CN110110600B - 眼部oct图像病灶识别方法、装置及存储介质 - Google Patents
眼部oct图像病灶识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110110600B CN110110600B CN201910269204.8A CN201910269204A CN110110600B CN 110110600 B CN110110600 B CN 110110600B CN 201910269204 A CN201910269204 A CN 201910269204A CN 110110600 B CN110110600 B CN 110110600B
- Authority
- CN
- China
- Prior art keywords
- vector
- confidence
- focus
- oct image
- classification model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 191
- 238000013145 classification model Methods 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000011176 pooling Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 105
- 238000012795 verification Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 27
- 230000003902 lesion Effects 0.000 claims description 26
- 238000002372 labelling Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000012014 optical coherence tomography Methods 0.000 description 103
- 239000000049 pigment Substances 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 7
- 210000000981 epithelium Anatomy 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 230000001668 ameliorated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000011190 diabetic macular edema Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种眼部OCT图像病灶识别方法、装置和介质,方法包括:获取眼部的原始OCT图像,对原始OCT图像进行预处理;将预处理后的OCT图像输入经过训练得到的分类模型中,通过分类模型得到置信度向量,其中,分类模型包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入预处理后的OCT图像,卷积层、池化层和全连接层中每一层的输入均来自前面所有层的输出,输出层用于输出一种或多种病灶类型为阳性的置信度向量;根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。本发明仅用一个分类模型即可自动识别同一张眼部OCT图像中的多种病灶类型,提高降低时间损耗,节约成本。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种眼部OCT图像病灶识别方法、装置及存储介质。
背景技术
人工智能算法可以基于眼科光学相干断层扫描(OCT,Optical Coherencetomography)图像自动识别相关眼部疾病,但现有方法大多仅对图像进行正常/异常二分类识别,或对异常图片属于某一类眼科病种(如老年黄斑变性、糖尿病黄斑水肿等)进行病种的多类别分类(multi-class classification)。一个分类模型仅能识别一张OCT图像中的一种病灶,然而在实际临床中,一张OCT图像中可能包括多种病灶,医生往往需要识别图像中的不同病灶征象。现有技术中,通常使用多个二分类模型对OCT图像中的每一个病灶进行识别,时间损耗和计算资源开销较大。
发明内容
本发明提供一种眼部OCT图像病灶识别方法、装置及存储介质,以解决现有技术中使用多个二分类模型对一张OCT图像中的每个病灶识别导致时间损耗和计算资源开销较大的问题。
为了实现上述目的,本发明的一个方面是提供一种眼部OCT图像病灶识别方法,包括:
获取眼部的原始OCT图像,包括:获取眼部的原始OCT图像;对原始OCT图像进行预处理,得到与分类模型相匹配的预处理后的OCT图像;
将预处理后的OCT图像输入经过训练得到的分类模型中,通过所述分类模型得到置信度向量,其中,所述分类模型包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入预处理后的OCT图像,所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述输出层用于输出置信度向量,所述置信度向量表示一种或多种病灶类型为阳性的概率;
根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。
优选地,所述分类模型的训练步骤包括:
获取OCT图像样本,并对每个样本均标注多种病灶类型,得到与所述样本对应的标签向量;
将标注后的样本按比例划分为训练集、验证集和测试集,且每个集合中均包括所标注的所有病灶类型中的每种病灶呈阳性的样本;
构建密集连接卷积神经网络;
将训练集中的训练样本和对应的标签向量输入所述神经网络中进行训练,生成分类模型;
利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量;
利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率,若所述准确率大于或等于预设准确率,则训练结束,若所述准确率小于预设准确率,则继续上述训练步骤。
优选地,通过所述分类模型得到置信度向量的步骤包括:
根据下式得到病灶类型呈阳性的置信度:
l=δ(wx+b)
其中,l表示病灶类型呈阳性的置信度,x为最后一层全连接层的输入;w为最后一层全连接层的权重;b为最后一层全连接层的偏置;δ为激活函数;
将得到的置信度按照标签向量中各向量元素的位置与病灶类型的对应顺序组成置信度向量。
优选地,利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量的步骤包括:对预设的各个病灶类型逐个进行置信度阈值的确定;将确定的置信度阈值按照标签向量中各向量元素的位置与病灶类型的对应顺序组成阈值向量。
优选地,对病灶类型进行置信度阈值的确定的步骤包括:
将验证集中的验证样本分别输入所述分类模型中;
通过所述分类模型得到多个验证样本中所述病灶类型呈阳性的置信度集合;
计算所述置信度集合中各个置信度分别作为置信度阈值时,所述病灶类型的约登指数,得到约登指数集合;
确定所述约登指数集合中的最大约登指数值对应的置信度,作为所述病灶类型的置信度阈值。
优选地,利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率的步骤包括:
将所述测试集中的测试样本输入所述分类模型中,通过所述分类模型得到与所述测试样本对应的置信度向量;
将所述置信度向量中的向量元素值与所述阈值向量中对应位置的置信度阈值分别比较,得到所述测试集中的测试样本的测试结果,其中,若所述置信度向量中的向量元素值大于或等于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阴性;
将所述测试结果与标注结果进行比较,得到所述分类模型的准确率。
优选地,根据所述置信度向量得到所述OCT图像的一种或多种病灶类型的步骤包括:
根据病灶类型设定与所述病灶类型对应的置信度阈值;
将所述置信度向量中的向量元素值与设定的置信度阈值比较,若置信度向量中的向量元素值大于或等于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阴性。
优选地,对原始OCT图像进行预处理,包括:通过添加边框将原始OCT图像的尺寸修正为方形图像;将修正后的方形图像按照分类模型设定的输入图像尺寸进行扩大或缩小。
为了实现上述目的,本发明的另一个方面是提供一种电子装置,该电子装置包括:
处理器;存储器,所述存储器中包括眼部OCT图像病灶识别程序,所述眼部OCT图像病灶识别程序被所述处理器执行时实现如上所述的眼部OCT图像病灶识别方法的步骤。
为了实现上述目的,本发明的再一个方面是提供一种计算机可读存储介质,所述计算机可读存储介质中包括眼部OCT图像病灶识别程序,所述眼部OCT图像病灶识别程序被处理器执行时,实现如上所述的眼部OCT图像病灶识别方法的步骤。
相对于现有技术,本发明具有以下优点和有益效果:
本发明通过构建密集连接的卷积神经网络生成分类模型,以识别一张眼部OCT图像中存在的一种或多种病灶类型,从而可以仅用一个分类模型即可识别出一张眼部OCT图像中的多种病灶类型,无需多个分类模型对多种病灶类型进行分别识别,降低时间损耗和计算资源开销,并提高了识别预测效率,节约成本。通过本发明自动识别出一张眼部OCT图像中的多种不同病灶类型,可以给临床医生提供更多的诊断信息,从而提高诊断正确率。
附图说明
图1为本发明所述眼部OCT图像病灶识别方法的流程示意图;
图2为本发明中眼部OCT图像病灶识别程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将参考附图来描述本发明所述的实施例。本领域的普通技术人员可以认识到,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式或其组合对所描述的实施例进行修正。因此,附图和描述在本质上是说明性的,仅仅用以解释本发明,而不是用于限制权利要求的保护范围。此外,在本说明书中,附图未按比例画出,并且相同的附图标记表示相同的部分。
在一张眼部OCT图像中可能包括一种或多种病灶类型,使用同一个分类模型同时识别多种病灶类型,有利于提高对病灶的预测效率。图1为本发明所述眼部OCT图像病灶识别方法的流程示意图,如图1所示,本发明所述眼部OCT图像病灶识别方法包括以下步骤:
步骤S1、获取眼部的OCT图像;
步骤S2、将OCT图像输入经过训练得到的分类模型中,通过所述分类模型得到置信度向量,其中,所述分类模型由密集连接卷积神经网络构成,包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入所述OCT图像,所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,形成密集连接,所述输出层用于输出置信度向量,所述置信度向量表示一种或多种病灶类型为阳性的概率,置信度向量中的每个向量元素均表示一种类型的病灶呈阳性的置信度,所述置信度位于0-1之间,且每次通过分类模型得到的置信度向量中表示病灶类型的各向量元素的位置是固定不变的,向量中的一个元素位置对应一种病灶类型,从而可以通过所述分类模型识别多种病灶类型;
步骤S3、根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。
本发明通过密集连接的卷积神经网络构成的分类模型识别眼部OCT图像中的病灶类型,可以仅用一个分类模型即可识别出一张眼部OCT图像中的多种病灶类型,降低时间损耗和计算资源开销,提高了识别预测效率,节约成本。通过同时自动识别出多种不同病灶类型,可以给临床医生更多的诊断信息,提高诊断正确率。
本发明的一个可选实施例中,所述获取眼部的OCT图像的步骤包括:获取眼部的原始OCT图像;对原始OCT图像进行预处理,得到与分类模型相匹配的OCT图像。进一步地,对原始OCT图像进行预处理的步骤包括:通过添加边框将所述OCT图像尺寸修正为方形图像;将修正后的方形图像按照所述分类模型设定的输入图像尺寸进行扩大或缩小。
例如,一般获取的原始OCT图像的分辨率为497*767,通过在原始OCT图像的上方和下方添加同样大小的边框(padding),将原始OCT图像修正为767*767的方形图像,根据本发明中分类模型设定的输入图像尺寸,对修正得到的767*767的方形图像进行大小的调整(扩大或缩小),使之与分类模型相匹配,可以输入至所述分类模型中。
将获取的经过预处理后的眼部OCT图像输入经过训练得到的分类模型中,自动识别该OCT图像中的一种或多种病灶类型,在分类模型的训练阶段,选取多名患者的眼部OCT图像作为样本,进行分类模型训练、验证和测试,通常样本数量越多,对分类模型的训练结果越准确,但要综合考虑运算效率。
本发明的一个实施例中,所述分类模型的训练步骤包括:
获取OCT图像样本(一定数量的眼部OCT图像),并对每个样本均标注多种病灶类型,得到与所述样本对应的标签向量,本发明中,对每个样本标注N种病灶类型(例如,包括视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣等病灶类型),生成N维标签向量,标签向量中的每个向量元素均对应一种病灶类型呈阳性或阴性,例如,0表示阴性,1表示阳性,生成标签向量[0,1,1,0,0],则,第二种和第三种病灶呈阳性,其他病灶呈阴性,对于每个样本生成的标签向量中向量元素所对应的病灶类型的顺序是固定不变的,例如,若对样本标注视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣共四种病灶类型,生成四维标签向量,每个向量元素表示一种病灶,若与第一个图像样本对应的标签向量为[0,1,0,1],则与第一个图像样本对应的视网膜内高反射点和玻璃膜疣两种病灶呈阳性,另外两种病灶呈阴性,若与第二个图像样本对应的标签向量为[1,1,0,0],则与第二个图像样本对应的视网膜内积液和视网膜内高反射点两种病灶呈阳性,另外两种病灶呈阴性;
将标注后的样本按比例划分为训练集、验证集和测试集,且每个集合中均包括所标注的所有病灶类型中的每种病灶呈阳性的样本;
构建密集连接卷积神经网络(本发明中构建的密集连接卷积神经网络包括卷积层、池化层、全连接层共121层);
将训练集中的训练样本和对应的标签向量输入所述神经网络中进行训练,生成分类模型,其中,训练参数包括神经网络各连接层之间的连接权重和偏置;
利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量;
利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率,若所述准确率大于或等于预设准确率,则训练结束,若所述准确率小于预设准确率,则继续上述训练步骤,其中,预设准确率可以设定为90%或95%。
本发明的一个可选实施例中,利用训练集中的训练样本训练神经网络时,设置以下几种参数:
(1)采用Adam优化方法,学习率(lr,Learning rate)为0.0001;
(2)进行梯度下降时每个批量(batch)包含的训练样本数(批尺寸,batch_size)为32,迭代次数(nb_epoch)为50;
(3)通过设置shuffle=TRUE,使得在训练过程中随机打乱输入的训练样本顺序;
(4)调整样本权重(sample_weight),用于对训练样本进行加权,改善训练样本不均衡问题;
(5)损失函数采用二值交叉熵损失函数,激活函数采用sigmoid函数。
需要说明的是,本发明中激活函数的使用不限于sigmoid函数,也可以是tanh函数、ReLU函数、PReLU函数等函数。
本发明的一个实施例中,通过所述分类模型得到置信度向量的步骤包括:
根据下式得到病灶类型呈阳性的置信度:
l=δ(wx+b)
其中,l表示病灶类型呈阳性的置信度,x为最后一层全连接层的输入;w为该全连接层的权重;b为该全连接层的偏置;δ为激活函数,可选用sigmoid函数,即δ(x)=1/(1+e-x);
将得到的置信度按照标签向量中各向量元素的位置与病灶类型的对应顺序组成置信度向量。
本发明的一个实施例中,利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量的步骤包括:
对预设的各个病灶类型逐个进行置信度阈值的确定,以使得每种病灶类型均有与之对应的置信度阈值,不同病灶类型的置信度阈值可以相同或不同;
将确定的置信度阈值按照标签向量中各向量元素的位置与病灶类型的对应顺序组成阈值向量。
进一步地,对病灶类型进行置信度阈值的确定的步骤包括:
将验证集中的验证样本分别输入所述分类模型中;
通过所述分类模型得到多个验证样本中所述病灶类型呈阳性的置信度集合,记为L={l1,l2,l3,…li,…ln},其中,L表示置信度集合,l表示病灶类型呈阳性的置信度,i表示验证集中验证样本的索引,n表示验证集中验证样本的总数量,li表示验证集的第i个验证样本中病灶类型呈阳性的置信度;
计算所述置信度集合中各个置信度分别作为置信度阈值时,所述病灶类型的约登指数(Youden Index),得到约登指数集合,记为Y={y1,y2,y3,…yi,…yn},其中,Y表示约登指数集合,y表示约登指数值,i表示验证集中验证样本的索引,n表示验证集中验证样本的总数量,yi表示置信度li作为所述病灶类型的置信度阈值时得到的约登指数值,其中,约登指数值=灵敏度+特异度-1,灵敏度为病灶实际呈阳性被判定为阳性的概率,灵敏度越高,分类模型的识别准确率越高,特异度为病灶实际呈阴性被判定为阴性的概率,特异度越高,分类模型的识别准确率越高,可通过灵敏度和特异度等衡量分类模型的准确度;
确定所述约登指数集合中的最大约登指数值对应的置信度,作为所述病灶类型的置信度阈值。
本发明中,在置信度阈值设定阶段,可以依照上述方法,分别获取一张眼部OCT图像中多个病灶类型对应的置信度阈值,最终得到分类模型的置信度阈值向量,也可以根据病灶类型的不同,预先设定各种病灶类型对应的置信度阈值。
本发明的一个可选实施例中,根据所述置信度向量得到所述OCT图像的一种或多种病灶类型的步骤包括:
根据病灶类型设定与所述病灶类型对应的置信度阈值;
将所述置信度向量中的向量元素值与设定的置信度阈值比较,若置信度向量中的向量元素值大于或等于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阴性,从而得到与所述OCT图像对应的呈阳性的一种或多种病灶类型。
优选地,利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率的步骤包括:
将所述测试集中的测试样本输入所述分类模型中,通过所述分类模型得到与所述测试样本对应的置信度向量;
将所述置信度向量中的向量元素值与所述阈值向量中对应位置的置信度阈值分别比较,得到所述测试集中的测试样本的测试结果(测试结果为得到的与测试样本相对应的呈阳性的病灶类型),其中,若所述置信度向量中的向量元素值大于或等于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阴性;
将所述测试结果与标注结果相比较,得到所述分类模型的准确率。
例如,对测试集中的测试样本标注视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣共四种病灶类型,生成四维标签向量。若与该测试样本对应的标签向量为[0,1,0,1],则与该测试样本对应的视网膜内高反射点和玻璃膜疣两种病灶呈阳性,另外两种病灶呈阴性,此为该测试样本的标注结果。将该测试样本输入所述分类模型中,通过所述分类模型得到置信度向量为[0.4,0.1,0.5,0.9],与该测试样本对应的置信度阈值向量为[0.8,0.3,0.4,0.6],则通过分类模型得到与该测试样本对应的色素上皮脱离和玻璃膜疣两种病灶类型呈阳性,另外两种病灶呈阴性,此为该测试样本的测试结果。将测试结果与标注结果相比较,得到分类模型此次对病灶进行分类识别的准确率为50%。通过比较测试集中的多个测试样本的测试结果与标注结果,最终得到分类模型的综合准确率,作为该模型的最终准确率。
本发明的一个实施例中,通过下式获取分类模型的准确率:
其中,P表示分类模型的准确率;j表示测试样本的索引;m表示测试集中测试样本的数量;a表示测试集中测试样本的权重值;pj表示分类模型对测试集中第j个测试样本分类识别的准确率。
通过向不同的测试样本施加不同的权重值,以改善样本不均衡的问题。
本发明所述眼部OCT图像病灶识别方法应用于电子装置,所述电子装置可以是电视机、智能手机、平板电脑、计算机等终端设备。
所述电子装置包括:处理器;存储器,用于存储眼部OCT图像病灶识别程序,处理器执行所述眼部OCT图像病灶识别程序,实现以下的眼部OCT图像病灶识别方法的步骤:
获取眼部的OCT图像;
将获取的OCT图像输入经过训练得到的分类模型中,通过所述分类模型得到置信度向量,其中,所述分类模型包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入所述OCT图像,所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述输出层用于输出置信度向量,所述置信度向量表示一种或多种病灶类型为阳性的概率;
根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。
所述电子装置还包括网络接口和通信总线等。其中,网络接口可以包括标准的有线接口、无线接口,通信总线用于实现各个组件之间的连接通信。
存储器包括至少一种类型的可读存储介质,可以是闪存、硬盘、光盘等非易失性存储介质,也可以是插接式硬盘等,且并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关联的数据文件并向处理器提供指令或软件程序以使该处理器能够执行指令或软件程序的任何装置。本发明中,存储器存储的软件程序包括眼部OCT图像病灶识别程序,并可以向处理器提供该眼部OCT图像病灶识别程序,以使得处理器可以执行该眼部OCT图像病灶识别程序,实现眼部OCT图像病灶识别方法的步骤。
处理器可以是中央处理器、微处理器或其他数据处理芯片等,可以运行存储器中的存储程序,例如,本发明中眼部OCT图像病灶识别程序。
所述电子装置还可以包括显示器,显示器也可以称为显示屏或显示单元。在一些实施例中显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及有机发光二极管(Organic Light-Emitting Diode,OLED)触摸器等。显示器用于显示在电子装置中处理的信息以及用于显示可视化的工作界面,包括对OCT图像病灶的识别结果。
所述电子装置还可以包括用户接口,用户接口可以包括输入单元(比如键盘)、语音输出装置(比如音响、耳机)等。
本发明所述电子装置包括图像获取模块,通过所述图像获取模块获取眼部的OCT图像。本发明的一个可选实施例中,所述图像获取模块包括:获取单元,获取眼部的原始OCT图像;预处理单元,对原始OCT图像进行预处理,得到与分类模型相匹配的OCT图像。进一步地,所述预处理单元包括:第一修正子单元,通过添加边框将所述OCT图像尺寸修正为方形图像;第二修正子单元,将修正后的方形图像按照所述分类模型设定的输入图像尺寸进行扩大或缩小。
例如,一般获取的原始OCT图像的分辨率为497*767,通过第一修正子单元在原始OCT图像的上方和下方添加同样大小的边框(padding),将原始OCT图像修正为767*767的方形图像,根据本发明中分类模型设定的输入图像尺寸,通过第二修正子单元对修正得到的767*767的方形图像进行大小的调整(扩大或缩小),使之与分类模型相匹配,可以输入至所述分类模型中。
将获取的经过预处理后的眼部OCT图像输入经过训练得到的分类模型中,自动识别该OCT图像中的一种或多种病灶类型,在分类模型的训练阶段,选取多名患者的眼部OCT图像作为样本,进行分类模型训练、验证和测试,通常样本数量越多,对分类模型的训练结果越准确,但要综合考虑运算效率。
本发明的一个实施例中,通过训练模块训练所述分类模型,所述训练模块包括:
样本获取单元,获取OCT图像样本(一定数量的眼部OCT图像);
样本标注单元,对获取的每个样本均标注多种病灶类型,得到与所述样本对应的标签向量,本发明中,对每个样本标注N种病灶类型(例如,包括视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣等病灶类型),生成N维标签向量,标签向量中的每个向量元素均对应一种病灶类型呈阳性或阴性,例如,0表示阴性,1表示阳性,生成标签向量[0,1,1,0,0],则,第二种和第三种病灶呈阳性,其他病灶呈阴性,对于每个样本生成的标签向量中向量元素所对应的病灶类型的顺序是固定不变的,例如,若对样本标注视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣共四种病灶类型,生成四维标签向量,每个向量元素表示一种病灶,若与第一个图像样本对应的标签向量为[0,1,0,1],则与第一个图像样本对应的视网膜内高反射点和玻璃膜疣两种病灶呈阳性,另外两种病灶呈阴性,若与第二个图像样本对应的标签向量为[1,1,0,0],则与第二个图像样本对应的视网膜内积液和视网膜内高反射点两种病灶呈阳性,另外两种病灶呈阴性;
划分单元,将标注后的样本按比例划分为训练集、验证集和测试集,且每个集合中均包括所标注的所有病灶类型中的每种病灶呈阳性的样本;
构建单元,构建密集连接卷积神经网络(本发明中构建的密集连接卷积神经网络包括卷积层、池化层、全连接层共121层);
训练单元,将训练集中的训练样本和对应的标签向量输入所述神经网络中进行训练,生成分类模型,其中,训练参数包括神经网络各连接层之间的连接权重和偏置;
验证单元,利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量;
测试单元,利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率,若所述准确率大于或等于预设准确率,则训练结束,若所述准确率小于预设准确率,则继续上述训练步骤,其中,预设准确率可以设定为90%或95%。
本发明的一个可选实施例中,所述训练单元利用训练集中的训练样本训练神经网络时,设置以下几种参数:
(1)采用Adam优化方法,学习率(lr,Learning rate)为0.0001;
(2)进行梯度下降时每个批量(batch)包含的训练样本数(批尺寸,batch_size)为32,迭代次数(nb_epoch)为50;
(3)通过设置shuffle=TRUE,使得在训练过程中随机打乱输入的训练样本顺序;
(4)调整样本权重(sample_weight),用于对训练样本进行加权,改善训练样本不均衡问题;
(5)损失函数采用二值交叉熵损失函数,激活函数采用sigmoid函数。
需要说明的是,本发明中激活函数的使用不限于sigmoid函数,也可以是tanh函数、ReLU函数、PReLU函数等函数。
本发明中通过分类模块得到置信度向量,在一个实施例中,所述分类模块包括:
置信度获取单元,根据下式得到病灶类型呈阳性的置信度:
l=δ(wx+b)
其中,l表示病灶类型呈阳性的置信度,x为最后一层全连接层的输入;w为该全连接层的权重;b为该全连接层的偏置;δ为激活函数,可选用sigmoid函数,即δ(x)=1/(1+e-x);
置信度向量获取单元,将得到的置信度按照标签向量中各向量元素的位置与病灶类型的对应顺序组成置信度向量。
本发明的一个实施例中,所述验证单元包括:
阈值确定子单元,对预设的各个病灶类型逐个进行置信度阈值的确定,以使得每种病灶类型均有与之对应的置信度阈值,不同病灶类型的置信度阈值可以相同或不同;
阈值向量构成子单元,将确定的置信度阈值按照标签向量中各向量元素的位置与病灶类型的对应顺序组成阈值向量。
进一步地,所述阈值确定子单元通过下述步骤确定病灶类型的置信度阈值:
将验证集中的验证样本分别输入所述分类模型中;
通过所述分类模型得到多个验证样本中所述病灶类型呈阳性的置信度集合,记为L={l1,l2,l3,…li,…ln},其中,L表示置信度集合,l表示病灶类型呈阳性的置信度,i表示验证集中验证样本的索引,n表示验证集中验证样本的总数量,li表示验证集的第i个验证样本中病灶类型呈阳性的置信度;
计算所述置信度集合中各个置信度分别作为置信度阈值时,所述病灶类型的约登指数(Youden Index),得到约登指数集合,记为Y={y1,y2,y3,…yi,…yn},其中,Y表示约登指数集合,y表示约登指数值,i表示验证集中验证样本的索引,n表示验证集中验证样本的总数量,yi表示置信度li作为所述病灶类型的置信度阈值时得到的约登指数值,其中,约登指数值=灵敏度+特异度-1,灵敏度为病灶实际呈阳性被判定为阳性的概率,灵敏度越高,分类模型的识别准确率越高,特异度为病灶实际呈阴性被判定为阴性的概率,特异度越高,分类模型的识别准确率越高;
确定所述约登指数集合中的最大约登指数值对应的置信度,作为所述病灶类型的置信度阈值。
本发明中,在置信度阈值设定阶段,可以依照上述方法,分别获取一张眼部OCT图像中多个病灶类型对应的置信度阈值,最终得到分类模型的置信度阈值向量,也可以根据病灶类型的不同,预先设定各种病灶类型对应的置信度阈值。
本发明所述电子装置包括识别模块,所述识别模块根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。本发明的一个可选实施例中,所述识别模块包括:
阈值设定单元,根据病灶类型设定与所述病灶类型对应的置信度阈值;
病灶识别单元,将所述置信度向量中的向量元素值与设定的置信度阈值比较,若置信度向量中的向量元素值大于或等于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阴性,从而得到与所述OCT图像对应的呈阳性的一种或多种病灶类型。
优选地,所述电子装置执行所述眼部OCT图像病灶识别程序,还实现以下测试所述分类模型的准确率的步骤,包括:
将所述测试集中的测试样本输入所述分类模型中,通过所述分类模型得到与所述测试样本对应的置信度向量;
将所述置信度向量中的向量元素值与所述阈值向量中对应位置的置信度阈值分别比较,得到所述测试集中的测试样本的测试结果(测试结果为得到的与测试样本相对应的呈阳性的病灶类型),其中,若所述置信度向量中的向量元素值大于或等于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与该向量元素值对应的病灶类型呈阴性;
将所述测试结果与标注结果相比较,得到所述分类模型的准确率。
例如,对测试集中的测试样本标注视网膜内积液、视网膜内高反射点、色素上皮脱离、玻璃膜疣共四种病灶类型,生成四维标签向量。若与该测试样本对应的标签向量为[0,1,0,1],则与该测试样本对应的视网膜内高反射点和玻璃膜疣两种病灶呈阳性,另外两种病灶呈阴性,此为该测试样本的标注结果。将该测试样本输入所述分类模型中,通过所述分类模型得到置信度向量为[0.4,0.1,0.5,0.9],与该测试样本对应的置信度阈值向量为[0.8,0.3,0.4,0.6],则通过分类模型得到与该测试样本对应的色素上皮脱离和玻璃膜疣两种病灶类型呈阳性,另外两种病灶呈阴性,此为该测试样本的测试结果。将测试结果与标注结果相比较,得到分类模型此次对病灶进行分类识别的准确率为50%。通过比较测试集中的多个测试样本的测试结果与标注结果,最终得到分类模型的综合准确率,作为该模型的最终准确率。
本发明的一个实施例中,所述测试单元通过下式获取分类模型的准确率:
其中,P表示分类模型的准确率;j表示测试样本的索引;m表示测试集中测试样本的数量;a表示测试集中测试样本的权重值;pj表示分类模型对测试集中第j个测试样本分类识别的准确率。
在其他实施例中,眼部OCT图像病灶识别程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器中,并由处理器执行,以完成本发明。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段。图2为本发明中眼部OCT图像病灶识别程序的模块示意图,如图2所示,所述眼部OCT图像病灶识别程序可以被分割为:图像获取模块1、分类模块2和识别模块3。上述模块所实现的功能或操作步骤均与上文类似,此处不再详述,示例性地,例如其中:
图像获取模块1,获取眼部的OCT图像;
分类模块2,将获取的经过预处理后的OCT图像输入经过训练得到的分类模型中,通过所述分类模型得到置信度向量,其中,所述分类模型包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入经过预处理后的OCT图像,所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述输出层用于输出置信度向量,所述置信度向量表示一种或多种病灶类型为阳性的概率;
识别模块3,根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。
本发明的一个实施例中,计算机可读存储介质可以是任何包含或存储程序或指令的有形介质,其中的程序可以被执行,通过存储的程序指令相关的硬件实现相应的功能。例如,计算机可读存储介质可以是计算机磁盘、硬盘、随机存取存储器、只读存储器等。本发明并不限于此,可以是以非暂时性方式存储指令或软件以及任何相关数据文件或数据结构并且可提供给处理器以使处理器执行其中的程序或指令的任何装置。所述计算机可读存储介质中包括眼部OCT图像病灶识别程序,所述眼部OCT图像病灶识别程序被处理器执行时,实现如下的眼部OCT图像病灶识别方法:
获取眼部的OCT图像;
将获取的经过预处理后的OCT图像输入经过训练得到的分类模型中,通过所述分类模型得到置信度向量,其中,所述分类模型包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入预处理后的OCT图像,所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,所述输出层用于输出置信度向量,所述置信度向量表示一种或多种病灶类型为阳性的概率;
根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。
本发明之计算机可读存储介质的具体实施方式与上述眼部OCT图像病灶识别方法、电子装置的具体实施方式大致相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种眼部OCT图像病灶识别方法,应用于电子装置,其特征在于,包括:
获取眼部的原始OCT图像,对原始OCT图像进行预处理,得到与分类模型相匹配的预处理后的OCT图像;
将所述预处理后的OCT图像输入经过训练得到的分类模型中,通过所述分类模型得到置信度向量,其中,所述分类模型由密集连接卷积神经网络构成,包括输入层、卷积层、池化层、全连接层和输出层,所述输入层用于输入预处理后的OCT图像,所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出,形成密集连接,所述输出层用于输出置信度向量,所述置信度向量中的每个向量元素均表示一种类型的病灶呈阳性的置信度,所述置信度位于0-1之间,且每次通过分类模型得到的置信度向量中表示病灶类型的各向量元素的位置固定不变,所述置信度向量表示一种或多种病灶类型为阳性的概率;
根据所述置信度向量得到所述OCT图像的一种或多种病灶类型;其中包括:根据病灶类型设定与所述病灶类型对应的置信度阈值;将所述置信度向量中的向量元素值与设定的置信度阈值比较,若置信度向量中的向量元素值大于或等于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阴性;
其中,所述分类模型的训练步骤包括:
获取OCT图像样本,并对每个样本均标注多种病灶类型,得到与所述样本对应的标签向量;
将标注后的样本按比例划分为训练集、验证集和测试集,且每个集合中均包括所标注的所有病灶类型中的每种病灶呈阳性的样本;
构建密集连接卷积神经网络;
将训练集中的训练样本和对应的标签向量输入所述神经网络中进行训练,生成分类模型;
利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量;
利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率,若所述准确率大于或等于预设准确率,则训练结束,若所述准确率小于预设准确率,则继续上述训练步骤;
其中,利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量的步骤包括:
对预设的各个病灶类型逐个进行置信度阈值的确定;
将确定的置信度阈值按照标签向量中各向量元素的位置与病灶类型的对应顺序组成阈值向量。
2.根据权利要求1所述的眼部OCT图像病灶识别方法,其特征在于,通过所述分类模型得到置信度向量的步骤包括:
根据下式得到病灶类型呈阳性的置信度:
l=δ(wx+b)
其中,l表示病灶类型呈阳性的置信度,x为最后一层全连接层的输入;w为最后一层全连接层的权重;b为最后一层全连接层的偏置;δ为激活函数;
将得到的置信度按照标签向量中各向量元素的位置与病灶类型的对应顺序组成置信度向量。
3.根据权利要求1所述的眼部OCT图像病灶识别方法,其特征在于,对病灶类型进行置信度阈值的确定的步骤包括:
将验证集中的验证样本分别输入所述分类模型中;
通过所述分类模型得到多个验证样本中所述病灶类型呈阳性的置信度集合;
计算所述置信度集合中各个置信度分别作为置信度阈值时,所述病灶类型的约登指数,得到约登指数集合;
确定所述约登指数集合中的最大约登指数值对应的置信度,作为所述病灶类型的置信度阈值。
4.根据权利要求1所述的眼部OCT图像病灶识别方法,其特征在于,利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率的步骤包括:
将所述测试集中的测试样本输入所述分类模型中,通过所述分类模型得到与所述测试样本对应的置信度向量;
将所述置信度向量中的向量元素值与所述阈值向量中对应位置的置信度阈值分别比较,得到所述测试集中的测试样本的测试结果,其中,若所述置信度向量中的向量元素值大于或等于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阳性,若所述置信度向量中的向量元素值小于对应的置信度阈值,则与所述向量元素值对应的病灶类型呈阴性;
将所述测试结果与标注结果进行比较,得到所述分类模型的准确率。
5.根据权利要求1所述的眼部OCT图像病灶识别方法,其特征在于,对原始OCT图像进行预处理,包括:通过添加边框将原始OCT图像的尺寸修正为方形图像;将修正后的方形图像按照分类模型设定的输入图像尺寸进行扩大或缩小。
6.一种电子装置,其特征在于,该电子装置包括:
处理器;
存储器,所述存储器中包括眼部OCT图像病灶识别程序,所述眼部OCT图像病灶识别程序被所述处理器执行时实现如权利要求1至5中任一项所述的眼部OCT图像病灶识别方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括眼部OCT图像病灶识别程序,所述眼部OCT图像病灶识别程序被处理器执行时,实现如权利要求1至5中任一项所述的眼部OCT图像病灶识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269204.8A CN110110600B (zh) | 2019-04-04 | 2019-04-04 | 眼部oct图像病灶识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269204.8A CN110110600B (zh) | 2019-04-04 | 2019-04-04 | 眼部oct图像病灶识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110110600A CN110110600A (zh) | 2019-08-09 |
CN110110600B true CN110110600B (zh) | 2024-05-24 |
Family
ID=67484972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269204.8A Active CN110110600B (zh) | 2019-04-04 | 2019-04-04 | 眼部oct图像病灶识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110110600B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
CN110689025B (zh) * | 2019-09-16 | 2023-10-27 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置、***及内窥镜图像识别方法、装置 |
CN111008643B (zh) * | 2019-10-29 | 2024-03-19 | 平安科技(深圳)有限公司 | 基于半监督学习的图片分类方法、装置和计算机设备 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测*** |
CN111461220B (zh) * | 2020-04-01 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 图像分析方法、图像分析装置及图像分析*** |
CN111667468A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技(深圳)有限公司 | 基于神经网络的oct图像病灶检测方法、装置及介质 |
CN111833298B (zh) * | 2020-06-04 | 2022-08-19 | 石家庄喜高科技有限责任公司 | 骨骼发育等级检测方法及终端设备 |
CN112132782B (zh) * | 2020-08-21 | 2023-09-05 | 广东省人民医院 | 一种基于深度神经网络对dme分型进行处理的方法和终端 |
CN112634206A (zh) * | 2020-12-09 | 2021-04-09 | 上海健康医学院 | 一种pet图像的病灶检测方法、***、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437092A (zh) * | 2017-06-28 | 2017-12-05 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
WO2018094381A1 (en) * | 2016-11-21 | 2018-05-24 | Tecumseh Vision, Llc | System and method for automatic assessment of disease condition using oct scan data |
CN108665474A (zh) * | 2017-03-31 | 2018-10-16 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
CN109447065A (zh) * | 2018-10-16 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
-
2019
- 2019-04-04 CN CN201910269204.8A patent/CN110110600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018094381A1 (en) * | 2016-11-21 | 2018-05-24 | Tecumseh Vision, Llc | System and method for automatic assessment of disease condition using oct scan data |
CN108665474A (zh) * | 2017-03-31 | 2018-10-16 | 中南大学 | 一种基于b-cosfire的眼底图像视网膜血管分割方法 |
CN107437092A (zh) * | 2017-06-28 | 2017-12-05 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
CN108052909A (zh) * | 2017-12-15 | 2018-05-18 | 中国人民解放军总医院 | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 |
CN109447065A (zh) * | 2018-10-16 | 2019-03-08 | 杭州依图医疗技术有限公司 | 一种乳腺影像识别的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110110600A (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110600B (zh) | 眼部oct图像病灶识别方法、装置及存储介质 | |
US11961227B2 (en) | Method and device for detecting and locating lesion in medical image, equipment and storage medium | |
US11487995B2 (en) | Method and apparatus for determining image quality | |
Wang et al. | Diabetic retinopathy stage classification using convolutional neural networks | |
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 | |
US20190191988A1 (en) | Screening method for automated detection of vision-degenerative diseases from color fundus images | |
CN110751043B (zh) | 基于人脸可见性的人脸识别方法、装置及存储介质 | |
CN108960289B (zh) | 医用图像分类装置及方法 | |
KR102649211B1 (ko) | 기계 학습에 기반한 시각 장비 선택을 위한 장치 | |
CN110414541B (zh) | 用于识别物体的方法、设备和计算机可读存储介质 | |
CN110738102A (zh) | 一种人脸识别方法及*** | |
CN109002763B (zh) | 基于同源连续性的模拟人脸老化的方法及装置 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN113240655B (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
CN112085745A (zh) | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
CN110390307B (zh) | 表情识别方法、表情识别模型训练方法及装置 | |
CN115393351A (zh) | 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置 | |
CN111354463B (zh) | 人体健康测量方法、装置、计算机设备及存储介质 | |
CN112101438B (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
CN113077464A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN111968087B (zh) | 一种植物病害区域检测方法 | |
CN113192028A (zh) | 人脸图像的质量评价方法、装置、电子设备及存储介质 | |
CN116363732A (zh) | 人脸情绪识别方法、装置、设备及存储介质 | |
CN111951950A (zh) | 基于深度学习的三维数据医疗分类***、方法和装置 |
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 |