷积神经网络的视盘分割方法在权利要求书中公布了：1.一种基于卷积神经网络的视盘分割方法，其特征在于，包括如下步骤： 1定义TU-Net网络：TU-Net网络由U-Net网络和AU-Net组成； 2搭建U-Net网络：网络模型结构呈现U型对称设有编码路径和解码路径，编码路径由四个Down-Conv模块组成，每个Down-Conv模块设有两个由3×3卷积和ReLU线性激活函数组成的Conv卷积层和一个用于下采样的2×2最大池化层，解码路径由4个Up-Conv模块组成，每个Up-Conv模块由一个用于上采样的反卷积层和两个卷积层组成，每个Down-Conv模块和Up-Conv模块由跳转连接层进行连接，跳转连接层令U-Net网络能够融合底层特征和高层特征，使得在最终输出的特征图中包含原始输入图片的不同层次的特征； 3依据输出的标注图像对视盘进行定位：通过U-Net网络得到一幅特征图像、该特征图像大致确定视盘区域，对该特征图像进行边缘检测处理，依据得到的边界信息求出区域中心坐标，中心坐标即为视盘在原始视网膜图像中的大致位置； 4依据步骤3得到的坐标信息对数据集中的视网膜图像和与该图像对应的标注图像进行裁剪并对图像进行预处理，包括： 4-1裁剪：依据步骤3得到的的视盘定位信息，裁剪出一幅大小为200x200的图像、该图像的中心为视盘区域； 4-2图像预处理：首先采用限制对比度自适应直方图均衡化CLAHE算法对提取B通道的彩色眼底图像进行图像增强处理，再采用形态学闭运算对增强后的图像进行处理，最后对输出图像和与经过步骤4-1裁剪得到的与输入图像对应的标注图像进行极坐标变换，图像预处理过程如图4所示； 5构建AU-Net网络：AU-Net网络由4个Res-Conv卷积块构成解码路径，由4个Up-Conv模块构成编码路径，Up-Conv模块与步骤1中U-Net网络中解码模块一致，AU-Net在编码路径采用Res-Conv卷积模块代替传统的编码模块，Res-Conv模块采用ResNet网络思想，每个Res-Conv模块和Up-Conv模块由跳转连接层进行连接，跳转连接层使网络能够融合底层特征和高层特征，使得在最终输出的特征图中包含了图片的不同层次的特征，AU-Net在跳转连接上采用注意门AGs； 6设置训练策略：采用SGD优化算法，设置批量处理大小BatchSize为4、训练周期epoch为200、初始学习率为0.001； 7设置损失函数：采用结合交叉熵和Dice损失的损失函数作为本文的损失函数来进行网络训练，视盘分割问题被视为像素点的二分类问题，引入Dice损失函数作为损失函数的一部分，交叉熵函数如公式1所示： 其中yi是第i个像素的标签，视盘为1，背景为0，pi表示第i个像素预测为视盘的概率，Dice损失函数如公式2所示： 其中|A|和|B|分别表示Groundtruth和Predictmask的数量，损失函数如公式3所示： 8训练网络和更新参数：根据步骤6设置好的训练策略训练AU-Net网络，AU-Net网络采用反向传播算法对AU-Net网络中的权重和偏置进行更新，在训练过程中用损失函数动态维护； 9将输出的图像进行图像后处理：首先需要对输出的预测图像进行逆极坐标变换得到笛卡尔坐标系下的预测图像，再根据定位信息，将输出的预测图像尺寸还原成原始图像大小； 10设置评价标准：评价网络模型分割效果选用准确性Acc、特异性Spe、敏感性Se和F1-Score来评价，它们的计算公式分别如公式4、公式5、公式6、公式7和公式8所示： TP、TN、FP、FN分别表示真阳性、真阴性、假阳性和假阴性，其中TP表示预测是视盘且真实也是视盘的像素点个数；TN表示预测是背景且真实也是背景的像素点个数；FP表示预测是视盘且真实是背景的像素点个数；FN表示预测是背景且真实是视盘的像素点个数； 11评估网络模型：将采用本技术方案预测出的视盘分割图像与步骤1中的数据集中的标注图像进行对比，依据评价标准评价模型的性能。

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桂林电子科技大学，其通讯地址为：541004 广西壮族自治区桂林市金鸡路1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”。