CN108876775A - 糖尿病性视网膜病变的快速检测方法 - Google Patents
糖尿病性视网膜病变的快速检测方法 Download PDFInfo
- Publication number
- CN108876775A CN108876775A CN201810600736.0A CN201810600736A CN108876775A CN 108876775 A CN108876775 A CN 108876775A CN 201810600736 A CN201810600736 A CN 201810600736A CN 108876775 A CN108876775 A CN 108876775A
- Authority
- CN
- China
- Prior art keywords
- picture
- diabetic retinopathy
- training
- eyeground
- layer
- 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.)
- Granted
Links
- 206010012689 Diabetic retinopathy Diseases 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 210000005252 bulbus oculi Anatomy 0.000 claims description 14
- 206010012601 diabetes mellitus Diseases 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 210000001508 eye Anatomy 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 201000004569 Blindness Diseases 0.000 description 4
- 206010066786 Diabetic keratopathy Diseases 0.000 description 2
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003475 lamination Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 230000004393 visual impairment Effects 0.000 description 2
- 206010018473 Glycosuria Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 231100000216 vascular lesion Toxicity 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种糖尿病性视网膜病变的快速检测方法,包括获取基础图片数据并进行标记;对标记后图片进行预处理;建立卷积神经网络模型;对模型进行训练得到图片分类器;对待诊断的眼底图片进行识别,从而得到糖尿病性视网膜病变的检测结果。本发明方法能够客观、科学而且效率极高的对糖尿病性视网膜病变进行快速检测,而且随着检测数据的增多,模型的检测精度会越来越高。
Description
技术领域
本发明具体涉及一种糖尿病性视网膜病变的快速检测方法。
背景技术
随着当今社会生活质量的提高,人们是得到物质满足的同时越来越注重自身身体的健康。目前糖尿病已成为世界上侵害人类健康的主要疾病之一。就糖尿病而言,国际糖尿病联盟公布2017年全球的糖尿病患病人数已超过四亿,每11个成年人中就有一个人患有糖尿病。糖尿病性视网膜病变是人类在患有糖尿病后引发的一种血管病变,然而只有不到一半的糖尿病患者对自己的身体情况有了解。糖尿病性视网膜病变会影响眼部的健康血管,最终导致失明,因此大量的糖尿病性视网膜病变患者由于没有得到及时的治疗,错过了最佳的治疗机会,最终造成了不可逆转的视力损失,甚至可能带来失明的后果。对于早期患者来说,假如能够进行治疗,可以使糖尿病性视网膜病变患者防止出现失明或者视力下降的状况。
目前,对于糖尿病性视网膜病变的诊断,主要依赖的是医生的人工诊断,即医生根据病人的眼底图片,或者直接对病人的眼底进行观测,并根据自己的经验判定病人的眼底是否发生病变。但是,明显的,目前对于糖尿病性视网膜病变的诊断极其依赖于医生的个人经验,医生与医生之间的诊断差异和标准具有明显差异,无统一客观的诊断标准,诊断结果及准确性难以预计,而且效率极低。
发明内容
本发明的目的在于提供一种客观、科学而且效率极高的糖尿病性视网膜病变的快速检测方法。
本发明提供的这种糖尿病性视网膜病变的快速检测方法,包括如下步骤:
S1.获取基础图片数据并进行标记;
S2.对步骤S1得到的标记后的图片进行预处理;
S3.根据步骤S2得到的预处理后的图片,建立卷积神经网络模型;
S4.将步骤S2得到的预处理后的图片输入步骤S3得到的卷积神经网络模型并对模型进行训练,得到相应的糖尿病性视网膜病变的图片分类器;
S5.采用步骤S4得到的糖尿病性视网膜病变的图片分类器,对待诊断的眼底图片进行识别,从而得到糖尿病性视网膜病变的检测结果。
所述的糖尿病性视网膜病变的快速检测方法,还包括如下步骤:
S6.将步骤S5得到的检测结果加入数据库,用于后续的图片分类器的训练。
步骤S1所述的获取基础图片数据并进行标记,具体为获取糖尿病人的眼底图片,并对眼底图片进行标记:未发生糖尿病性视网膜病变的眼底图片标记为0,发生了糖尿病性视网膜病变的眼底图片标记为1。
步骤S2所述的对标记后的图片进行预处理,具体为删除被严重污染的图片数据,然后对剩余的未被严重污染的图片数据进行如下数据处理:去除黑色边框,调整图片的分辨率和局部均值,裁剪眼球边界和进行数据增强。
所述的对剩余的未被严重污染的图片数据进行数据处理,具体为采用如下步骤进行数据处理:
A.对于每张眼底图像,首先裁剪掉眼底图像的黑色边框,图片以三维数组的形式读取(设为image),以图片上下两条边为长,左右两条边为宽,首先计算与长平行的中线上的像素值,则有x=sum(image[height/2,,]),因为眼球的像素值大于黑色边框的像素值,可计算眼球的半径,计算公式为:r=(x>x.mean/10)/2,可以裁剪去眼球以外的黑色边框;
B.调整所有的眼底图片的大小一致,因为眼底图片来自于不同的设备拍摄,分辨率各不相同,将去除边框后的图片转换为512×512的大小,对于部分眼底图片,拍摄的眼球为不完整的眼球,以像素值0对其填充,从而得到512×512的眼底图片;
C.在步骤B后对图片,采用如下公式进行数据归一化:
imgout=img×α+imggaussian×β+γ
式中α、β和γ为权重参数,α=4,β=-4,γ=128,公式中imgout为输出的图像,img为输入图像,imggaussian是对原图像经过高斯滤波处理后得到的图像,通过这样处理,在去除噪声污染的同时,又能保留图像边沿像素部分;
D.数据增强:对眼底图片随机进行180度旋转,左右随机移动等操作;
E.保存经过数据预处理的图片。
步骤S3所述的卷积神经网络模型包括75层神经元,分别为:输入层、卷积层、最大池化层、网络块1×6、网络块Ⅰ×12、卷积层、平均池化层、网络块Ⅱ×6、卷积层、平均池化层、网络块2×3、dropout层、平均池化层、全连接层、输出层;所述的网络块Ⅱ包括BatchNormalization层、LeakyReLU层、卷积层(1×1)、Batch Normalization层、LeakyReLU层、卷积层(3×3),网络块Ⅱ卷积层(1×1)、卷积层(3×1)和卷积层(1×1)。
步骤S4所述的将预处理后的图片输入卷积神经网络模型并对模型进行训练,具体为采用如下规则进行训练:
R1.在训练过程中,分批次输入预处理后的图片;
R2.在训练前设置学习率,并通过若干轮训练直至训练集上的损失值不再下降时,降低设置的学习率并让模型继续学习直至训练集的损失值不再下降,训练结束;
R3.在网络模型训练中,采用categorical_crossentropy为损失函数,并采用批次梯度下降法作为学习算法;
R4.训练时,训练参数均采用正态分布初始化方法。
步骤S5所述的对待诊断的眼底图片进行识别并得到检测结果,具体为采用步骤S4得到的图片分类器对输入的待诊断的眼底图片进行分类,并根据得到的分类概率,取较大的分类概率所对应的结果作为最终的预测结果。
本发明提供的这种糖尿病性视网膜病变的快速检测方法,通过对已经确认的图片进行学习并得到相应的分类器,再采用分类器对待检测的图片进行分类和检测的方式实现了糖尿病性视网膜病变的快速检测,因此本发明方法能够客观、科学而且效率极高的对糖尿病性视网膜病变进行快速检测,而且随着检测数据的增多,模型的检测精度会越来越高。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示为本发明方法的方法流程图:本发明提供的这种糖尿病性视网膜病变的快速检测方法,包括如下步骤:
S1.获取基础图片数据并进行标记;具体为获取糖尿病人的眼底图片,并对眼底图片进行标记:未发生糖尿病性视网膜病变的眼底图片标记为0,发生了糖尿病性视网膜病变的眼底图片标记为1;
S2.对步骤S1得到的标记后的图片进行预处理;具体为删除被严重污染的图片数据,然后对剩余的未被严重污染的图片数据进行如下数据处理:去除黑色边框,调整图片的分辨率和局部均值,裁剪眼球边界和进行数据增强;
在具体实施时,可以采用如下步骤进行预处理:
A.对于每张眼底图像,首先裁剪掉眼底图像的黑色边框,图片以三维数组的形式读取(设为image),以图片上下两条边为长,左右两条边为宽,首先计算与长平行的中线上的像素值,则有x=sum(image[height/2,,]),因为眼球的像素值大于黑色边框的像素值,可计算眼球的半径,计算公式为:r=(x>x.mean/10)/2,可以裁剪去眼球以外的黑色边框;
B.调整所有的眼底图片的大小一致,因为眼底图片来自于不同的设备拍摄,分辨率各不相同,将去除边框后的图片转换为512×512的大小,对于部分眼底图片,拍摄的眼球为不完整的眼球,以像素值0对其填充,从而得到512×512的眼底图片;
C.在步骤B后对图片,采用如下公式进行数据归一化:
imgout=img×α+imggaussian×β+γ
式中α、β和γ为权重参数,α=4,β=-4,γ=128,公式中imgout为输出的图像,img为输入图像,imggaussian是对原图像经过高斯滤波处理后得到的图像,通过这样处理,在去除噪声污染的同时,又能保留图像边沿像素部分;
D.数据增强:对眼底图片随机进行180度旋转,左右随机移动等操作;
E.保存经过数据预处理的图片;
S3.根据步骤S2得到的预处理后的图片,建立卷积神经网络模型;此处建立的神经网络模型,包括75层神经元,分别为:输入层、卷积层、最大池化层、网络块1×6、网络块Ⅰ×12、卷积层、平均池化层、网络块Ⅱ×6、卷积层、平均池化层、网络块2×3、dropout层、平均池化层、全连接层、输出层;所述的网络块Ⅱ包括Batch Normalization层、LeakyReLU层、卷积层(1×1)、Batch Normalization层、LeakyReLU层、卷积层(3×3),网络块Ⅱ卷积层(1×1)、卷积层(3×1)和卷积层(1×1);
S4.将步骤S2得到的预处理后的图片输入步骤S3得到的卷积神经网络模型并对模型进行训练,得到相应的糖尿病性视网膜病变的图片分类器;具体为采用如下规则进行训练:
R1.在训练过程中,分批次输入预处理后的图片;
R2.在训练前设置学习率,并通过若干轮训练直至训练集上的损失值不再下降时,降低设置的学习率并让模型继续学习直至训练集的损失值不再下降,训练结束;
R3.在网络模型训练中,采用categorical_crossentropy为损失函数,并采用批次梯度下降法作为学习算法;
R4.训练时,训练参数均采用正态分布初始化方法;
S5.采用步骤S4得到的糖尿病性视网膜病变的图片分类器,对待诊断的眼底图片进行识别,从而得到糖尿病性视网膜病变的检测结果;具体为采用步骤S4得到的图片分类器对输入的待诊断的眼底图片进行分类,并根据得到的分类概率,取较大的分类概率所对应的结果作为最终的预测结果
S6.将步骤S5得到的检测结果加入数据库,用于后续的图片分类器的训练。
以下以一个实施例对本发明方法进行进一步说明:
在数据中心存储已经标记的糖尿病人的眼底图片,分为0和1两个级别,0代表没病的图片,1代表发生病变的图片;删除数据中心中被严重污染的图片,然后对剩下的图片进行预处理,包括去除黑色边框、调整眼底图片分辨率、局部均值、裁剪眼球边界和数据增强,其中数据增强可以为随机旋转、拉伸等,基于显卡性能考虑,分辨率设置为512×512;
在获取到预处理的图片后,对数据集进行划分,分别为训练集、验证集和测试集,三者的比例为4:1:1,其中三者无病和有病的眼底图片分布相同;
利用深度学***均池化层、网络块Ⅱ×6、卷积层、平均池化层、网络块2×3、dropout层、平均池化层、全连接层、输出层。输入层读取预处理的图片,每次读取batch张图片,送入模型进行训练,池化层用来缩减模型的大小,提交计算速度,同时也提高所提取特征的鲁棒性,卷积层用于提取特征、减少模型参数,自定义的两个网络块可以尽可能的提取特征的同时减少梯度消失和梯度***的可能,dropout层的作用是在训练的过程中随机丢弃一些神经元,此处设置丢弃概率为0.5,可以防止模型过拟合,输出层为softmax分类器,输出结果为有病和没病的概率分布,较大值则为本模型预测的结果,其中索引为0的值表示没病,索引为1的值表示有病。
对于本卷积神经网络,设置初始训练次数为50次,采用早停法通过验证集的损失函数值能防止过拟合,训练过程中采用categorical_crossentropy为损失函数,使用梯度下降法为优化器,动量值设置为0.9,初始的学习率设置为0.0001。当连续5轮验证集的损失函数值不再下降时,则将学习率缩小10倍,若连续10轮验证集的损失函数值不再下降,则模型停止训练,每一轮训练后均生成模型文件在磁盘中,最后选取验证集上损失函数最后的模型文件为最优模型。
本发明方法通过自定义的卷积神经网络完成了数据训练、模型生成、数据预测分类的过程,在训练过程中利用反向传播过程优化参数,且加入了防止过拟合的方法,在当前的划分的测试集中,测试结果为灵敏度0.91,特异性为0.90,同时也在国际公开的糖尿病性视网膜眼底图片的数据集上进行测试,其结果为灵敏度为0.85,特异性为0.94。证明本发明的这种方法具有良好的参考性,能够客观、科学而且效率极高的对患者的眼底图片进行识别。
Claims (7)
1.一种糖尿病性视网膜病变的快速检测方法,包括如下步骤:
S1.获取基础图片数据并进行标记;
S2.对步骤S1得到的标记后的图片进行预处理;
S3.根据步骤S2得到的预处理后的图片,建立卷积神经网络模型;
S4.将步骤S2得到的预处理后的图片输入步骤S3得到的卷积神经网络模型并对模型进行训练,得到相应的糖尿病性视网膜病变的图片分类器;
S5.采用步骤S4得到的糖尿病性视网膜病变的图片分类器,对待诊断的眼底图片进行识别,从而得到糖尿病性视网膜病变的检测结果。
2.根据权利要求1所述的糖尿病性视网膜病变的快速检测方法,其特征在于还包括如下步骤:
S6.将步骤S5得到的检测结果加入数据库,用于后续的图片分类器的训练。
3.根据权利要求1或2所述的糖尿病性视网膜病变的快速检测方法,其特征在于步骤S1所述的获取基础图片数据并进行标记,具体为获取糖尿病人的眼底图片,并对眼底图片进行标记:未发生糖尿病性视网膜病变的眼底图片标记为0,发生了糖尿病性视网膜病变的眼底图片标记为1。
步骤S2所述的对标记后的图片进行预处理,具体为删除被严重污染的图片数据,然后对剩余的未被严重污染的图片数据进行如下数据处理:去除黑色边框,调整图片的分辨率和局部均值,裁剪眼球边界和进行数据增强。
4.根据权利要求3所述的糖尿病性视网膜病变的快速检测方法,其特征在于所述的对剩余的未被严重污染的图片数据进行数据处理,具体为采用如下步骤进行数据处理:
A.对于每张眼底图像,裁剪掉眼底图像的黑色边框;
B.调整所有的眼底图片的大小一致;
C.在步骤B后,对图片采用如下公式进行数据归一化:
imgout=img×α+imggaussian×β+γ
式中α、β和γ为权重参数,imgout为输出的图像,img为输入图像,imggaussian是对原图像经过高斯滤波处理后得到的图像;
D.对图片进行数据增强;
E.保存经过数据预处理的图片。
5.根据权利要求4所述的糖尿病性视网膜病变的快速检测方法,其特征在于步骤S3所述的卷积神经网络模型包括75层神经元,分别为:输入层、卷积层、最大池化层、网络块1×6、网络块Ⅰ×12、卷积层、平均池化层、网络块Ⅱ×6、卷积层、平均池化层、网络块2×3、dropout层、平均池化层、全连接层、输出层;所述的网络块Ⅱ包括Batch Normalization层、LeakyReLU层、卷积层1×1、Batch Normalization层、LeakyReLU层、卷积层3×3,网络块Ⅱ卷积层1×1、卷积层3×1和卷积层1×1。
6.根据权利要求5所述的糖尿病性视网膜病变的快速检测方法,其特征在于步骤S4所述的将预处理后的图片输入卷积神经网络模型并对模型进行训练,具体为采用如下规则进行训练:
R1.在训练过程中,分批次输入预处理后的图片;
R2.在训练前设置学习率,并通过若干轮训练直至训练集上的损失值不再下降时,降低设置的学习率并让模型继续学习直至训练集的损失值不再下降,训练结束;
R3.在网络模型训练中,采用categorical_crossentropy为损失函数,并采用批次梯度下降法作为学习算法;
R4.训练时,训练参数均采用正态分布初始化方法。
7.根据权利要求6所述的糖尿病性视网膜病变的快速检测方法,其特征在于步骤S5所述的对待诊断的眼底图片进行识别并得到检测结果,具体为采用步骤S4得到的图片分类器对输入的待诊断的眼底图片进行分类,并根据得到的分类概率,取较大的分类概率所对应的结果作为最终的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600736.0A CN108876775B (zh) | 2018-06-12 | 2018-06-12 | 糖尿病性视网膜病变的快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600736.0A CN108876775B (zh) | 2018-06-12 | 2018-06-12 | 糖尿病性视网膜病变的快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876775A true CN108876775A (zh) | 2018-11-23 |
CN108876775B CN108876775B (zh) | 2022-10-18 |
Family
ID=64338041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810600736.0A Active CN108876775B (zh) | 2018-06-12 | 2018-06-12 | 糖尿病性视网膜病变的快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876775B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109602391A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
CN109859172A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110837803A (zh) * | 2019-11-07 | 2020-02-25 | 复旦大学 | 基于深度图网络的糖尿病视网膜病变分级方法 |
CN111096727A (zh) * | 2019-12-31 | 2020-05-05 | 上海市第十人民医院 | 妊高症的检测方法、***、电子设备和存储介质 |
CN111144296A (zh) * | 2019-12-26 | 2020-05-12 | 湖南大学 | 基于改进cnn模型的视网膜眼底图片分类方法 |
CN111374632A (zh) * | 2018-12-29 | 2020-07-07 | 张国明 | 视网膜病变检测方法、装置及计算机可读存储介质 |
CN111435612A (zh) * | 2018-12-26 | 2020-07-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和*** |
CN111938569A (zh) * | 2020-09-17 | 2020-11-17 | 南京航空航天大学 | 基于深度学习的眼底多病种分类的检测方法 |
CN112053321A (zh) * | 2020-07-30 | 2020-12-08 | 中山大学中山眼科中心 | 一种识别高度近视视网膜病变的人工智能*** |
CN112101424A (zh) * | 2020-08-24 | 2020-12-18 | 深圳大学 | 一种视网膜病变识别模型的生成方法、识别装置及设备 |
CN112365535A (zh) * | 2019-07-26 | 2021-02-12 | 长佳智能股份有限公司 | 视网膜病变评估模型建立方法及*** |
WO2021031279A1 (zh) * | 2019-08-20 | 2021-02-25 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断***与方法 |
CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测*** |
CN112819797A (zh) * | 2021-02-06 | 2021-05-18 | 国药集团基因科技有限公司 | 一种糖尿病性视网膜病变分析方法、装置、***、以及存储介质 |
CN113273959A (zh) * | 2021-07-19 | 2021-08-20 | 中山大学中山眼科中心 | 一种便携式糖尿病视网膜病变诊疗仪 |
RU2789260C1 (ru) * | 2021-12-20 | 2023-01-31 | Автономная некоммерческая организация высшего образования "Университет Иннополис" | Система поддержки принятия врачебных решений на основе анализа медицинских изображений |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260738A (zh) * | 2015-09-15 | 2016-01-20 | 武汉大学 | 基于主动学习的高分辨率遥感影像变化检测方法及*** |
US9779492B1 (en) * | 2016-03-15 | 2017-10-03 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
CN107256635A (zh) * | 2017-07-14 | 2017-10-17 | 浙江大学 | 一种智能交通中基于分布式光纤传感的车辆识别方法 |
CN107689047A (zh) * | 2017-08-16 | 2018-02-13 | 汕头大学 | 一种自动裁剪眼底图像的方法、装置及其可读存储介质 |
US20180122068A1 (en) * | 2016-11-02 | 2018-05-03 | International Business Machines Corporation | Classification of severity of pathological condition using hybrid image representation |
CN108009592A (zh) * | 2017-12-15 | 2018-05-08 | 云南大学 | 一种糖尿病性视网膜图像自动分类方法 |
CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
-
2018
- 2018-06-12 CN CN201810600736.0A patent/CN108876775B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260738A (zh) * | 2015-09-15 | 2016-01-20 | 武汉大学 | 基于主动学习的高分辨率遥感影像变化检测方法及*** |
US9779492B1 (en) * | 2016-03-15 | 2017-10-03 | International Business Machines Corporation | Retinal image quality assessment, error identification and automatic quality correction |
US20180122068A1 (en) * | 2016-11-02 | 2018-05-03 | International Business Machines Corporation | Classification of severity of pathological condition using hybrid image representation |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN107256635A (zh) * | 2017-07-14 | 2017-10-17 | 浙江大学 | 一种智能交通中基于分布式光纤传感的车辆识别方法 |
CN107689047A (zh) * | 2017-08-16 | 2018-02-13 | 汕头大学 | 一种自动裁剪眼底图像的方法、装置及其可读存储介质 |
CN108009592A (zh) * | 2017-12-15 | 2018-05-08 | 云南大学 | 一种糖尿病性视网膜图像自动分类方法 |
CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
Non-Patent Citations (3)
Title |
---|
JING SUN ET AL.: "Retinal Image Quality Classification Using Fine-Tuned CNN", 《SPRINGER INTERNATIONAL PUBLISHING AG 2017》 * |
MONIKA ANDONOVÁ ET AL.: "Diabetic Retinopathy Screening Based on CNN", 《59TH INTERNATIONAL SYMPOSIUM ELMAR-2017》 * |
罗院生: "从视网膜图像到糖尿病视网膜病变诊断", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111435612B (zh) * | 2018-12-26 | 2022-06-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和*** |
CN111435612A (zh) * | 2018-12-26 | 2020-07-21 | 福州依影健康科技有限公司 | 一种移动医疗个性化健康服务的方法和*** |
CN111374632A (zh) * | 2018-12-29 | 2020-07-07 | 张国明 | 视网膜病变检测方法、装置及计算机可读存储介质 |
CN109602391A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
CN109859172A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110163839B (zh) * | 2019-04-02 | 2022-02-18 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN110236483B (zh) * | 2019-06-17 | 2021-09-28 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
CN112365535A (zh) * | 2019-07-26 | 2021-02-12 | 长佳智能股份有限公司 | 视网膜病变评估模型建立方法及*** |
WO2021031279A1 (zh) * | 2019-08-20 | 2021-02-25 | 东北大学 | 一种基于深度学习的X-Ray胸片肺炎智能诊断***与方法 |
CN110837803B (zh) * | 2019-11-07 | 2022-11-29 | 复旦大学 | 基于深度图网络的糖尿病视网膜病变分级方法 |
CN110837803A (zh) * | 2019-11-07 | 2020-02-25 | 复旦大学 | 基于深度图网络的糖尿病视网膜病变分级方法 |
CN111144296A (zh) * | 2019-12-26 | 2020-05-12 | 湖南大学 | 基于改进cnn模型的视网膜眼底图片分类方法 |
CN111144296B (zh) * | 2019-12-26 | 2023-04-18 | 湖南大学 | 基于改进cnn模型的视网膜眼底图片分类方法 |
CN111096727B (zh) * | 2019-12-31 | 2021-02-26 | 上海市第十人民医院 | 妊高症的检测方法、***、电子设备和存储介质 |
CN111096727A (zh) * | 2019-12-31 | 2020-05-05 | 上海市第十人民医院 | 妊高症的检测方法、***、电子设备和存储介质 |
CN112053321A (zh) * | 2020-07-30 | 2020-12-08 | 中山大学中山眼科中心 | 一种识别高度近视视网膜病变的人工智能*** |
CN112101424A (zh) * | 2020-08-24 | 2020-12-18 | 深圳大学 | 一种视网膜病变识别模型的生成方法、识别装置及设备 |
CN112101424B (zh) * | 2020-08-24 | 2023-08-04 | 深圳大学 | 一种视网膜病变识别模型的生成方法、识别装置及设备 |
CN111938569A (zh) * | 2020-09-17 | 2020-11-17 | 南京航空航天大学 | 基于深度学习的眼底多病种分类的检测方法 |
CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测*** |
CN112819797A (zh) * | 2021-02-06 | 2021-05-18 | 国药集团基因科技有限公司 | 一种糖尿病性视网膜病变分析方法、装置、***、以及存储介质 |
CN112819797B (zh) * | 2021-02-06 | 2023-09-19 | 国药集团基因科技有限公司 | 糖尿病性视网膜病变分析方法、装置、***及存储介质 |
CN113273959A (zh) * | 2021-07-19 | 2021-08-20 | 中山大学中山眼科中心 | 一种便携式糖尿病视网膜病变诊疗仪 |
RU2789260C1 (ru) * | 2021-12-20 | 2023-01-31 | Автономная некоммерческая организация высшего образования "Университет Иннополис" | Система поддержки принятия врачебных решений на основе анализа медицинских изображений |
Also Published As
Publication number | Publication date |
---|---|
CN108876775B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876775A (zh) | 糖尿病性视网膜病变的快速检测方法 | |
Esfahani et al. | Classification of diabetic and normal fundus images using new deep learning method | |
CN109087302A (zh) | 一种眼底图像血管分割方法及设备 | |
CN111476283A (zh) | 基于迁移学习的青光眼眼底图像识别方法 | |
Sertkaya et al. | Diagnosis of eye retinal diseases based on convolutional neural networks using optical coherence images | |
CN112016626B (zh) | 基于不确定度的糖尿病视网膜病变分类*** | |
CN107330876A (zh) | 一种基于卷积神经网络的图像自动诊断方法 | |
CN106682389A (zh) | 一种用于监控高血压引发的眼部病变健康管理*** | |
CN109635862A (zh) | 早产儿视网膜病plus病变分类方法 | |
CN112101424B (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
CN109948719A (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
CN109464120A (zh) | 一种糖尿病视网膜病变筛查方法、装置及存储介质 | |
Lands et al. | Implementation of deep learning based algorithms for diabetic retinopathy classification from fundus images | |
CN111403026A (zh) | 一种面瘫等级评估方法 | |
Bakır et al. | Using transfer learning technique as a feature extraction phase for diagnosis of cataract disease in the eye | |
CN114445666A (zh) | 基于深度学习眼底图像左右眼及视野位置分类方法及*** | |
Triyadi et al. | Deep learning in image classification using vgg-19 and residual networks for cataract detection | |
Suedumrong et al. | Application of deep convolutional neural networks vgg-16 and ***net for level diabetic retinopathy detection | |
ARSLAN et al. | Detection of cataract, diabetic retinopathy and glaucoma eye diseases with deep learning approach | |
Ali et al. | Cataract disease detection used deep convolution neural network | |
Roy et al. | RetNet: retinal disease detection using convolutional neural network | |
CN115661101A (zh) | 基于随机采样和深度学习的早产儿视网膜病变检测*** | |
Chakravarthy et al. | DR-NET: A Stacked Convolutional Classifier Framework for Detection of Diabetic Retinopathy | |
CN111374632B (zh) | 视网膜病变检测方法、装置及计算机可读存储介质 | |
Mary et al. | A comprehensive survey on deep learning based automated diabetic retinopathy detection |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20190815 Address after: Yuelu District City, Hunan province 410082 Changsha Lushan Road No. 1 Applicant after: HUNAN University Address before: 510000 Guangdong Guangzhou High-tech Industrial Development Zone South China New Material Innovation Park G1 Building 120 Applicant before: GUANGZHOU TULING ARTIFICIAL INTELLIGENCE TECHNOLOGY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |