Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Goto Application

1. WO2020061972 - TECHNIQUE DE DIAGNOSTIC DE RÉTINOPATHIE DIABÉTIQUE BASÉE SUR LE RÉSEAU DE NEURONES CONVOLUTIF

Numéro de publication WO/2020/061972
Date de publication 02.04.2020
N° de la demande internationale PCT/CN2018/108155
Date du dépôt international 27.09.2018
CIB
G06N 3/04 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
CPC
G06N 3/04
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
Déposants
  • 电子科技大学 UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA [CN]/[CN]
Inventeurs
  • 卢光辉 LU, Guanghui
  • 蔡洪斌 CAI, Hongbin
  • 陈琪 CHEN, Qi
Données relatives à la priorité
Langue de publication chinois (ZH)
Langue de dépôt chinois (ZH)
États désignés
Titre
(EN) CONVOLUTIONAL NEURAL NETWORK-BASED DIABETIC RETINOPATHY DIAGNOSING TECHNIQUE
(FR) TECHNIQUE DE DIAGNOSTIC DE RÉTINOPATHIE DIABÉTIQUE BASÉE SUR LE RÉSEAU DE NEURONES CONVOLUTIF
(ZH) 一种基于卷积神经网络的糖尿病视网膜病变诊断技术
Abrégé
(EN)
A convolutional neural network-based diabetic retinopathy diagnosing technique, comprising processes such as data pre-processing, model design, model initialization, feature extraction, and feature fusion. The data pre-processing is to perform cropping and over-sampling on a high-resolution image of the retinal fundus of a patient with diabetic retinopathy. The model design is to design a deep learning network structure on the basis of a residual convolutional network. The model initialization is an improvement of a conventional parameter initialization method. The feature extraction is to extract and store, for data during a training process of a deep learning network, a feature of a final layer after training convergence. The feature fusion is to perform quadratic superposition and integration on the feature stored in the previous state and then to re-perform training and prediction. By performing lesion category diagnosis on a large number of retinal images of patients with diabetes, results can be quickly output, and high diagnostic accuracy can be implemented.
(FR)
La présente invention concerne une technique de diagnostic de rétinopathie diabétique basée sur le réseau de neurones convolutif comprenant des procédés tels que le prétraitement de données, la conception de modèles, l'initialisation de modèles, l'extraction de traits caractéristiques et la fusion de traits caractéristiques. Le prétraitement de données est destiné à réaliser le rognage et le suréchantillonnage sur une image à haute résolution du fond rétinien d'un patient souffrant de rétinopathie diabétique. La conception de modèles consiste à concevoir une structure de réseau d'apprentissage profond sur la base d'un réseau convolutif résiduel. L'initialisation de modèles est une amélioration d'un procédé d'initialisation de paramètres classiques. L'extraction de traits caractéristiques consiste à extraire et stocker, pour des données pendant un procédé d'entraînement d'un réseau d'apprentissage profond, un trait caractéristique d'une couche finale après une convergence d'entraînement. La fusion de traits caractéristiques consiste à réaliser une superposition et une intégration quadratiques sur le trait caractéristique stocké à l'état précédent et de réaliser de nouveau l'entraînement et la prédiction. En réalisant un diagnostic de catégorie de lésion sur un grand nombre d'images de rétines de patients atteints de diabète, les résultats peuvent être rapidement obtenus et la haute précision du diagnostic peut être appliquée.
(ZH)
一种基于卷积神经网络的糖尿病视网膜病变诊断技术,包括数据预处理、模型设计、模型初始化、特征提取、特征融合等流程。所述数据预处理是对糖尿病视网膜患者的视网膜眼底高清图像进行裁剪以及过采样;所述模型设计是基于残差卷积网络设计的深度学习网络结构;所述模型初始化是通过对传统初始化参数方法的改进;所述特征提取是对深度学习网络训练过程中的数据,在训练收敛以后进行最后一层的特征提取并存储;所述特征融合是对上一阶段存储的特征进行二次方叠加整合然后进行再次训练预测。针对大量的糖尿病患者的视网膜图片进行病变种类诊断,能够快速的进行结果输出,并且诊断正确率高。
Dernières données bibliographiques dont dispose le Bureau international