CN110400288A - 一种融合双眼特征的糖网病识别方法及装置 - Google Patents
一种融合双眼特征的糖网病识别方法及装置 Download PDFInfo
- Publication number
- CN110400288A CN110400288A CN201910526271.3A CN201910526271A CN110400288A CN 110400288 A CN110400288 A CN 110400288A CN 201910526271 A CN201910526271 A CN 201910526271A CN 110400288 A CN110400288 A CN 110400288A
- Authority
- CN
- China
- Prior art keywords
- feature
- picture
- sugar
- left eye
- fusion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 239000003814 drug Substances 0.000 claims abstract description 19
- 201000010099 disease Diseases 0.000 claims abstract description 15
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 15
- 230000003902 lesion Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 10
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000002062 proliferating effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- 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
- G06T2207/30—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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Ophthalmology & Optometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种融合双眼特征的糖网病识别方法及装置，包含：获取多个医学眼底图片组并分别进行预处理，对各个医学眼底图片组的左眼图片和右眼图片分别进行特征提取，将提取的左眼特征图和右眼特征图进行维度叠加，以实现特征的融合，对融合后的特征图进行全局最大值池化，使用dropout层降低模型的过拟合，随后将特征进行全连接至长度为2K的特征向量，然后再次分离为K维的左眼特征和右眼特征，将所述左眼特征和右眼特征分为两个子类，分别带标签的进行训练，得到左眼识别子模型和右眼识别子模型，用于进行左眼和右眼的糖网病的程度识别。本发明通过特征融合加强网络对左右眼共同特征的关注度，进而同时提高两张图片的类别识别准确率。
Description
技术领域
本发明涉及图像处理领域，更具体地说，涉及一种融合双眼特征的糖网病识别方法及装置。
背景技术
目前糖网病图像的识别主要分为特定病变的特征识别方法和图像的全局分类方法。特定病变的特征识别方法主要是通过数学形态学和图像处理技术的方法对出血、絮状斑等特定的病灶进行分离和识别，图像的全局分类是通过卷积神经网络对大量的已标注的图像数据进行训练，再通过训练好的模型对待识别图像进行自动分类。
特定病变的识别方法，如Haloi等人首先对图像进行各向异性的扩散滤波方法，然后对图像进行形态学的开操作，在高斯尺度的空间上使图像二值化，并利用形态学的开运算方法去除血管的影响，最后使用SVM分类器对提取到的特征进行训练，对特征图的每个像素进行分类。特定病变的识别方法需要对图像的每种病灶单独设计特征提取方法，虽然能够较为准确的定位出病灶的位置，但缺点在于过程繁琐，并且无法直观的表现出图像的整体类别。
图像的全局分类方法，如Pratt等人对图像进行大小归一化和光照均衡化等预处理，设计了一个15层的卷积神经网络(CNN)结构，使用随机梯度下降法法训练网络。在5000张，包含五类病变程度图像的测试数据中达到75％的准确率。目前对于糖网病的分类用的最多的方法就是全局分类方法，此方法的核心在于网络结构的设计，不同的网络的结构、深度对结果的影响很大。但是目前主流的网络结构所面临的问题在于其输入数据往往只有一张图像，对于糖网病这种同时具备左右眼图像的数据有一定的局限性，造成识别准确率不够高。
发明内容
本发明要解决的技术问题在于，针对现有技术目前主流的网络结构所面临的问题在于其输入数据往往只有一张图像，对于糖网病这种同时具备左右眼图像的数据有一定的局限性，造成识别准确率不够高的技术缺陷，提供了一种融合双眼特征的糖网病识别方法及装置。
本发明解决其技术问题，所采用融合双眼特征的糖网病识别方法包含如下步骤：
S1、获取多个医学眼底图片组并分别进行预处理，每个医学眼底图片组包含同一个人的一张左眼图片和一张右眼图片，左眼图片和右眼图片均分别具有唯一的标签，以标注出糖网病的程度，且每种程度的糖网病均具有多个医学眼底图片组；
S2、对各个医学眼底图片组的左眼图片和右眼图片分别进行特征提取，左眼图片和右眼图片的特征提取网络相同；
S3、对于任意一个医学眼底图片组：将提取的左眼特征图和右眼特征图进行维度叠加，以实现特征的融合；
S4、对融合后的特征图进行全局最大值池化，使用dropout层降低模型的过拟合，随后将特征进行全连接至长度为2K的特征向量，然后再次分离为K维的左眼特征和右眼特征；K为大于1的正整数；
S5、将所述左眼特征和右眼特征分为两个子类，分别带标签的进行训练，得到左眼识别子模型和右眼识别子模型，从而形成最终的识别模型，以用于根据输入的同一个人的一张左眼图片和一张右眼图片，采用步骤S2-S4处理后，进行左眼和右眼的糖网病的程度识别。
进一步地，在本发明的融合双眼特征的糖网病识别方法中，步骤S1中所述预处理是指：先对原始图像中的背景区域进行裁剪，接着对图像进行数据增强，增强过程包括翻转、0-360°的旋转、最多为10％的放大和缩小以及最多为10％尺度的平移，以上操作随机进行，最后将增强后的图像调整到同一指定像素大小；对各种糖网病程度的图片数量较多的类进行随机抽样，对图片数量较少的类进行多次数据增强，最后得到多组处理后的医学眼底图片作为最终的训练数据。
进一步地，在本发明的融合双眼特征的糖网病识别方法中，步骤S2中，进行所述体征提取所采用的特征提取网络的详细结构如下：
第1层卷积采用7*7的卷积核，输出32张特征图，对特征图进行最大值池化；第2、3、4、5、7、8、9、10、12、13、14、15层卷积层采用3*3的卷积核，第6、11、16层采用1*1的卷积核，其中2、3层输出32张特征图，4、5层输出64张特征图，7、8、9、10层输出128张特征图，12、13、14、15层输出256张特征图，并对第3、6、11、16层的特征图进行最大值池化，每一层卷积层得到的特征图都使用ReLu激活函数进行激活，至此完成左眼特征图和右眼特征图的提取。
进一步地，在本发明的融合双眼特征的糖网病识别方法中，步骤S1中，标签有5类，其中标签为0类代表无明显病变，1类代表轻度病2类代表中度病变，3类代表重度病变，4类代表增殖性病变。
进一步地，在本发明的融合双眼特征的糖网病识别方法中步骤S5中，所述训练是指采用mini_batch_size批量梯度下降法进行训练，每一批次的图像数量为16张左眼图片与16张右眼图片，迭代至验证集的损失收敛时停止迭代。
进一步地，在本发明的融合双眼特征的糖网病识别方法中，步骤S5中，迭代时使用的损失函数为具有kappa损失项的交叉熵损失函数：
Loss＝Log_Loss+α*Kappa_Loss,α∈[0,1]，
Kappa_Loss＝-(1-nom/denom)，
nom＝∑i,jwi,jOi,j，denom＝∑i,jwi,jEi,j，
其中Log_loss为交叉熵损失函数，α为人为设定的常系数，Oi,j表示标签为i，识别结果为j的图片数量构成的5*5矩阵；Ei,j表示为一个训练批次中预测概率为0-4类各自的概率和构成的5*1向量与同一训练批次中0-4类图片数量构成的1*5向量之间的向量积，wi,j为系数矩阵。
进一步地，在本发明的融合双眼特征的糖网病识别方法中，步骤S5中，训练过程中，采用kappa度量分数作为糖网病数据的评价标准，Kappa度量分数的值为0-0.2时一致性极低、0.2-0.4时一致性一般、0.4-0.6时具有中等的一致性、0.6-0.8时具有高度的一致性、0.8-1时几乎完全一致；kappa度量分数的计算公式如下：
其中，N表示待分类的图像类别数。
根据本发明的另一方面，本发明为解决其技术问题，还提供了一种融合双眼特征的糖网病识别装置具备计算机存储介质，所述计算机存储介质存储有计算机可执行指令，用于实现上述的融合双眼特征的糖网病识别方法。
实施本发明的融合双眼特征的糖网病识别方法及装置，具有以下有益效果：本发明通过卷积神经网络综合两个左右眼底的信息，分别对其进行分类，充分的利用了两张图片在特征上的相似性和标签的相关性，通过特征融合加强网络对它们共同特征的关注度，进而同时提高两张图片的类别识别准确率。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明一实施例的融合双眼特征的糖网病识别方法的流程图；
图2是图1中实施例的模型结构图；
图3是特征提取网络的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参考图1至图2，图1为本发明一实施例的融合双眼特征的糖网病识别方法的流程图，图2为图1中实施例的模型结构图。本实施例的融合双眼特征的糖网病识别方法包含如下步骤：
S1、获取多个医学眼底图片组并分别进行预处理，每个医学眼底图片组包含同一个人的一张左眼图片和一张右眼图片，左眼图片和右眼图片均分别具有唯一的标签，以标注出糖网病的程度，且每种程度的糖网病均具有多个医学眼底图片组。
在本实施例中，原始数据为29874张眼底图片数据，每张图片大小在2000*3000到3000*4000尺度之间，每张图片大小不一定相同。其中标签为0类(无明显病变)的图片有20177张，1类(轻度病变)的图片有2730张，2类(中度病变)的图片有5272张，3类(重度病变)的图片有1025张，4类(增殖性病变)的图片有670张，每张图片有且只有一个上述标签。医学眼底图片组同时存在有同一病人的左眼图片和右眼图片，左右眼图片的标签具有一定程度上的相关性，如下表1。可以看出，标签相同的左右眼图像对占总比例的90％以上，证明了左右眼标签的相关性。
表1左右眼标签统计(单位：对)
通过图像的预处理，先对原始图像中的黑色背景区域进行裁剪，接着对图片进行数据增强，增强过程包括翻转，0-360°的旋转，最多为10％的放大和缩小，最多为10％尺度的平移，以上操作随机进行。最后将增强后的图像缩小到512*512像素。对5类图像中图片数量多的类进行随机抽样，对图片数量少的类进行多次数据增强，最后得到16000对处理后的左右眼数据，并且每类数据大约为6400张图像，一共32000张图片作为最终的训练数据。
S2、对各个医学眼底图片组的左眼图片和右眼图片分别进行特征提取，左眼图片和右眼图片的特征提取网络相同。
左眼和右眼的标签虽然不一定相同但具有很强的标签相关性。跟据数据特征，本发明同时输入了左眼和右眼图片，使用相同的特征提取网络进行特征提取并在最后进行特征融合，网络因此能够学习到左右眼的相关性特征，同时提高左眼与右眼的准确率。对于特征提取网络，本发明仿照了传统的vgg-16结构并进行了修改，如第一层卷积层使用7*7的卷积核，相较于vgg-16第一层5*5的卷积核具有更大的感受野，对于糖网病图像这种包含有较小病灶的数据有更好的效果。
参考图3，所体征提取所采用的特征提取网络的详细结构如下：第1层卷积采用7*7的卷积核，输出32张特征图，对特征图进行最大值池化；第2、3、4、5、7、8、9、10、12、13、14、15层卷积层采用3*3的卷积核，第6、11、16层采用1*1的卷积核，其中2、3层输出32张特征图，4、5层输出64张特征图，7、8、9、10层输出128张特征图，12、13、14、15层输出256张特征图，并对第3、6、11、16层的特征图进行最大值池化，每一层卷积层得到的特征图都使用ReLu激活函数进行激活，至此完成左眼特征图和右眼特征图的提取。
S3、对于任意一个医学眼底图片组：将提取的左眼特征图和右眼特征图进行维度叠加，以实现特征的融合，如图2所示的concat(concatenate)。
S4、对融合后的特征图进行全局最大值池化，使用dropout层降低模型的过拟合，随后将特征进行全连接至长度为2K的特征向量，然后再次分离为K维的左眼特征和右眼特征；K为大于1的正整数，在本实施例中，K＝5。
S5、将所述左眼特征和右眼特征分为两个子类，分别带标签的进行训练，得到左眼识别子模型和右眼识别子模型，从而形成最终的识别模型，以用于根据输入的同一个人的一张左眼图片和一张右眼图片，采用步骤S2-S4处理后，进行左眼和右眼的糖网病的程度识别。
训练时采用mini_batch_size批量梯度下降法进行训练，每一批次的图像数量为16张左眼图片与16张右眼图片，迭代至验证集的损失收敛时停止迭代。为了提高图像的kappa评价指标，单纯的使用交叉熵损失函数并不一定具有较好的效果，因此本模型使用的损失函数为带有kappa项的kappa损失函数，即迭代时使用的损失函数为具有kappa损失项的交叉熵损失函数：
Loss＝Log_Loss+α*Kappa_Loss,α∈[0,1]，
Kappa_Loss＝-(1-nom/denom)，
nom＝∑i,jwi,jOi,j，denom＝∑i,jwi,jEi,j，
其中Log_loss为交叉熵损失函数，α为人为设定的常系数，调整α可以增加结果的kappa度量分数，Oi,j表示标签为i，识别结果为j的图片数量构成的5*5矩阵；Ei,j表示为一个训练批次中预测概率为0-4类各自的概率和构成的5*1向量与同一训练批次中0-4类图片数量构成的1*5向量之间的向量积，wi,j为系数矩阵。
训练过程中，采用kappa度量分数作为糖网病数据的评价标准，Kappa度量分数在于评价图像标签和识别结果之间的一致性，由于系数矩阵wi,j的存在，使得如果识别结果与真实值相差较远，会有更大的代价惩罚。Kappa度量分数的值为0-0.2时一致性极低、0.2-0.4时一致性一般、0.4-0.6时具有中等的一致性、0.6-0.8时具有高度的一致性、0.8-1时几乎完全一致；kappa度量分数的计算公式如下：
其中，N表示待分类的图像类别数。
实施后的效果
表3.2为本网络结构(下表表示为Net3)与不使用双眼融合网络结构和使用不同特征提取网络结构模型的对比，表3.3为损失函数具有不同α值时的结果对比，表3.4为本模型与不同研究者的算法的结果对比。
表3.2不同模型的结果
实验所使用的模型分别为AlexNet，VGG-16，以AlexNet为特征提取网络的双眼融合网络(Net1)，以VGG-16结构为特征提取网络的双眼融合网络(Net2)，以修改版VGG-16结构为特征提取网络的双眼融合网络(Net3)，损失函数统一采用交叉熵损失函数，分类器为5分类的Softmax分类器，表为训练批次大小为16，网络迭代次数为50次，网络学习率为0.05，第50次迭代的结果。
表3.3不同α的结果
表3.4不同分类算法在Kaggle数据集下的比较
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (8)
1.一种融合双眼特征的糖网病识别方法，其特征在于，包含如下步骤：
S1、获取多个医学眼底图片组并分别进行预处理，每个医学眼底图片组包含同一个人的一张左眼图片和一张右眼图片，左眼图片和右眼图片均分别具有唯一的标签，以标注出糖网病的程度，且每种程度的糖网病均具有多个医学眼底图片组；
S2、对各个医学眼底图片组的左眼图片和右眼图片分别进行特征提取，左眼图片和右眼图片的特征提取网络相同；
S3、对于任意一个医学眼底图片组：将提取的左眼特征图和右眼特征图进行维度叠加，以实现特征的融合；
S4、对融合后的特征图进行全局最大值池化，使用dropout层降低模型的过拟合，随后将特征进行全连接至长度为2K的特征向量，然后再次分离为K维的左眼特征和右眼特征；K为大于1的正整数；
S5、将所述左眼特征和右眼特征分为两个子类，分别带标签的进行训练，得到左眼识别子模型和右眼识别子模型，从而形成最终的识别模型，以用于根据输入的同一个人的一张左眼图片和一张右眼图片，采用步骤S2-S4处理后，进行左眼和右眼的糖网病的程度识别。
2.根据权利要求1所述的融合双眼特征的糖网病识别方法，其特征在于，步骤S1中所述预处理是指：先对原始图像中的背景区域进行裁剪，接着对图像进行数据增强，增强过程包括翻转、0-360°的旋转、最多为10％的放大和缩小以及最多为10％尺度的平移，以上操作随机进行，最后将增强后的图像调整到同一指定像素大小；对各种糖网病程度的图片数量较多的类进行随机抽样，对图片数量较少的类进行多次数据增强，最后得到多组处理后的医学眼底图片作为最终的训练数据。
3.根据权利要求1所述的融合双眼特征的糖网病识别方法，其特征在于，步骤S2中，进行所述体征提取所采用的特征提取网络的详细结构如下：
第1层卷积采用7*7的卷积核，输出32张特征图，对特征图进行最大值池化；第2、3、4、5、7、8、9、10、12、13、14、15层卷积层采用3*3的卷积核，第6、11、16层采用1*1的卷积核，其中2、3层输出32张特征图，4、5层输出64张特征图，7、8、9、10层输出128张特征图，12、13、14、15层输出256张特征图，并对第3、6、11、16层的特征图进行最大值池化，每一层卷积层得到的特征图都使用ReLu激活函数进行激活，至此完成左眼特征图和右眼特征图的提取。
4.根据权利要求1所述的融合双眼特征的糖网病识别方法，其特征在于，步骤S1中，标签有5类，其中标签为0类代表无明显病变，1类代表轻度病2类代表中度病变，3类代表重度病变，4类代表增殖性病变。
5.根据权利要求4所述的融合双眼特征的糖网病识别方法，其特征在于，步骤S5中，所述训练是指采用mini_batch_size批量梯度下降法进行训练，每一批次的图像数量为16张左眼图片与16张右眼图片，迭代至验证集的损失收敛时停止迭代。
6.根据权利要求5所述的融合双眼特征的糖网病识别方法，其特征在于，步骤S5中，迭代时使用的损失函数为具有kappa损失项的交叉熵损失函数：
Loss＝Log_Loss+α*Kappa_Loss，α∈[0，1]，
Kappa_Loss＝-(1-nom/denom)，
nom＝∑i，jwi，jOi，j，denom＝∑i，jwi，jEi，j，
其中Log_loss为交叉熵损失函数，α为人为设定的常系数，Oi，j表示标签为i，识别结果为j的图片数量构成的5*5矩阵；Ei，j表示为一个训练批次中预测概率为0-4类各自的概率和构成的5*1向量与同一训练批次中0-4类图片数量构成的1*5向量之间的向量积，wi，j为系数矩阵。
7.根据权利要求6所述的融合双眼特征的糖网病识别方法，其特征在于，步骤S5中，训练过程中，采用kappa度量分数作为糖网病数据的评价标准，Kappa度量分数的值为0-0.2时一致性极低、0.2-0.4时一致性一般、0.4-0.6时具有中等的一致性、0.6-0.8时具有高度的一致性、0.8-1时几乎完全一致；kappa度量分数的计算公式如下：
其中，N表示待分类的图像类别数。
8.一种融合双眼特征的糖网病识别装置，其特征在于，具备计算机存储介质，所述计算机存储介质存储有计算机可执行指令，用于实现如权利要求1-7任一项所述的融合双眼特征的糖网病识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526271.3A CN110400288B (zh) | 2019-06-18 | 2019-06-18 | 一种融合双眼特征的糖网病识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910526271.3A CN110400288B (zh) | 2019-06-18 | 2019-06-18 | 一种融合双眼特征的糖网病识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400288A true CN110400288A (zh) | 2019-11-01 |
| CN110400288B CN110400288B (zh) | 2021-08-10 |
Family
ID=68323236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910526271.3A Expired - Fee Related CN110400288B (zh) | 2019-06-18 | 2019-06-18 | 一种融合双眼特征的糖网病识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400288B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826470A (zh) * | 2019-11-01 | 2020-02-21 | 复旦大学 | 基于深度主动学习的眼底图像左右眼识别方法 |
| CN111402246A (zh) * | 2020-03-20 | 2020-07-10 | 北京工业大学 | 一种基于联合网络的眼底图像分类方法 |
| CN111563884A (zh) * | 2020-04-26 | 2020-08-21 | 北京小白世纪网络科技有限公司 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
| CN112101438A (zh) * | 2020-09-08 | 2020-12-18 | 南方科技大学 | 一种左右眼分类方法、装置、服务器和存储介质 |
| CN112580530A (zh) * | 2020-12-22 | 2021-03-30 | 泉州装备制造研究所 | 一种基于眼底图像的身份识别方法 |
| CN113158863A (zh) * | 2021-04-13 | 2021-07-23 | 同济大学 | 一种异常眼底照片识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016069950A2 (en) * | 2014-10-29 | 2016-05-06 | University Of Utah Research Foundation | Methods of treating hypoxia-associated optical conditions with cartilage oligo matrix protein-angiopoietin 1 (comp-ang1) |
| CN106408564A (zh) * | 2016-10-10 | 2017-02-15 | 北京新皓然软件技术有限责任公司 | 一种基于深度学习的眼底图像处理方法、装置及*** |
| CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及*** |
| CN107679525A (zh) * | 2017-11-01 | 2018-02-09 | 腾讯科技（深圳）有限公司 | 图像分类方法、装置及计算机可读存储介质 |
| CN109800789A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 基于图网络的糖尿病视网膜病变分类方法及装置 |
-
2019
- 2019-06-18 CN CN201910526271.3A patent/CN110400288B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016069950A2 (en) * | 2014-10-29 | 2016-05-06 | University Of Utah Research Foundation | Methods of treating hypoxia-associated optical conditions with cartilage oligo matrix protein-angiopoietin 1 (comp-ang1) |
| CN106408564A (zh) * | 2016-10-10 | 2017-02-15 | 北京新皓然软件技术有限责任公司 | 一种基于深度学习的眼底图像处理方法、装置及*** |
| CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及*** |
| CN107679525A (zh) * | 2017-11-01 | 2018-02-09 | 腾讯科技（深圳）有限公司 | 图像分类方法、装置及计算机可读存储介质 |
| CN109800789A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 基于图网络的糖尿病视网膜病变分类方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 蔺素珍，韩泽: "基于深度堆叠卷积神经网络的图像融合", 《计算机学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826470A (zh) * | 2019-11-01 | 2020-02-21 | 复旦大学 | 基于深度主动学习的眼底图像左右眼识别方法 |
| CN111402246A (zh) * | 2020-03-20 | 2020-07-10 | 北京工业大学 | 一种基于联合网络的眼底图像分类方法 |
| CN111563884A (zh) * | 2020-04-26 | 2020-08-21 | 北京小白世纪网络科技有限公司 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
| CN112101438A (zh) * | 2020-09-08 | 2020-12-18 | 南方科技大学 | 一种左右眼分类方法、装置、服务器和存储介质 |
| CN112101438B (zh) * | 2020-09-08 | 2024-04-16 | 南方科技大学 | 一种左右眼分类方法、装置、服务器和存储介质 |
| CN112580530A (zh) * | 2020-12-22 | 2021-03-30 | 泉州装备制造研究所 | 一种基于眼底图像的身份识别方法 |
| CN113158863A (zh) * | 2021-04-13 | 2021-07-23 | 同济大学 | 一种异常眼底照片识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400288B (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400288A (zh) | 一种融合双眼特征的糖网病识别方法及装置 | |
| Dileep et al. | AyurLeaf: a deep learning approach for classification of medicinal plants | |
| CN106096538B (zh) | 基于定序神经网络模型的人脸识别方法及装置 | |
| CN103514456B (zh) | 基于压缩感知多核学习的图像分类方法及其装置 | |
| CN109815801A (zh) | 基于深度学习的人脸识别方法及装置 | |
| CN110298338A (zh) | 一种文档图像分类方法及装置 | |
| CN108776774A (zh) | 一种基于复杂度感知分类算法的面部表情识别方法 | |
| CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
| CN108052884A (zh) | 一种基于改进残差神经网络的手势识别方法 | |
| CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
| CN103544504B (zh) | 一种基于多尺度图匹配核的场景字符识别方法 | |
| CN108717524A (zh) | 一种基于双摄手机和人工智能***的手势识别***及方法 | |
| Nguyen et al. | Flower species identification using deep convolutional neural networks | |
| CN110046574A (zh) | 基于深度学习的安全帽佩戴识别方法及设备 | |
| Choudhary et al. | Iris anti-spoofing through score-level fusion of handcrafted and data-driven features | |
| CN109002851A (zh) | 一种基于图像多特征融合的水果分类方法及应用 | |
| CN104021384B (zh) | 一种人脸识别方法及装置 | |
| CN106570521A (zh) | 多语言场景字符识别方法及识别*** | |
| CN107871098A (zh) | 人脸特征点的获取方法和装置 | |
| CN106529598A (zh) | 一种基于不均衡医疗图像数据集的分类方法与*** | |
| CN109886153A (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
| CN106650667A (zh) | 一种基于支持向量机的行人检测方法及*** | |
| Li et al. | Multi-scale sparse network with cross-attention mechanism for image-based butterflies fine-grained classification | |
| CN109816030A (zh) | 一种基于受限玻尔兹曼机的图像分类方法及装置 | |
| Cortes | Plant disease classification using convolutional networks and generative adverserial networks |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tang Qiling Inventor after: Luo Fen Inventor after: Fang Quan Inventor after: Zhang Huihui Inventor after: Respond before you dare Inventor after: Wang Jiao Inventor before: Tang Qiling Inventor before: Fang Quan Inventor before: Zhang Huihui Inventor before: Respond before you dare Inventor before: Wang Jiao |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210810 |