CN109101994B - 一种眼底图像筛查方法、装置、电子设备及存储介质 - Google Patents

一种眼底图像筛查方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN109101994B
CN109101994B CN201810732805.3A CN201810732805A CN109101994B CN 109101994 B CN109101994 B CN 109101994B CN 201810732805 A CN201810732805 A CN 201810732805A CN 109101994 B CN109101994 B CN 109101994B
Authority
CN
China
Prior art keywords
screening
neural network
fundus image
convolutional neural
type
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.)
Active
Application number
CN201810732805.3A
Other languages
English (en)
Other versions
CN109101994A (zh
Inventor
魏奇杰
王皓
丁大勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Vistel Technology Co ltd
Original Assignee
Beijing Vistel Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Vistel Technology Co ltd filed Critical Beijing Vistel Technology Co ltd
Priority to CN201810732805.3A priority Critical patent/CN109101994B/zh
Publication of CN109101994A publication Critical patent/CN109101994A/zh
Application granted granted Critical
Publication of CN109101994B publication Critical patent/CN109101994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本公开实施例公开了一种卷积神经网络迁移方法。其中，该方法包括：对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入图像的分辨率大于所述第一卷积神经网络的输入图像的分辨率。该方法适用于不同尺寸的输入数据集，例如高分辨的眼底图像，节省了开发专用的卷积神经网络所消耗的计算资源。

Description

一种眼底图像筛查方法、装置、电子设备及存储介质
技术领域
本公开涉及医疗图像处理领域，具体涉及一种眼底图像筛查方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术的突破性进展，在医疗图像处理领域应用新的人工智能，尤其是基于海量数据的机器学习方法正在成为新兴的研究和应用热点。这其中，糖尿病视网膜病变的自动识别是一个快速兴起的分支。
在使用患者的眼底图像进行糖尿病视网膜病变(Diabetic retinopathy，DR)筛查时，无论通过人工或自动化的方法，需要先判断患者之前是否接受过激光光凝术的治疗，因为是否接受过激光光凝术治疗将影响后续筛查中对DR病情的分类，激光光斑是激光光凝术后在眼底留下的疤痕，可用于判读是否接受过激光光凝术。
在针对于眼底图像中激光斑的检测，现有技术均基于传统的图像处理方法，通过对图像中的颜色、纹理和形状等特征来区分是否有激光斑。所有的这些特征均由人工选取，人工选取的特征虽然使得检测算法简化和可解释，但是对特征的选取偏差可能导致***错误率的提升，并且这种错误率无法不断改善自身的性能。因此，人工调整参数适用性较差，准确率偏低。
深度学习作为机器学习的一个分支，可以自动的提取训练数据中隐含的特征。由于激光斑是一个局部的特征，因此更高的眼底彩照分辨率能够捕捉更多的局部特征，进而提升模型检测的准确性。然而现有的网络均是针对小尺寸的自然图像设计，在针对一些传统的任务时能够得到很好的效果，但是却无法直接适用于本发明所关注的高分辨率眼底图像。同时，深度学习方法将占用较大的计算资源，设计一个专用的神经网络意味着大量的运算成本。
发明内容
针对现有技术中的上述技术问题，本公开实施例提出了一种眼底图像筛查方法、装置、电子设备及计算机可读存储介质，以解决现有卷积神经网络无法直接应用到高分辨率的输入图像上，并且解决开发专用的卷积神经网络占用较大的计算资源的问题。
本公开实施例的第一方面提供了一种卷积神经网络迁移方法，包括：
对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入图像的分辨率大于所述第一卷积神经网络的输入图像的分辨率。
在一些实施例中，所述对第一卷积神经网络的最后一个池化层进行改进，包括：
根据输入图像，对第一卷积神经网络的最后一个池化层的长和宽中任意至少一个维度进行扩大。
在一些实施例中，所述第二卷积神经网络的输入图像为眼底图像。
在一些实施例中，所述第一卷积神经网络包括AlexNet、GoogleNet、 VGGNet、ResNet、DenseNet、InceptionNet中的一种。
本公开实施例的第二方面提供了一种眼底图像筛查方法，包括：
获取眼底图像；
使用训练后的卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型。
在一些实施例中，所述方法还包括，根据所述筛查像素或筛查像素组的检测结果，输出所述眼底图像的筛查结果。
在一些实施例中，所述筛查像素或筛查像素组的筛查类型包括第一筛查类型和/或第二筛查类型，所述眼底图像筛查结果包括第一筛查类型的检测结果和/或第二筛查类型的检测结果。
在一些实施例中，所述筛查像素或筛查像素组的检测结果包括所述筛查像素或筛查像素组的数量。
在一些实施例中，当所述第一筛查类型的数量超过预设值时，判定是第一筛查类型的检测结果。
在一些实施例中，所述方法还包括，根据所述第一筛查类型的检测结果和所述眼底图像，确定第二筛查类型的检测结果。
本公开实施例的第三方面提供了一种卷积神经网络迁移装置，包括：
池化层改进模块，用于对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入图像的分辨率大于所述第一卷积神经网络的输入图像的分辨率。
在一些实施例中所述池化层改进模块包括：
池化层尺寸扩大模块，用于根据输入图像，对第一卷积神经网络的最后一个池化层的长和宽中任意至少一个维度进行扩大。
在一些实施例中，所述第二卷积神经网络的输入图像为眼底图像。
在一些实施例中，所述第一卷积神经网络包括AlexNet、GoogleNet、VGGNet、ResNet、DenseNet、InceptionNet中的一种。
本公开实施例的第四方面提供了一种眼底图像筛查装置，包括：
眼底图像获取模块，用于获取眼底图像；
第一检测模块，用于使用训练后的卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型。
在一些实施例中，所述装置还包括，第二检测模块，用于根据所述筛查像素或筛查像素组的检测结果，输出所述眼底图像的筛查结果。
在一些实施例中，其特征在于，所述筛查像素或筛查像素组的筛查类型包括第一筛查类型和/或第二筛查类型，所述眼底图像筛查结果包括第一筛查类型的检测结果和/或第二筛查类型的检测结果。
在一些实施例中，所述第一检测模块包括计数模块，用于计算所述筛查像素或筛查像素组的数量，使得所述筛查像素或筛查像素组的检测结果包括所述筛查像素或筛查像素组的数量。
在一些实施例中，所述第一检测模块包括判断模块，用于当所述第一筛查类型的数量超过预设值时，判定是第一筛查类型的检测结果。
在一些实施例中，所述装置还包括第三检测模块，用于根据所述第一筛查类型的检测结果和所述眼底图像，确定第二筛查类型的检测结果。
本公开实施例的第五方面提供了一种电子设备，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如前述各实施例所述的方法。
本公开实施例的第六方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如前述各实施例所述的方法。
本公开实施例的第七方面提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现如前述各实施例所述的方法。
本公开实施例，通过从现有的卷积神经网络迁移学习，并且对网络结构中的最后一个池化层进行调整，从而使得新的卷积神经网络的输入图像尺寸可以根据实际需要而扩大。
附图说明
通过参考附图会更加清楚的理解本公开的特征和优点，附图是示意性的而不应理解为对本公开进行任何限制，在附图中：
图1是现有技术中一种模型迁移学习的示意图；
图2是根据本公开的一些实施例所示的一种从经过训练的基于ImageNet 的卷积神经网络模型迁移权重的示意图；
图3是根据本公开的一些实施例所示的一种眼底图像筛查方法的流程示意图；
图4是根据本公开的一些实施例所示的一种眼底图像筛查装置的结构框图；
图5是根据本公开的一些实施例所示电子设备的示意图。
具体实施方式
在下面的详细描述中，通过示例阐述了本公开的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本公开显而易见的可以在没有这些细节的情况下实施。应当理解的是，本公开中使用“***”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。
应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本公开所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本公开所用术语仅为了描述特定实施例，而非限制本公开范围。如本公开说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图，本公开的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本公开的保护范围。可以理解的是，附图并非按比例绘制。
本公开中使用了多种结构图用来说明根据本公开的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本公开。本公开的保护范围以权利要求为准。
迁移学习(Transfer Learning,TL)对于人类来说，就是掌握举一反三的学习能力。比如我们学会骑自行车后，学骑摩托车就很简单了；在学会下围棋之后，再学下象棋会没那么难。对于计算机而言，所谓迁移学习，就是能让现有的模型算法稍加调整即可应用于一个新的领域和功能的一项技术，可以帮助我们透过纷繁复杂的现象抓住问题共性，巧妙处理新遇到的问题。迁移学习的基本方法包括样本迁移(Instance based TL)、特征迁移(Feature based TL)、模型迁移(Parameter based TL)和关系迁移(Relation based TL)。
这里我们更关注模型迁移，假设源域和目标域共享模型参数，如图1所示，具体是指将之前在源域中通过大量数据训练好的模型应用到目标域上进行预测，比如利用上千万的图像 来训练好一个图像识别 的***，当我们遇到一个新的图像 领域问题的时候，就不用再去找几千万个图像 来训练了，只需把原来训练好的模型迁移到新的领域，在新的领域往往只需几万张图片就够，同样可以得到很高的精度。优点是可以充分利用模型之间存在的相似性。一般的迁移学习是这样的：训练好一个源网络，把它的前n层复制到目标网络的前n层，目标网络剩下的其他层随机初始化，开始训练目标任务。其中，在做反向传播的时候，可以选择把迁移过来的这前n层冻结起来，即在训练target task的时候，不改变这n层的值。
本公开实施例提供了一种卷积神经网络迁移方法，包括：对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入图像的分辨率大于所述第一卷积神经网络的输入图像的分辨率。其中，第一卷积神经网络包括AlexNet、GoogleNet、 VGGNet、ResNet、DenseNet、InceptionNet中的一种；第二卷积神经网络的输入图像为眼底图像，其中眼底图像可以是彩色图像，也可以是黑白图像，本公开实施例不作限制。
相较于一般图像，有些目标图像具有较大的分辨率，例如眼底图像，而目标特征并不是这么大，例如激光光斑，图像的分辨率将会影响卷积神经网络分辨它们的能力。如果输入图像分辨率变成两倍，意味着网络占用的计算资源增加至原输入尺寸的四倍左右。继而，第一个全连接层的参数个数将随之增多，最终不可收敛。由此可见，现有技术中的通用卷积神经网络模型并不适用于分辨率较大的输入图像。通过理论研究和实践操作发现在利用卷积神经网络的迁移构建新模型时(从通过ImageNet预先训练的现有模型中迁移对应权重)，如果目标网络(第二卷积神经网络)的输入图像的分辨率大于源网络(第一卷积神经网络)的输入图像的分辨率，调整最后一个池化层可以保持最后特征网络的大小。
在一些可选的实施例中，所述对第一卷积神经网络的最后一个池化层进行改进，包括：
根据输入图像，对第一卷积神经网络的最后一个池化层的长和宽中任意至少一个维度进行扩大。由于使用场景的差异性，目标网络的输入图像尺寸各有所不同，因为对模型中的最后一个池化层的调整也可以不同。一般采用长和宽来描述池化层的尺寸，因此所述调整可以是针对模型中的最后一个池化层的长和宽中任意至少一个维度进行扩大，一般是调整池化层的长或宽，如果输入图像的长和宽均有所扩大，那可以调整池化层的长和宽。除此以外，对池化层的调整也会随着使用卷积神经网络的变化而变化。例如，对于同样使用全部平均池化层作为最后一个池化层的ResNet、DenseNet、Inception-V3，同样大小的输入图像，对于池化层的调整有所不同。例如，输入图像的分辨率放大成两倍，ResNet和DenseNet的池化层的尺寸将从7×7调整为14×14，而Inception-V3的池化层的尺寸将从12 ×12调整为24×24。
图2是根据本公开的一些实施例所示的一种从经过训练的基于ImageNet 的卷积神经网络模型迁移权重的示意图。本公开的实施例旨在实现眼底图像的激光光斑的自动识别，利用现有的神经卷积网络迁移得到适用于眼底图像的新网络。图2上部所示为一个现有的ResNet-18模型，该模型接收 224×224的图像作为输入；在图2下部所示新模型中，用经过预训练的 ResNet-18模型的对应权重初始化新模型的卷积层(该实施例中，ResNet- 18模型的卷积层到最后一个池化层之间的均为可迁移权重，标注为 Transferable weights；ResNet-18模型最后一个池化层之后的均为不可迁移权重，标注为Non-transferableweights)，再调整新模型的最后一个池化层，使得在不增加训练参数的基础上输入图像的分辨率扩大至448× 448。
考虑到不同深度的卷积神经网络可能具有互补性，本公开的实施例进一步研究了整合的卷积神经网络，即ResNet-Ensemble(它是ResNet-18， ResNet-34和ResNet-50的整合)以及DenseNet-Ensemble(它是DenseNet- 121，DenseNet-169和DenseNet-201的整合)。并且利用实际数据就上述两个整合的卷积神经网络的性能做出一定的说明。本公开的实施例引入的性能参数包括灵敏度(Sensitivity)、特异性(Specificity)、AUC(Area UnderCurve)、精度(Precision)和平均精度(Average Precision，AP)。其中，精度定义为正确检测到的激光光斑的图像数量除以检测到的具有激光光斑的图像数量。
为了进一步加强验证新模型的性能的准确性，有必要构建有专业标注的大规模数据集。为了构建激光光斑检测的大规模数据集，本公开实施例采用了Kaggle糖尿病视网膜病变检测任务中使用的眼底图像。Kaggle数据集包含EyePACS提供的88,702个眼底彩色图像(45°视角)，其中EyePACS 是视网膜病变筛查的免费平台。为了使随后的手动标记易于管理，通过随机下采样将Kaggle数据集的大小减少到大约11000个。此外，还从当地医院收集了糖尿病患者的2000个眼底彩色图像(也包含45°视角)。对于实际标签，我们聘请了45名中国执照眼科医生组成的小组。每张图片都分配给至少三个不同的专家小组。他们被要求提供一个二元标签，说明给定图像中是否存在激光光斑。标记图像的总数为12,550。由于5个专家小组没有完全完成他们的任务，每张图片大约被标记了2.5次。排除仅由一个专家小组标记的1,317个图像和接收不同标签的372个图像，我们获得了10,861 个专家小组标记的图像。我们将这个集合分成三个不相交的子集，如表1所示。通过对20％的图像进行随机抽样来构建一个保留测试集。剩下的数据随机分成7,602张图像的训练集和1,086张图像的验证集。除此以外，还引入了LDM-BAPT的公开测试集作为第二测试集。
Figure GDA0002895675430000091
表1.本公开实施例所采用的激光光斑数据集
表2显示了不同卷积神经网络的性能，对于每一个卷积神经网络而言，其输入图像的分辨率为448×448，并且它们的初始权重均迁移来自基于 ImageNet训练的对应现有模型。在不同的网络架构中，DenseNet的AP性能最佳，其次是ResNet和Inception-v3。就单个模型而言，DenseNet-121的整体性能最佳(准确率最高)，体现了卷积神经网络模型在激光光斑检测的模型能力和可学***衡。从表2中也可以看出模型整合可以进一步提高其性能，DenseNet-Ensemble在激光光斑检测具有较佳的应用潜力。
Figure GDA0002895675430000101
表2.采用本公开实施例方法不同卷积神经网络的性能测试参数
本公开实施例进一步比较了随机初始化权重的卷积神经网络模型(标注为random)与采用本公开实施例的卷积神经网络模型(标注为 trainsfer)的训练，两者的基础模型是相同的，但采用本公开实施例的卷积神经网络模型是从ImageNet转移得到初始权重的相同卷积神经网络模型。对于随机初始化，可以使用高斯分布初始化权重，并计算出零均值和方差(具体计算方法可参考K.He,X.Zhang,S.Ren,and J.Sun. Delving deep intorectifiers:Surpassing human-431level performance on imagenetclassification.In ICCV,2015.)。测试发现，随机初始化时，输入图像的分辨率为448×448时，卷积神经网络无法收敛。因此在此次比较中，输入图像的分辨率被迫降低至224×224。如表3所示ResNet系列和Inception-v3的结果，并且DenseNet具有类似的结果(未在表中给出数据)。由此可见，迁移学习不仅可以带来更好的模型，还可以将训练时间缩短50％左右。
Figure GDA0002895675430000102
Figure GDA0002895675430000111
表3.不同卷积神经网络的性能测试参数
目前LMD-DRS和LDM-BAPT是两个公开的激光光斑数据集，其中LDM- BAPT是测试集。基于上述数据集，本公开实施例进一步比较了现有模型与本公开实施例的卷积神经网络模型的性能，结果如表4所示，采用本公开实施例方法的卷积神经网络模型(ResNet18、DenseNet-121、DenseNet- Ensemble、DenseNet-Ensemble)的性能优越于现有的决策树模型 (Decision Tree)和随机森林模型(Random Forest)。较高的AP数值意味着采用本公开实施例方法的卷积神经网络模型的灵敏度可以进一步优化。
Figure GDA0002895675430000112
表4.基于LMD-DRS和LDM-BAPT的性能测试参数
通过多重测试可知，采用本公开实施例中的卷积神经网络迁移方法，相比于从头构建新的卷积神经网络，基于训练过的现有卷积神经网络迁移对应权重，再对现有卷积神经网络的最后一个池化层进行改进得到的新的卷积神经网络，不仅可以缩短构建时间、训练时间，同时输入图像的分辨率得以提高，由此可见，本公开实施例中的卷积神经网络迁移方法使用方便，推广性好，大幅提升模型的准确率。
现有的卷积神经网络均是针对小尺寸的自然图像而设计，在针对一些传统的任务时能够取得很好的效果，但是却无法直接适用于高分辨率的输入图像，例如眼底图像。激光光斑是眼底图像的局部特征，输入图像分辨率更高可以使得卷积神经网络捕捉到更多的局部特征，进而提高检测的准确性。同时，深度学习方法目前仍需要占用较大的计算资源，设计一个专用的卷积神经网络意味着大量的运算成本。基于上文的描述，可以使用迁移学习生成一个专用的激光光凝术的神经网络，同时在保证准确性的基础上降低投入成本。但是，在实际部署中专用网络仍是需要昂贵的运算设备和功耗，并且只能识别激光光斑。因此如图3所示，本公开实施例还提供一种眼底图像筛查方法，包括：
步骤S11,获取眼底图像；
步骤S12,使用训练后的卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型。
在本公开实施例中所使用的卷积神经网络能够针对每个像素或像素组 (像素组包括的像素个数可以是1,2，…，N，本公开实施例不作限制) 进行多种疾病的检测，筛查类型包括上文所述的激光光斑，以及黄斑、出血、水肿、渗出、棉绒斑等等，本公开实施例不作限制。无论所需检测的病变种类有多少，输出均是按照像素或像素组的单位来完成识别。除此以外，这里的卷积神经网络并不限制于是上文描述的通过迁移学习而获得的新的卷积神经网络，上文描述的卷积神经网络仅是更佳的实施例。
本公开实施例提供的一种眼底图像筛查方法将卷积神经网络的检测对象设置为多个像素或像素组，不仅可以提供有效的医疗检测，例如激光光斑，也可以使用同一网络检测其他的病变，充分利用了眼底图像的数据内容，大大节省了实际中将机器学习应用于医疗图像处理领域所需要部署的计算资源。
本公开实施例提供的眼底图像筛查方法，还可以进一步包括：
步骤S13,根据所述筛查像素或筛查像素组的检测结果，输出所述眼底图像的筛查结果。
在临床上，很多时候眼底出现的改变能够有效揭示全身病变的冰山一角。例如，糖尿病能够引起很多种眼科并发症，包括糖尿病性视网膜病变、白内障、虹睫炎等，其中糖尿病性视网膜病变是最常见也是最严重的并发症之一。临床上，糖尿病的眼底改变多种多样，其基本改变包括微动脉瘤、出血、渗出、黄斑水肿、增殖性病变等。再例如，血压对视网膜动脉的影响，慢性高血压性视网膜病变轻则表现为血管痉挛、变窄、血管壁改变，严重时出现渗出、出血、棉绒斑。同样地，眼底图像的病变识别同样能有效帮助检测感染性心内膜炎、白血病、颞动脉炎等等，本公开实施例不再详细赘述。筛查像素或筛查像素组的检测结果可以包括筛查类型、数量，可以根据实际的诊断需要做进一步的调整，本公开实施例不作限制。
在本公开的一些可选实施例中，所述筛查像素或筛查像素组的筛查类型包括第一筛查类型和/或第二筛查类型，所述眼底图像筛查结果包括第一筛查类型的检测结果和/或第二筛查类型的检测结果。其中，第一筛查类型具体是激光光斑，第二筛查类型具体是糖尿病视网膜病变(例如上文提及的微动脉瘤、出血、渗出、黄斑水肿、增殖性病变等)，第一筛查类型的检测结果具体是激光光凝术，第二筛查类型的检测结果具体是糖尿病视网膜病变。本公开实施例更加关注糖尿病性视网膜病变筛查，由于激光光凝术会在眼底产生激光光斑，该光斑会对眼底筛查结果的准确性造成直接影响，因此就现有技术而言，需要先判断患者之前是否接受过激光光凝术的治疗，并以此辅助糖尿病性视网膜病变筛查。
在本公开的一些可选实施例中，所述筛查像素或筛查像素组的检测结果包括所述筛查像素或筛查像素组的数量。当所述第一筛查类型的数量超过预设值时，判定是第一筛查类型的检测结果。当被判断为激光光斑的像素或像素组超过预设值时，检测结果为实施过激光光凝术，反之则为未实施过激光光凝术。其他病变的检测也可以使用类似的方法或其他的方法，本公开实施例不作限制。
在本公开的一些可选实施例中，本公开实施例提供的眼底图像筛查方法，还可以进一步包括：
步骤S14.根据所述第一筛查类型的检测结果和所述眼底图像，确定第二筛查类型的检测结果。
在一种可选的实施例中，激光光凝术的检测结果可以作为中间变量，与眼底图像一起输入至第二个卷积神经网络，第二神经网络可以是糖尿病性视网膜病变筛查的卷积神经网络，进而完成糖尿病性视网膜病变的识别。在一种可选的实施例中，临床上激光光凝术的检测结果结合一些其他的糖尿病性视网膜病变辅助筛查(例如血糖检查、肾功能检查、胆固醇血脂检查、眼底荧光血管造影、视网膜电图振荡电位等)，医生也可以准确判断糖尿病。因此将激光光凝术和眼底图像输入到设计的诊断模块中，也可以得到糖尿病病变的检测结果。
本公开实施例提供了一种卷积神经网络迁移装置，包括：
池化层改进模块，用于对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入图像的分辨率大于所述第一卷积神经网络的输入图像的分辨率。其中，第一卷积神经网络包括AlexNet、GoogleNet、VGGNet、ResNet、DenseNet、 InceptionNet中的一种；第二卷积神经网络的输入图像为眼底图像，其中眼底图像可以是彩色图像，也可以是黑白图像，本公开实施例不作限制。
相较于一般图像，有些目标图像具有较大的分辨率，例如眼底图像，而目标特征并不是这么大，例如激光光斑，图像的分辨率将会影响卷积神经网络分辨它们的能力。如果输入图像分辨率变成两倍，意味着网络消耗的计算资源将会是原始输入图像对应的四倍左右。继而，第一个全连接层的参数个数将随之增多，最终不可收敛。由此可见，现有技术中的通用卷积神经网络模型并不适用于分辨率较大的输入图像。通过理论研究和实践操作发现在利用卷积神经网络的迁移构建新模型时(从通过ImageNet预先训练的现有模型中迁移对应权重)，如果目标网络(第二卷积神经网络)的输入图像的分辨率大于源网络(第一卷积神经网络)的输入图像的分辨率，调整最后一个池化层可以保持最后特征网络的大小。
在一些实施例中所述池化层改进模块包括：
池化层尺寸扩大模块，用于根据输入图像，对第一卷积神经网络的最后一个池化层的长和宽中任意至少一个维度进行扩大。由于使用场景的差异性，目标网络的输入图像尺寸各有所不同，因为对模型中的最后一个池化层的调整也可以不同。一般采用长和宽来描述池化层的尺寸，因此所述调整可以是针对模型中的最后一个池化层的长和宽中任意至少一个维度进行扩大，一般是调整池化层的长或宽，如果输入图像的长和宽均有所扩大，那可以调整池化层的长和宽。除此以外，对池化层的调整也会随着使用卷积神经网络的变化而变化。例如，对于同样使用全部平均池化层作为最后一个池化层的ResNet、DenseNet、Inception-V3，同样大小的输入图像，对于池化层的调整有所不同。例如，输入图像的分辨率放大成两倍， ResNet和DenseNet的池化层的尺寸将从7×7调整为14×14，而Inception-V3的池化层的尺寸将从12×12调整为24×24。
现有的卷积神经网络均是针对小尺寸的自然图像而设计，在针对一些传统的任务时能够取得很好的效果，但是却无法直接适用于高分辨率的输入图像，例如眼底图像。激光光斑是眼底图像的局部特征，输入图像分辨率更高可以使得卷积神经网络捕捉到更多的局部特征，进而提高检测的准确性。同时，深度学习方法目前仍需要占用较大的计算资源，设计一个专用的卷积神经网络意味着大量的运算成本。基于上文的描述，可以使用迁移学习生成一个专用的激光光凝术的神经网络，同时在保证准确性的基础上降低投入成本。但是，在实际部署中专用网络仍是需要昂贵的运算设备和功耗，并且只能识别激光光斑。因此如图4所示，本公开实施例还提供了一种眼底图像筛查装置，包括：
眼底图像获取模块21，用于获取眼底图像；
第一检测模块22，用于使用训练后的卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型。
在本公开实施例中所使用的卷积神经网络能够针对每个像素或像素组 (像素组包括的像素个数可以是1,2，…，N，本公开实施例不作限制) 进行多种疾病的检测，筛查类型包括上文所述的激光光斑，以及黄斑、出血、水肿、渗出、棉绒斑等等，本公开实施例不作限制。无论所需检测的病变种类有多少，输出均是按照像素或像素组的单位来完成识别。除此以外，这里的卷积神经网络并不限制于是上文描述的通过迁移学习而获得的新的卷积神经网络，上文描述的卷积神经网络仅是更佳的实施例。
在一些实施例中，所述装置还包括，第二检测模块，用于根据所述筛查像素或筛查像素组的检测结果，输出所述眼底图像的筛查结果。
在临床上，很多时候眼底出现的改变能够有效揭示全身病变的冰山一角。例如，糖尿病能够引起很多种眼科并发症，包括糖尿病性视网膜病变、白内障、虹睫炎等，其中糖尿病性视网膜病变是最常见也是最严重的并发症之一。临床上，糖尿病的眼底改变多种多样，其基本改变包括微动脉瘤、出血、渗出、黄斑水肿、增殖性病变等。再例如，血压对视网膜动脉的影响，慢性高血压性视网膜病变轻则表现为血管痉挛、变窄、血管壁改变，严重时出现渗出、出血、棉绒斑。同样地，眼底图像的病变识别同样能有效帮助检测感染性心内膜炎、白血病、颞动脉炎等等，本公开实施例不再详细赘述。筛查像素或筛查像素组的检测结果可以包括筛查类型、数量，可以根据实际的诊断需要做进一步的调整，本公开实施例不作限制。
在一些实施例中，其特征在于，所述筛查像素或筛查像素组的筛查类型包括第一筛查类型和/或第二筛查类型，所述眼底图像筛查结果包括第一筛查类型的检测结果和/或第二筛查类型的检测结果。其中，第一筛查类型具体是激光光斑，第二筛查类型具体是糖尿病视网膜病变(例如上文提及的微动脉瘤、出血、渗出、黄斑水肿、增殖性病变等)，第一筛查类型的检测结果具体是激光光凝术，第二筛查类型的检测结果具体是糖尿病视网膜病变。本公开实施例更加关注糖尿病性视网膜病变筛查，由于激光光凝术会在眼底产生激光光斑，该光斑会对眼底筛查结果的准确性造成直接影响，因此就现有技术而言，需要先判断患者之前是否接受过激光光凝术的治疗，并以此辅助糖尿病性视网膜病变筛查。
在一些实施例中，所述第一检测模块22包括计数模块，用于计算所述筛查像素或筛查像素组的数量，使得所述筛查像素或筛查像素组的检测结果包括所述筛查像素或筛查像素组的数量。
在一些实施例中，所述第一检测模块22包括判断模块，用于当所述第一筛查类型的数量超过预设值时，判定是第一筛查类型的检测结果。
当被判断为激光光斑的像素或像素组超过预设值时，检测结果为实施过激光光凝术，反之则为未实施过激光光凝术。其他病变的检测也可以使用类似的方法或其他的方法，本公开实施例不作限制。
在一些实施例中，所述装置还包括第三检测模块，用于根据所述第一筛查类型的检测结果和所述眼底图像，确定第二筛查类型的检测结果。
在一种可选的实施例中，激光光凝术的检测结果可以作为中间变量，与眼底图像一起输入至第二个卷积神经网络，第二神经网络可以是糖尿病性视网膜病变筛查的卷积神经网络，进而完成糖尿病性视网膜病变的识别。在一种可选的实施例中，临床上激光光凝术的检测结果结合一些其他的糖尿病性视网膜病变辅助筛查(例如血糖检查、肾功能检查、胆固醇血脂检查、眼底荧光血管造影、视网膜电图振荡电位等)，医生也可以准确判断糖尿病性视网膜病变。因此将激光光凝术和眼底图像输入到设计的诊断模块中，也可以得到糖尿病病变的检测结果。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory， RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写： HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
参考附图5，为本公开实施例提供的电子设备示意图。如图5所示，该电子设备500包括：
存储器530以及一个或多个处理器510；
其中，所述存储器530与所述一个或多个处理器510通信连接，所述存储器530中存储有可被所述一个或多个处理器执行的指令532，所述指令 532被所述一个或多个处理器510执行，以使所述一个或多个处理器510执行：
对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入图像的分辨率大于所述第一卷积神经网络的输入图像的分辨率。
电子设备500中的所述指令532也可以使所述一个或多个处理器510执行：
获取眼底图像；
使用训练后的卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述装置实施例中的对应描述，在此不再赘述。
尽管此处所述的主题是在结合操作***和应用程序在计算机***上的执行而执行的一般上下文中提供的，但本领域技术人员可以认识到，还可结合其他类型的程序模块来执行其他实现。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构和其他类型的结构。本领域技术人员可以理解，此处所述的本主题可以使用其他计算机***配置来实践，包括手持式设备、多处理器***、基于微处理器或可编程消费电子产品、小型计算机、大型计算机等，也可使用在其中任务由通过通信网络连接的远程处理设备执行的分布式计算环境中。在分布式计算环境中，程序模块可位于本地和远程存储器存储设备的两者中。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

Claims (15)

1.一种眼底图像筛查方法，其特征在于，包括：
获取眼底图像；
基于训练过的第一卷积神经网络迁移对应权重，再对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入眼底图像的分辨率大于所述第一卷积神经网络的输入眼底图像的分辨率；
使用训练后的第二卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型；
根据所述筛查像素或筛查像素组的检测结果，输出所述眼底图像的筛查结果。
2.根据权利要求1所述的眼底图像筛查方法，其特征在于，所述筛查像素或筛查像素组的筛查类型包括第一筛查类型和/或第二筛查类型，所述眼底图像筛查结果包括第一筛查类型的检测结果和/或第二筛查类型的检测结果。
3.根据权利要求2所述的眼底图像筛查方法，其特征在于，所述筛查像素或筛查像素组的检测结果包括所述筛查像素或筛查像素组的数量。
4.根据权利要求3所述的眼底图像筛查方法，其特征在于，当所述第一筛查类型的数量超过预设值时，判定是第一筛查类型的检测结果。
5.根据权利要求2所述的眼底图像筛查方法，其特征在于，还包括：根据所述第一筛查类型的检测结果和所述眼底图像，确定第二筛查类型的检测结果。
6.根据权利要求1所述的方法，其特征在于，所述对第一卷积神经网络的最后一个池化层进行改进，包括：
根据输入图像，对第一卷积神经网络的最后一个池化层的长和宽中任意至少一个维度进行扩大。
7.根据权利要求1或6所述的方法，其特征在于，所述第一卷积神经网络包括AlexNet、GoogleNet、VGGNet、ResNet、DenseNet、InceptionNet中的一种。
8.一种眼底图像筛查装置，其特征在于，包括：
眼底图像获取模块，用于获取眼底图像；
池化层改进模块，用于基于训练过的第一卷积神经网络迁移对应权重，再对第一卷积神经网络的最后一个池化层进行改进，得到第二卷积神经网络，使得所述第二卷积神经网络的输入眼底图像的分辨率大于所述第一卷积神经网络的输入眼底图像的分辨率；
第一检测模块，用于使用训练后的第二卷积神经网络检测所述眼底图像的多个像素或像素组是否为筛查像素或筛查像素组，所述筛查像素或筛查像素组的筛查类型包括至少一个筛查类型；
第二检测模块，用于根据所述筛查像素或筛查像素组的检测结果，输出所述眼底图像的筛查结果。
9.根据权利要求8所述的眼底图像筛查装置，其特征在于，所述筛查像素或筛查像素组的筛查类型包括第一筛查类型和/或第二筛查类型，所述眼底图像筛查结果包括第一筛查类型的检测结果和/或第二筛查类型的检测结果。
10.根据权利要求9所述的眼底图像筛查装置，其特征在于，所述第一检测模块包括计数模块，用于计算所述筛查像素或筛查像素组的数量，使得所述筛查像素或筛查像素组的检测结果包括所述筛查像素或筛查像素组的数量。
11.根据权利要求10所述的眼底图像筛查装置，其特征在于，所述第一检测模块包括判断模块，用于当所述第一筛查类型的数量超过预设值时，判定是第一筛查类型的检测结果。
12.根据权利要求9所述的眼底图像筛查装置，其特征在于，所述装置还包括第三检测模块，用于根据所述第一筛查类型的检测结果和所述眼底图像，确定第二筛查类型的检测结果。
13.根据权利要求8所述的装置，其特征在于，所述池化层改进模块包括：
池化层尺寸扩大模块，用于根据输入图像，对第一卷积神经网络的最后一个池化层的长和宽中任意至少一个维度进行扩大。
14.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如权利要求1-7任一项所述的方法。
15.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如权利要求1-7任一项所述的方法。
CN201810732805.3A 2018-07-05 2018-07-05 一种眼底图像筛查方法、装置、电子设备及存储介质 Active CN109101994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810732805.3A CN109101994B (zh) 2018-07-05 2018-07-05 一种眼底图像筛查方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810732805.3A CN109101994B (zh) 2018-07-05 2018-07-05 一种眼底图像筛查方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN109101994A CN109101994A (zh) 2018-12-28
CN109101994B true CN109101994B (zh) 2021-08-20

Family

ID=64845527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810732805.3A Active CN109101994B (zh) 2018-07-05 2018-07-05 一种眼底图像筛查方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN109101994B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919831B (zh) * 2019-02-13 2023-08-25 广州视源电子科技股份有限公司 一种用于将视网膜眼底图像在不同图像域中迁移的方法、电子设备及计算机可读存储介质
CN110428421A (zh) * 2019-04-02 2019-11-08 上海鹰瞳医疗科技有限公司 黄斑图像区域分割方法和设备
TWI746987B (zh) * 2019-05-29 2021-11-21 奇景光電股份有限公司 卷積神經網路系統
CN110188820B (zh) * 2019-05-30 2023-04-18 中山大学 基于深度学习子网络特征提取的视网膜oct图像分类方法
CN110222215B (zh) * 2019-05-31 2021-05-04 浙江大学 一种基于f-ssd-iv3的作物害虫检测方法
CN112052935B (zh) * 2019-06-06 2024-06-14 奇景光电股份有限公司 卷积神经网络***
CN110766082B (zh) * 2019-10-25 2022-04-01 成都大学 一种基于迁移学习的植物叶片病虫害程度分类方法
CN112506423B (zh) * 2020-11-02 2021-07-20 北京迅达云成科技有限公司 一种云储存***中动态接入存储设备的方法及装置
CN112446860B (zh) * 2020-11-23 2024-04-16 中山大学中山眼科中心 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法
CN113229818A (zh) * 2021-01-26 2021-08-10 南京航空航天大学 一种基于脑电信号和迁移学习的跨被试人格预测***
CN113133762B (zh) * 2021-03-03 2022-09-30 刘欣刚 一种无创血糖预测方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229673A (zh) * 2016-12-27 2018-06-29 北京市商汤科技开发有限公司 卷积神经网络的处理方法、装置和电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10452899B2 (en) * 2016-08-31 2019-10-22 Siemens Healthcare Gmbh Unsupervised deep representation learning for fine-grained body part recognition
CN106599804B (zh) * 2016-11-30 2019-07-05 哈尔滨工业大学 基于多特征模型的视网膜中央凹检测方法
CN108230354B (zh) * 2017-05-18 2022-05-10 深圳市商汤科技有限公司 目标跟踪、网络训练方法、装置、电子设备和存储介质
CN107563383A (zh) * 2017-08-24 2018-01-09 杭州健培科技有限公司 一种医学影像辅助诊断及半监督样本生成***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229673A (zh) * 2016-12-27 2018-06-29 北京市商汤科技开发有限公司 卷积神经网络的处理方法、装置和电子设备

Also Published As

Publication number Publication date
CN109101994A (zh) 2018-12-28

Similar Documents

Publication Publication Date Title
CN109101994B (zh) 一种眼底图像筛查方法、装置、电子设备及存储介质
Zago et al. Diabetic retinopathy detection using red lesion localization and convolutional neural networks
CN108021916B (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
Wan et al. Deep convolutional neural networks for diabetic retinopathy detection by image classification
Shan et al. A deep learning method for microaneurysm detection in fundus images
Hassanien et al. Retinal blood vessel localization approach based on bee colony swarm optimization, fuzzy c-means and pattern search
CN110084803A (zh) 基于人类视觉***的眼底图像质量评估方法
US11461599B2 (en) Classification of images based on convolution neural networks
CN112017185B (zh) 病灶分割方法、装置及存储介质
Vinayaki et al. Multithreshold image segmentation technique using remora optimization algorithm for diabetic retinopathy detection from fundus images
Jordan et al. A review of feature-based retinal image analysis
Paul et al. Octx: Ensembled deep learning model to detect retinal disorders
Xu et al. Dual-channel asymmetric convolutional neural network for an efficient retinal blood vessel segmentation in eye fundus images
Yang et al. Classification of diabetic retinopathy severity based on GCA attention mechanism
Toğaçar et al. Use of dominant activations obtained by processing OCT images with the CNNs and slime mold method in retinal disease detection
Singh et al. Deep-learning based system for effective and automatic blood vessel segmentation from Retinal fundus images
Niu et al. Automatic localization of optic disc based on deep learning in fundus images
Guru Prasad et al. Glaucoma detection using clustering and segmentation of the optic disc region from retinal fundus images
Zhou et al. Automatic optic disc detection in color retinal images by local feature spectrum analysis
Liu et al. Application of convolution neural network in medical image processing
CN114372985B (zh) 适应多中心图像的糖尿病视网膜病变病灶分割方法及***
Dubey et al. Recent developments on computer aided systems for diagnosis of diabetic retinopathy: a review
Gutierrez et al. Artificial intelligence in glaucoma: posterior segment optical coherence tomography
Singh et al. Optimized convolutional neural network for glaucoma detection with improved optic-cup segmentation
Lim et al. Technical and clinical challenges of AI in retinal image analysis

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
GR01 Patent grant
GR01 Patent grant