CN107704886A - 一种基于深度卷积神经网络的医疗图像分级***和方法 - Google Patents
一种基于深度卷积神经网络的医疗图像分级***和方法 Download PDFInfo
- Publication number
- CN107704886A CN107704886A CN201710982421.2A CN201710982421A CN107704886A CN 107704886 A CN107704886 A CN 107704886A CN 201710982421 A CN201710982421 A CN 201710982421A CN 107704886 A CN107704886 A CN 107704886A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- image
- depth convolutional
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims description 25
- 239000000835 fiber Substances 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 3
- 210000003733 optic disk Anatomy 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 208000010412 Glaucoma Diseases 0.000 description 23
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 210000004204 blood vessel Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000004126 nerve fiber Anatomy 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- ORQBXQOJMQIAOY-UHFFFAOYSA-N nobelium Chemical compound [No] ORQBXQOJMQIAOY-UHFFFAOYSA-N 0.000 description 1
- 208000001749 optic atrophy Diseases 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于深度卷积神经网络的医疗图像分级方法和***，包括：原始眼底图像的自动分割，分成视盘视杯两部分图像；提取图像绿色通道分量；利用直方图均衡化修正提取出的灰度图像；分别提取杯盘比、视神经纤维层缺损两种特征；使用深度卷积神经网络算法训练多个子分类器；组合子分类器，投票得出最终分类结果。采用本发明的技术方案，分类准确率有明显提升，有助于减少误诊，从而提高分类器的实用价值。
Description
技术领域
本发明属于机器学习领域，尤其涉及一种基于深度卷积神经网络的医疗图像(针对青光眼眼底图像)分级***和方法
背景技术
青光眼是世界上的第二大致盲疾病。青光眼病人的眼底通常会有大的视盘比、脉络膜萎缩弧以及神经纤维层缺损。青光眼筛选是一个非常复杂和困难的任务。目前青光眼的诊断基本都是依靠人工观测方式。但是人的视觉***存在它的不足之处,比如存在主观性、局限性、模糊性、缺乏持久性等。为了能够实现检测的智能化自动化及信息化,迫切要求一种能够模拟人的视觉功能而又超越它的性能的计算机图像识别与诊断***以识别与诊断青光眼病变。
发明内容
针对青光眼眼底图像识别的问题，本发明提供一种基于深度卷积神经网络的医疗图像分级***和方法。
本发明提出了一种眼底图像识别方法，使用了新的预处理方法以及新的深度更深的神经网络对数据集进行处理，在预处理环节加入了提取G通道、直方图均衡化、提高原有数据集的数量质量等步骤，在神经网络方面采用了8层的Alexnet替代之前的5层网络。除此之外还添加了“视神经纤维层缺损”这一特征对青光眼进行判断。提高了***的整体准确率。这对于分类器的现实应用有很强的实际意义。
为实现上述目的，本发明采用如下的技术方案：
本发明提供一种基于深度卷积神经网络的医疗图像分级方法，包括：
自动分割原始图像
提取原始医疗图像绿色通道分量；
利用直方图均衡化修正提取出的灰度图像；
分别从修正后的图像提取杯盘比特征和视神经纤维层缺损特征；
使用深度卷积神经网络算法分别训练特征子集产生多个子分类器；
组合子分类器，投票得出最终分类结果。
作为优选，所述自动分割原始图像是利用ROI自动提取技术实现，根据要提取的特征的特点，自动将图像中感兴趣的区域提取出来的，计算机自动探测视杯视盘的位置及面积数据，为之后的图像操作做好基础工作。
作为优选，所述绿色通道分量是彩色医疗图像含有红、绿、蓝3个分量中的绿色分量。
作为优选，所述直方图均衡化为利用灰度变换自动调节图像对比度质量的方法。
作为优选，所述灰度图像即提取绿色通道分量图像。
作为优选，所述杯盘比特征、视神经纤维层缺损特征分别为：医疗图像根据杯盘比分析处理后提取出的特征、根据视神经纤维层缺损分析处理后提取出的特征。
作为优选，所述使用深度卷积神经网络算法分别训练特征子集产生子分类器即为将预处理好的图像输入深度卷积神经网络算法训练，生成相应的子分类器。
作为优选，所述组合子分类器，投票得出最终分类结果为：测试医疗图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。
本发明还提供一种基于深度卷积神经网络的医疗图像分级***，包括：
自动分割原始图像装置，被配置为使用自动提取技术提取感兴趣区域图像；
绿色通道分类提取装置，被配置为提取原始医疗图像绿色通道分量；
直方图均衡化装置，被配置为利用直方图均衡化修正提取出的灰度图像；
特征提取装置，被配置为分别从修正后的图像提取杯盘比特征；视神经纤维层缺损特征；
子分类器训练装置，被配置为使用深度卷积神经网络算法分别训练特征子集产生子分类器；
结果投票装置，被配置为组合子分类器，投票得出最终分类结果。
作为优选，所述自动分割原始图像是利用ROI自动提取技术实现的。
作为优选，所述绿色通道分量是彩色医疗图像含有红、绿、蓝3个分量中的绿色分量。
作为优选，所述直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法。
作为优选，所述灰度图像即提取绿色通道分量图像。
作为优选，所述杯盘比特征、视神经纤维层缺损特征分别为：医疗图像根据杯盘比分析处理后提取出的特征、根据视神经纤维层缺损分析处理后提取出的特征。
作为优选，所述使用深度卷积神经网络算法分别训练特征子集产生子分类器即为将预处理好的图像输入深度卷积神经网络算法训练，生成相应的子分类器。
作为优选，所述组合子分类器，投票得出最终分类结果为：测试医疗图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。
本发明提出了一种眼底图像识别方法和***，使用了新的预处理方法以及新的深度更深的神经网络对数据集进行处理，在预处理环节加入了提取G通道、直方图均衡化、提高原有数据集的数量质量等步骤，在神经网络方面采用了8层的Alexnet替代之前的5层网络。除此之外我们还添加了“视神经纤维层缺损”这一特征对青光眼进行判断。提高了***的整体准确率。这对于分类器的现实应用有很强的实际意义。
附图说明
结合附图，从下面对本发明实施例的详细描述，将更好地理解本发明，附图中类似的标号指示类似的部分，其中：
图1示出了根据本发明一个实施例的基于深度卷积神经网络的青光眼眼底图像分级***的一个详细框图；
图2示出了根据本发明一个实施例的基于深度卷积神经网络的青光眼眼底图像的分级方法的一个详细框图；
图3示出了根据本发明一个实施例的八层深度卷积神经网络的示意图。
具体实施方式
下面将详细描述本发明各个方面的特征和示例性实施例。下面的描述涵盖了许多具体细节，以便提供对本发明的全面理解。但是，对于本领域技术人员来说显而易见的是，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更清楚的理解。本发明绝不限于下面所提出的任何具体配置和算法，而是在不脱离本发明的精神的前提下覆盖了相关元素、部件和算法的任何修改、替换和改进。
鉴于以上所述的多个问题，本发明提出了一种基于深度卷积神经网络的青光眼眼底图像分级***。下面结合图1和图2，说明根据本发明基于不均衡医疗图像数据集的分类方法与***的示例。图1示出了根据本发明一个实施例的基于深度卷积神经网络的青光眼眼底图像分级***的一个详细框图；图2示出了根据本发明一个实施例的基于深度卷积神经网络的青光眼眼底图像的分类方法的一个详细框图；
如图1所示，根据本发明一种基于不均衡医疗图像数据集的分类***包括图像自动分割装置101、绿色通道分类提取装置102、直方图均衡化装置103、特征提取装置104、子分类器训练装置105、结果投票装置106。它们的功能如下：自动分割原始眼底图像(即，执行步骤S201)。提取原始医疗图像绿色通道分量(即，执行步骤S202)。利用直方图均衡化修正提取出的灰度图像(即，执行步骤S203)。分别从修正后的图像提取杯盘比特征、视神经纤维层缺损特征(即，执行步骤S204)。使用深度卷积神经网络训练相应的子分类器(即，执行步骤S205)。为组合子分类器，投票得出最终分类结果(即，执行步骤S206)。
具体地，特征提取装置104引入杯盘比特征以及视神经纤维层缺损特征的概念，依据这两种特征来对青光眼眼底图像进行判断。子分类器训练装置105则是利用深度卷积神经网络模型模型，以处理好的眼底图像为输入，训练相应的子分类器。下面，给出由根据本发明基于不均衡医疗图像数据集的分类***的示例：
此处以眼底图像为例介绍具体过程。
图像自动截取技术是指用计算机自动识别并分割出感兴趣区域(ROI)的一种方法，可根据需求截取视杯视盘部分的图像以及神经纤维层部分的图像。
彩色眼底图像含有红、绿、蓝3个分量。由于红色分量亮度最高，血管和背景对比度低，不易将目标血管和眼底背景区分；蓝色分量对比度和亮度均低，且噪声干扰严重；绿色分量的亮度适中，而且血管与背景对比度较高，能很好反应彩色眼底血管分布。所以对训练集提取绿色通道(G通道)分量。
直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法，基本思想是通过灰度级的概率密度函数求出灰度变换函数，它是一种以累计分布函数变换方法为基础的直方图修正法。所以对训练集提取绿色通道分类后的灰度图像使用直方图均衡化来修正图像。
青光眼是世界上的第二大致盲疾病，筛选青光眼是一个非常复杂和困难的任务。目前青光眼的诊断基本都是依靠人工观测方式。但是人的视觉***存在它的不足之处,比如存在主观性、局限性、模糊性、缺乏持久性等。
青光眼的三大特征为：
(1)杯盘比>＝0.7(在正常眼睛中，视杯和视盘的面积比值较小，不足0.6，在发生青光眼的眼睛中，神经纤维的缺失引起视杯面积增大，以至于杯盘比增大；在参与统计的大多数被观测者中，只有大概5％的非青光眼会出现CDR>＝0.7的情况)。
(2)盘沿不符合ISNT规律(大部分正常视***都符合＂ISNT＂法则：下缘(INFERIOR)比上缘(SUPERIOR)厚，上缘比鼻侧(NASAL)侧厚，颠侧(TEMPORAL)最薄)。
(3)视神经纤维层缺损，视神经萎缩(这种情况大多数发生于青光眼中)。青光眼会使神经纤维层厚度逐渐减小，缺损。
本发明中我们用到的是特征(1)、(3)，即杯盘比特征以及视神经纤维层缺损特征。
对于修正后的灰度图像，使用深度卷积神经网络处理提取特征集，之后训练分类器。此时的训练集变为两个独立的特征集，分别为杯盘比特征集，视神经纤维层缺损特征集。
之后由上一步获得的两类特征数据集采样获得的特征子集，使用深度卷积神经网络学习算法分别训练获得多个与特征子集且相互独立的子分类器。
基于卷积神经网络的青光眼眼底图像检测中的网络训练方法包括以下步骤：
(1)对原始图像进行相应的预处理，包括图像自动分割、提取绿色通道、直方图均衡化以及特征提取四个步骤。
(2)构造一个8层的深度卷积神经网络，如图三。从总体看该模型的8层结构，不包括输入层，1-5层是卷积层，6-8层则为全连接层，最后的一个输出层也是全连接层，且能看作1000维输出的softmax分类器，最后的优化目标是最大化平均的多项逻辑回归。在卷积层1、2的结构中还包括子层卷积层1和卷积层2，之后是响应归一化层，即响应归一化层1，响应归一化层2层。在每一个卷积层以及全连接层后紧跟的操作是ReLU操作。最大池化操作是紧跟在第一个响应归一化层1，响应归一化层2，以及第5个卷积层。Dropout操作是在最后两个全连接层。池化操作(Pooling)用于卷积操作之后，池化层与卷积层不属于CNN中的单独的层，也不记入CNN的层数内。
其中，卷积层节点对应的输入输出表达式为：
池化层节点对应的输入输出表达式为：
上式中，l为网络层数，j为l层的第j个特征图数，为第l层第j个特征图上的输出矩阵，表示第l-1层第i个特征图矩阵，这里作为输入矩阵，是与第l-1层第i个特征图对应的第l层第j个特征图的参数矩阵，表示第l个采样层第j个特征图对应的权值，f对应sigmoid函数。
逻辑回归层对应的表达式为：
上式中，X为逻辑回归层输入节点的值，θ为逻辑回归层待训练参数，hθ(x)为逻辑回归层的输出，含义为输出节点取1的概率。局部响应归一化，作用的位置是ReLU之后，具体公式为：
上式中，为i在x，y坐标的特征映射，j为x，y位置的其他相邻的特征映射。
Softmax的损失函数，计算公式为：
上式中，(i,j)即矩阵f(x,w)中的第i,j个元素。max(fj)即在第i个样本的所有分类得分中最大的得分。
(3)将训练图像输入到网络中对卷积神经网络进行训练。采用softmax loss作为损失函数，利用反向传播算法，根据训练内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数至网络收敛，制作出独立的子分类器。
最终将全部相独立的子分类器进行组合，测试眼底图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。
该方法和***不仅适用于眼底图像分类，其他的医疗图像分类均适用。
需要明确，本发明并不局限于上文所描述并在图中示出的特定配置和处理。并且，为了简明起见，这里省略对已知方法技术的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神之后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
本发明可以以其他的具体形式实现，而不脱离其精神和本质特征。例如，特定实施例中所描述的算法可以被修改，而***体系结构并不脱离本发明的基本精神。因此，当前的实施例在所有方面都被看作是示例性的而非限定性的，本发明的范围由所附权利要求而非上述描述定义，并且，落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明的范围之中。
Claims (8)
1.一种基于深度卷积神经网络的医疗图像分类方法，其特征在于，包括：
自动分割原始图像
提取原始医疗图像绿色通道分量；
利用直方图均衡化修正提取出的灰度图像；
分别从修正后的图像提取杯盘比特征和视神经纤维层缺损特征；
使用深度卷积神经网络算法分别训练特征子集产生多个子分类器；
组合子分类器，投票得出最终分类结果。
2.根据权利要求1所述的基于深度卷积神经网络的医疗图像分级方法，其特征在于，所述自动分割原始图像过程为：利用感兴趣区域(ROI)自动提取技术实现。
3.根据权利要求1所述的基于深度卷积神经网络的医疗图像分级方法，其特征在于，所述使用深度卷积神经网络算法分别训练特征子集产生子分类器即为将预处理好的图像输入深度卷积神经网络算法训练，生成相应的子分类器。
4.根据权利要求1所述的基于深度卷积神经网络的医疗图像分级方法，其特征在于，所述组合子分类器，投票得出最终分类结果为：测试医疗图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。
5.一种基于深度卷积神经网络的医疗图像分级***，其特征在于，包括：
自动分割原始图像装置，被配置为使用自动提取技术提取感兴趣区域图像；
绿色通道分类提取装置，被配置为提取原始医疗图像绿色通道分量；
直方图均衡化装置，被配置为利用直方图均衡化修正提取出的灰度图像；
特征提取装置，被配置为分别从修正后的图像提取杯盘比特征；视神经纤维层缺损特征；
子分类器训练装置，被配置为使用深度卷积神经网络算法分别训练特征子集产生子分类器；
结果投票装置，被配置为组合子分类器，投票得出最终分类结果。
6.根据权利要求5所述的基于深度卷积神经网络的医疗图像分级***，其特征在于，所述自动分割原始图像过程为：利用了感兴趣区域(ROI)自动提取技术实现。
7.根据权利要求5所述的基于深度卷积神经网络的医疗图像分级***，其特征在于，所述使用深度卷积神经网络算法分别训练特征子集产生子分类器即为将预处理好的图像输入深度卷积神经网络算法训练，生成相应的子分类器。
8.根据权利要求5所述的基于深度卷积神经网络的医疗图像分级***，其特征在于，所述组合子分类器，投票得出最终分类结果为：测试医疗图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710982421.2A CN107704886A (zh) | 2017-10-20 | 2017-10-20 | 一种基于深度卷积神经网络的医疗图像分级***和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710982421.2A CN107704886A (zh) | 2017-10-20 | 2017-10-20 | 一种基于深度卷积神经网络的医疗图像分级***和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107704886A true CN107704886A (zh) | 2018-02-16 |
Family
ID=61181869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710982421.2A Pending CN107704886A (zh) | 2017-10-20 | 2017-10-20 | 一种基于深度卷积神经网络的医疗图像分级***和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704886A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492285A (zh) * | 2018-03-13 | 2018-09-04 | 北京理工大学 | 一种基于灰度变化的径向线视盘萎缩弧分割方法 |
| CN108596247A (zh) * | 2018-04-23 | 2018-09-28 | 南方医科大学 | 一种融合放射组学和深度卷积特征进行图像分类的方法 |
| CN109615614A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 基于多特征融合的眼底图像中血管的提取方法与电子设备 |
| CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| CN110749554A (zh) * | 2018-07-23 | 2020-02-04 | 波音公司 | 纤维材料层中熔化的薄纱绞线比率的表征 |
| CN111862187A (zh) * | 2020-09-21 | 2020-10-30 | 平安科技（深圳）有限公司 | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 |
| CN111951933A (zh) * | 2020-08-07 | 2020-11-17 | 平安科技（深圳）有限公司 | 眼底彩照图像分级方法、装置、计算机设备及存储介质 |
| US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
| CN113454638A (zh) * | 2018-12-19 | 2021-09-28 | 艾奎菲股份有限公司 | 用于使用计算机视觉进行复杂视觉检查任务的联合学习的***和方法 |
| WO2021189848A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技（深圳）有限公司 | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 |
| CN113487582A (zh) * | 2021-07-16 | 2021-10-08 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
| CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
| CN106682389A (zh) * | 2016-11-18 | 2017-05-17 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理*** |
| CN106878677A (zh) * | 2017-01-23 | 2017-06-20 | 西安电子科技大学 | 基于多传感器的学生课堂掌握程度评估***和方法 |
| US20170270653A1 (en) * | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
-
2017
- 2017-10-20 CN CN201710982421.2A patent/CN107704886A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170270653A1 (en) * | 2016-03-15 | 2017-09-21 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
| CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及*** |
| CN106651888A (zh) * | 2016-09-28 | 2017-05-10 | 天津工业大学 | 基于多特征融合的彩色眼底图像视杯分割方法 |
| CN106682389A (zh) * | 2016-11-18 | 2017-05-17 | 武汉大学 | 一种用于监控高血压引发的眼部病变健康管理*** |
| CN106878677A (zh) * | 2017-01-23 | 2017-06-20 | 西安电子科技大学 | 基于多传感器的学生课堂掌握程度评估***和方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姜玉苹等: "基于眼底图像的人工神经网络分类器研究现状与进展", 《中国数字医学》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492285A (zh) * | 2018-03-13 | 2018-09-04 | 北京理工大学 | 一种基于灰度变化的径向线视盘萎缩弧分割方法 |
| CN108596247A (zh) * | 2018-04-23 | 2018-09-28 | 南方医科大学 | 一种融合放射组学和深度卷积特征进行图像分类的方法 |
| CN110415252B (zh) * | 2018-04-26 | 2022-08-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| CN110415252A (zh) * | 2018-04-26 | 2019-11-05 | 北京连心医疗科技有限公司 | 一种基于cnn的眼周器官分割方法、设备和存储介质 |
| CN110749554A (zh) * | 2018-07-23 | 2020-02-04 | 波音公司 | 纤维材料层中熔化的薄纱绞线比率的表征 |
| CN109615614A (zh) * | 2018-11-26 | 2019-04-12 | 北京工业大学 | 基于多特征融合的眼底图像中血管的提取方法与电子设备 |
| CN109615614B (zh) * | 2018-11-26 | 2020-08-18 | 北京工业大学 | 基于多特征融合的眼底图像中血管的提取方法与电子设备 |
| US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
| CN113454638A (zh) * | 2018-12-19 | 2021-09-28 | 艾奎菲股份有限公司 | 用于使用计算机视觉进行复杂视觉检查任务的联合学习的***和方法 |
| CN111951933B (zh) * | 2020-08-07 | 2023-01-17 | 平安科技（深圳）有限公司 | 眼底彩照图像分级方法、装置、计算机设备及存储介质 |
| CN111951933A (zh) * | 2020-08-07 | 2020-11-17 | 平安科技（深圳）有限公司 | 眼底彩照图像分级方法、装置、计算机设备及存储介质 |
| CN111862187B (zh) * | 2020-09-21 | 2021-01-01 | 平安科技（深圳）有限公司 | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 |
| WO2021189849A1 (zh) * | 2020-09-21 | 2021-09-30 | 平安科技（深圳）有限公司 | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 |
| JP2022533685A (ja) * | 2020-09-21 | 2022-07-25 | 平安科技（深▲せん▼）有限公司 | ニューラルネットワークに基づくｃ／ｄ比決定方法、装置、機器及び記憶媒体 |
| CN111862187A (zh) * | 2020-09-21 | 2020-10-30 | 平安科技（深圳）有限公司 | 基于神经网络的杯盘比确定方法、装置、设备及存储介质 |
| JP7260674B2 (ja) | 2020-09-21 | 2023-04-18 | 平安科技（深▲せん▼）有限公司 | ニューラルネットワークに基づくｃ／ｄ比決定方法、コンピュータ機器及び記憶媒体 |
| WO2021189848A1 (zh) * | 2020-09-22 | 2021-09-30 | 平安科技（深圳）有限公司 | 模型训练方法、杯盘比确定方法、装置、设备及存储介质 |
| CN113487582A (zh) * | 2021-07-16 | 2021-10-08 | 依未科技(北京)有限公司 | 图像评估方法及装置、计算机可读存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704886A (zh) | 一种基于深度卷积神经网络的医疗图像分级***和方法 | |
| Hemanth et al. | An enhanced diabetic retinopathy detection and classification approach using deep convolutional neural network | |
| CN111815574B (zh) | 一种基于粗糙集神经网络的眼底视网膜血管图像分割方法 | |
| CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN107330889B (zh) | 一种基于卷积神经网络的中医舌色苔色自动分析方法 | |
| CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
| CN109345538A (zh) | 一种基于卷积神经网络的视网膜血管分割方法 | |
| CN108198207A (zh) | 基于改进的Vibe模型和BP神经网络的多运动目标跟踪方法 | |
| Agrawal et al. | Grape leaf disease detection and classification using multi-class support vector machine | |
| Karegowda et al. | Exudates detection in retinal images using back propagation neural network | |
| CN109635846A (zh) | 一种多类医学图像判断方法和*** | |
| CN108021916A (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
| Alqudah et al. | Segmented and non-segmented skin lesions classification using transfer learning and adaptive moment learning rate technique using pretrained convolutional neural network | |
| CN108095683A (zh) | 基于深度学习的处理眼底图像的方法和装置 | |
| CN107330892A (zh) | 一种基于随机森林法的向日葵病害识别方法 | |
| CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
| CN106529598A (zh) | 一种基于不均衡医疗图像数据集的分类方法与*** | |
| Chen et al. | Cell nuclei detection and segmentation for computational pathology using deep learning | |
| CN108427963A (zh) | 一种基于深度学习的黑色素瘤皮肤病的分类识别方法 | |
| CN110163839A (zh) | 豹纹状眼底图像识别方法、模型训练方法及设备 | |
| AU2021102981A4 (en) | Identification Method of Pulmonary Nodules Based on Lung CT Image Features and Genetic Markers | |
| CN110610480A (zh) | 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型 | |
| CN106846301A (zh) | 视网膜图像分类方法及装置 | |
| Iqbal et al. | Automatic diagnosis of diabetic retinopathy using fundus images | |
| Miao et al. | Research on Soybean Disease Identification Method Based on Deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |