CN110432860B - 基于深度学习识别广域眼底图中格变裂孔的方法和*** - Google Patents

基于深度学习识别广域眼底图中格变裂孔的方法和*** Download PDF

Info

Publication number
CN110432860B
CN110432860B CN201910591852.5A CN201910591852A CN110432860B CN 110432860 B CN110432860 B CN 110432860B CN 201910591852 A CN201910591852 A CN 201910591852A CN 110432860 B CN110432860 B CN 110432860B
Authority
CN
China
Prior art keywords
wide
fundus image
area fundus
area
lattice
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
CN201910591852.5A
Other languages
English (en)
Other versions
CN110432860A (zh
Inventor
林浩添
李中文
郭翀
张凯
林铎儒
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.)
Sun Yat Sen University
Zhongshan Ophthalmic Center
Original Assignee
Sun Yat Sen University
Zhongshan Ophthalmic Center
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 Sun Yat Sen University, Zhongshan Ophthalmic Center filed Critical Sun Yat Sen University
Priority to CN201910591852.5A priority Critical patent/CN110432860B/zh
Publication of CN110432860A publication Critical patent/CN110432860A/zh
Application granted granted Critical
Publication of CN110432860B publication Critical patent/CN110432860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及一种基于深度学习识别广域眼底图中格变裂孔的方法和***，将广域眼底图像输入卷积神经网络中，判断所述广域眼底图像中是否存在周边视网膜格子样变性或裂孔；当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，采用显著性区域算法定位广域眼底图像中的格子样变性位置或裂孔位置。本发明可以辅助眼科医生更准确、更便捷地解读患者的广域眼底图像。

Description

基于深度学习识别广域眼底图中格变裂孔的方法和***
技术领域
本发明涉及医疗图像处理技术领域，更具体地，涉及一种基于深度学习识别广域眼底图中格变裂孔的方法和***。
背景技术
现有针对周边视网膜格子样变性和裂孔的检查技术的缺点是对检测人员的条件要求高，检查费时费力，实施大规模人群周边视网膜格子样变性或裂孔筛查可能性较低。主要原因如下：
1.进行周边视网膜格子样变性或裂孔的筛查对眼科医生的检查技术条件要求高，需要具备多年的眼底病临床工作经验。通常社区医院或者级别较低的综合医院以及体检中心不具备专业的眼底病医生，无法对这类病变做全面的检测和评估。
2.广域眼底图像包含的信息量较传统的眼底图像多约4倍，周边视网膜给格子样变性和裂孔种类繁多，早期特征不明显，准确解读此眼底图像需要眼科医生经过专业的培训和较长时间经验的积累。
3.人工检查周边视网膜需要散瞳，并且需要眼底医生与患者的密切配合，大部分老年患者或者小朋友配合度欠佳，检查耗时长，并且容易因为配合不到位出现疾病的漏诊。
综上所述，由于基层医院眼科医生检查技术的限制，并且详细检查周边视网膜格子样变性和裂孔耗时，实施大规模人群周边视网膜格子样变性和裂孔筛查较为困难，这可导致大部分患者诊治的延误，部分患者由于病情进展出现了视网膜脱离，造成了视力的损害，并且此病导致的视力损害是不可逆，这为个人、家庭和社会造成了重大的损失。因此，周边视网膜格子样变性和裂孔全面筛查需要突破限制、降低成本、提高效率。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种基于深度学习识别广域眼底图中格变裂孔的方法和***，可以辅助眼科医生更准确地解读患者的广域眼底图像。
本发明采取的技术方案是：
一种基于深度学习识别广域眼底图中格变裂孔的方法，包括以下步骤：
S1.将广域眼底图像输入卷积神经网络中，判断所述广域眼底图像中是否存在周边视网膜格子样变性或裂孔；
S2.当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，采用显著性区域算法定位广域眼底图像中的格子样变性位置或裂孔位置。
在步骤S1中通过卷积神经网络可以准确高效地对广域眼底图像进行分析，判断图像上是否出现病变；在步骤S2中通过显著性区域算法(Saliency Map)可以定位出图像上病变的位置，由此可以辅助眼科医生更准确地解读患者的广域眼底图像，辅助医生为患者提供更全面、更高效的病情评估，即使是专业经验较少的眼科医生或者是非专业的基层医院医生也可以为患者提供较准确的疾周边视网膜格子样变性和裂孔的筛查。此外，由于人工检查周边视网膜需要散瞳，需要医生与患者之间相互配合，而本实施例是对广域眼底图像进行分析，可以避免因医患之间配合不到位所出现的漏诊。
进一步地，至少所述步骤S1在云平台上执行，所述广域眼底图像由用户上传至云平台上。
进一步地，所述卷积神经网络采用Inception-ResNetV2网络模型。
进一步地，所述步骤S2具体包括：
S21.当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，计算所述广域眼底图像中每个像素对判断结果的影响程度；
S22.选取对判断结果影响程度最大的像素区域作为格子样变性位置或裂孔位置。
进一步地，所述方法还包括：
S3.根据定位到的格子样变性位置或裂孔位置生成病变定位图。
一种基于深度学习识别广域眼底图中格变裂孔的***，包括：
判断模块，用于将广域眼底图像输入卷积神经网络中，判断所述广域眼底图像中是否存在周边视网膜格子样变性或裂孔；
定位模块，用于当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，采用显著性区域算法定位广域眼底图像中的格子样变性位置或裂孔位置；
判断模块通过卷积神经网络可以准确高效地对广域眼底图像进行分析，判断图像上是否出现病变；定位模块通过显著性区域算法(Saliency Map)可以定位出图像上病变的位置，由此可以辅助眼科医生更准确地解读患者的广域眼底图像，辅助医生为患者提供更全面、更高效的病情评估，即使是专业经验较少的眼科医生或者是非专业的基层医院医生也可以为患者提供较准确的疾周边视网膜格子样变性和裂孔的筛查。此外，由于人工检查周边视网膜需要散瞳，需要医生与患者之间相互配合，而本实施例是对广域眼底图像进行分析，可以避免因医患之间配合不到位所出现的漏诊。
进一步地，至少所述判断模块设置在云平台上，所述广域眼底图像由用户上传至云平台上。
进一步地，所述卷积神经网络采用Inception-ResNetV2网络模型。
进一步地，所述定位模块具体包括：
影响计算模块，用于当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，计算所述广域眼底图像中每个像素对判断结果的影响程度；
选取位置模块，用于选取对判断结果影响程度最大的像素区域作为格子样变性位置或裂孔位置。
进一步地，所述***还包括：
定位图生成模块，用于根据定位到的格子样变性位置或裂孔位置生成病变定位图。
与现有技术相比，本发明的有益效果为：
(1)本发明对广域眼底图像中格子样变性和视网膜裂孔的判断准确性可达93％，图像分析每张耗时约3-6s，可以辅助眼科医生更准确地解读患者的广域眼底图像，辅助医生为患者提供更全面、更高效的病情评估，即使是专业经验较少的眼科医生或者是非专业的基层医院医生也可以为患者提供较准确的疾周边视网膜格子样变性和裂孔的筛查，减少眼科医生培训的支出；
(2)结合广域眼底照相仪以及云平台，本发明可以覆盖大规模人群的广域眼底图像分析，由于广域眼底照相速度快，不超过1分钟，只需上传照片与云平台，可快速获得分析结果，这为大规模人群的普及奠定了基础，为眼科医生减轻负担；
(3)用户可在任何时间、任何有网络的地点，包括使用手机、电脑等上传广域眼底图像后通过本发明便可快速获得分析结果；
(4)无论是个人或是团体例如社区医院、基层医院、体检中心，都可将获得的广域眼底图像上传于此网络云平台，本发明可以不受软硬件设备的使用限制。
附图说明
图1为本实施例1的方法流程图。
图2为本实施例1和2的Inception-ResNetV2网络模型示意图。
图3为本实施例3的***组成图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例1
如图1所示，本实施例提供一种基于深度学习识别广域眼底图中格变裂孔的方法，包括以下步骤：
S1.将广域眼底图像输入卷积神经网络中，判断所述广域眼底图像中是否存在周边视网膜格子样变性或裂孔；
S2.当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，采用显著性区域算法定位广域眼底图像中的格子样变性位置或裂孔位置。
在步骤S1中通过卷积神经网络可以准确高效地对广域眼底图像进行分析，判断图像上是否出现病变；在步骤S2中通过显著性区域算法(Saliency Map)可以定位出图像上病变的位置，由此可以辅助眼科医生更准确地解读患者的广域眼底图像，辅助医生为患者提供更全面、更高效的病情评估，即使是专业经验较少的眼科医生或者是非专业的基层医院医生也可以为患者提供较准确的疾周边视网膜格子样变性和裂孔的筛查。此外，由于人工检查周边视网膜需要散瞳，需要医生与患者之间相互配合，而本实施例是对广域眼底图像进行分析，可以避免因医患之间配合不到位所出现的漏诊。
优选地，所述步骤S1中，还判断所述广域眼底图像是否模糊。
具体实施过程中，将广域眼底图像输入卷积神经网络中，会判断该广域眼底图像属于以下哪一类：(1)存在周边视网膜格子样变性；(2)存在视网膜裂孔；(3)其他；(4)图像模糊。
如果判断为存在周边视网膜格子样变性，则提示“发现视网膜格子样变性，建议眼底病专科门诊进一步检查”；如果判断为存在视网膜裂孔，则提示“发现视网膜裂孔，建议眼底病专科门诊进一步检查”；如果判断为其他，则提示“暂时未发现视网膜格子样变性或裂孔”的意见；如果判断广域眼底图像模糊，无法辨认视网膜结构，则提示“图像模糊，无法辨认视网膜结构”。
在本实施例中，至少所述步骤S1在云平台上执行，所述广域眼底图像由用户上传至云平台上。
将卷积神经网络或者将卷积神经网络和显著性区域算法整合在云平台上，使得不同用户群都可以共享云平台上的卷积神经网络或者卷积神经网络和显著性区域算法，即使是在不具备相关硬件设备和软件条件的基层医院，也能通过上传患者的广域眼底图像到云平台进行分析，辅助医生进行准确的病变筛查和病情评估，而且大大地提高了效率。
云平台主要包括四栏：①平台简介，用于描述平台的结构和可以使用的资源；②使用说明，用于指导用户按照流程的步骤快速学会平台的使用；③广域眼底图像上分析，用于广域眼底图像的上传和一键分析；④联系我们，当用户在使用上有困难或者有什么意见，可以通过此栏留言，对用户的需求迅速做出反馈，逐步优化平台的使用。
其具体实施过程如下：
(1)用户进入云平台，通过注册申请账号后获得云平台的使用权利。
(2)用户将具有独立编号的广域眼底图像(一般广域眼底照相仪自动生成)，通过用户自己的电脑选择单独或批量上传至此云平台，并设置分析结果保存的位置后，点击一键分析按钮，最后将分析后的图片存入用户电脑中指定保存的位置。
在本实施例中，所述卷积神经网络采用Inception-ResNetV2网络模型。
采用Inception-ResNetV2网络模型对广域眼底图像中格子样变性和视网膜裂孔的判断准确性高达93％，而且每张广域眼底图像的分析耗时仅为3-6s。
当用户将广域眼底图像上传到云平台上后，仅需要等待3-6s的分析时间即可得到分析结果。
所采用的Inception-ResNetV2网络模型具体如图2所示。图2中，Average Pooling表示平均池化层，Dropout表示防拟合层，Softmax表示分类层，Conv表示卷积层，MaxPool表示最大池化层，Filter concat表示叠加层。
在对卷积神经网络进行训练的过程中，对训练样本中的广域眼底图像进行预处理：如通过调节图像的明暗程度，旋转，镜面反转等方法对训练样本进行增量，从而提高训练出来的卷积神经网络对广域眼底图像的分析精准度。
在本实施例中，所述步骤S2具体包括：
S21.当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，计算所述广域眼底图像中每个像素对判断结果的影响程度；
S22.选取对判断结果影响程度最大的像素区域作为格子样变性位置或裂孔位置。
具体实施过程中，假设广域眼底图像为Im×n，记I在卷积神经网络中判断为属于某个类别的概率为Sc(I)。
在步骤S21中，将概率Sc(I)在I0处一阶泰勒展开，得到等式：
Sc(I)≈ωTI+b
其中ω是Sc(I)在I0的一阶导数，用single backprop方法求解：
Figure BDA0002114384180000061
在步骤S22中，计算对判断结果影响程度最大的像素区域：
Figure BDA0002114384180000062
在本实施例中，所述方法还包括：
S3.根据定位到的格子样变性位置或裂孔位置生成病变定位图。
将步骤S2中定位到的广域眼底图像中的格子样变性位置或裂孔位置进行可视化，生成病变定位图，可以更方便医生和患者直观地从病变定位图中获取到信息，进一步提高病变筛查和病情评估的效率。
实施例2
如图3所示，本实施例提供一种基于深度学习识别广域眼底图中格变裂孔的***，包括：
判断模块，用于将广域眼底图像输入卷积神经网络中，判断所述广域眼底图像中是否存在周边视网膜格子样变性或裂孔；
定位模块，用于当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，采用显著性区域算法定位广域眼底图像中的格子样变性位置或裂孔位置；
判断模块通过卷积神经网络可以准确高效地对广域眼底图像进行分析，判断图像上是否出现病变；定位模块通过显著性区域算法(Saliency Map)可以定位出图像上病变的位置，由此可以辅助眼科医生更准确地解读患者的广域眼底图像，辅助医生为患者提供更全面、更高效的病情评估，即使是专业经验较少的眼科医生或者是非专业的基层医院医生也可以为患者提供较准确的疾周边视网膜格子样变性和裂孔的筛查。此外，由于人工检查周边视网膜需要散瞳，需要医生与患者之间相互配合，而本实施例是对广域眼底图像进行分析，可以避免因医患之间配合不到位所出现的漏诊。
优选地，所述判断模块还判断所述广域眼底图像是否模糊。
具体实施过程中，所述判断模块将广域眼底图像输入卷积神经网络中，会判断该广域眼底图像属于以下哪一类：(1)存在周边视网膜格子样变性；(2)存在视网膜裂孔；(3)其他；(4)图像模糊。
如果判断为存在周边视网膜格子样变性，则提示“发现视网膜格子样变性，建议眼底病专科门诊进一步检查”；如果判断为存在视网膜裂孔，则提示“发现视网膜裂孔，建议眼底病专科门诊进一步检查”；如果判断为其他，则提示“暂时未发现视网膜格子样变性或裂孔”的意见；如果判断广域眼底图像模糊，无法辨认视网膜结构，则提示“图像模糊，无法辨认视网膜结构”。
在本实施例中，至少所述判断模块设置在云平台上，所述广域眼底图像由用户上传至云平台上。
将判断模块或者将判断模块和定位模块整合在云平台上，使得不同用户群都可以共享云平台上的卷积神经网络或者卷积神经网络和显著性区域算法，即使是在不具备相关硬件设备和软件条件的基层医院，也能通过上传患者的广域眼底图像到云平台进行分析，辅助医生进行准确的病变筛查和病情评估，而且大大地提高了效率。
其具体实施过程如下：
(1)用户进入云平台，通过注册申请账号后获得云平台的使用权利。
(2)用户将具有独立编号的广域眼底图像(一般广域眼底照相仪自动生成)，通过用户自己的电脑选择单独或批量上传至此云平台，并设置分析结果保存的位置后，点击一键分析按钮，云平台上的判断模块和定位模块对广域眼底图像进行分析，最后将分析后的图片存入用户电脑中指定保存的位置。
在本实施例中，所述卷积神经网络采用Inception-ResNetV2网络模型。
采用Inception-ResNetV2网络模型对广域眼底图像中格子样变性和视网膜裂孔的判断准确性高达93％，而且每张广域眼底图像的分析耗时仅为3-6s。
当用户将广域眼底图像上传到云平台上后，仅需要等待3-6s的分析时间即可得到分析结果。
所采用的Inception-ResNetV2网络模型具体如图2所示。
在对卷积神经网络进行训练的过程中，对训练样本中的广域眼底图像进行预处理：如通过调节图像的明暗程度，旋转，镜面反转等方法对训练样本进行增量，从而提高训练出来的卷积神经网络对广域眼底图像的分析精准度。
在本实施例中，所述定位模块具体包括：
影响计算模块，用于当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，计算所述广域眼底图像中每个像素对判断结果的影响程度；
选取位置模块，用于选取对判断结果影响程度最大的像素区域作为格子样变性位置或裂孔位置。
具体实施过程中，假设广域眼底图像为Im×n，记I在卷积神经网络中判断为属于某个类别的概率为Sc(I)。
影响计算模块将概率Sc(I)在I0处一阶泰勒展开，得到等式：
Sc(I)≈ωTI+b
其中ω是Sc(I)在I0的一阶导数，用single backprop方法求解：
Figure BDA0002114384180000081
选取位置模块计算对判断结果影响程度最大的像素区域：
Figure BDA0002114384180000082
在本实施例中，所述***还包括：
定位图生成模块，用于根据定位到的格子样变性位置或裂孔位置生成病变定位图。
定位图生成模块将定位到的广域眼底图像中的格子样变性位置或裂孔位置进行可视化，生成病变定位图，可以更方便医生和患者直观地从病变定位图中获取到信息，进一步提高病变筛查和病情评估的效率。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于深度学习识别广域眼底图中格变裂孔的***，其特征在于，包括：
判断模块，用于将广域眼底图像输入卷积神经网络中，判断所述广域眼底图像中是否存在周边视网膜格子样变性或裂孔；
定位模块，用于当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，采用显著性区域算法定位广域眼底图像中的格子样变性位置或裂孔位置；
所述定位模块具体包括：
影响计算模块，用于当判断为所述广域眼底图像中存在周边视网膜格子样变性或裂孔时，计算所述广域眼底图像中每个像素对判断结果的影响程度；
选取位置模块，用于选取对判断结果影响程度最大的像素区域作为格子样变性位置或裂孔位置；
具体实施过程中，假设广域眼底图像为Im×n，记I在卷积神经网络中判断为属于某个类别的概率为Sc(I),
在影响计算模块中，将概率Sc(I)在I0处一阶泰勒展开，得到等式：
Sc(I)≈ωTI+b，
其中ω是Sc(I)在I0的一阶导数，用single backprop方法求解：
Figure FDA0003224375740000011
在选取位置模块中，计算对判断结果影响程度最大的像素区域：
Mij＝maxchannel|ω(i,j,channel)|；
m、n表示广域眼底图像行和列分别具有的像素个数，i、j标识像素区域，channel标识卷积神经网络的通道。
2.根据权利要求1所述的基于深度学***台上，所述广域眼底图像由用户上传至云平台上。
3.根据权利要求1所述的基于深度学习识别广域眼底图中格变裂孔的***，其特征在于，所述卷积神经网络采用Inception-ResNetV2网络模型。
4.根据权利要求1所述的基于深度学习识别广域眼底图中格变裂孔的***，其特征在于，还包括：
定位图生成模块，用于根据定位到的格子样变性位置或裂孔位置生成病变定位图。
CN201910591852.5A 2019-07-01 2019-07-01 基于深度学习识别广域眼底图中格变裂孔的方法和*** Active CN110432860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910591852.5A CN110432860B (zh) 2019-07-01 2019-07-01 基于深度学习识别广域眼底图中格变裂孔的方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910591852.5A CN110432860B (zh) 2019-07-01 2019-07-01 基于深度学习识别广域眼底图中格变裂孔的方法和***

Publications (2)

Publication Number Publication Date
CN110432860A CN110432860A (zh) 2019-11-12
CN110432860B true CN110432860B (zh) 2022-03-11

Family

ID=68429046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910591852.5A Active CN110432860B (zh) 2019-07-01 2019-07-01 基于深度学习识别广域眼底图中格变裂孔的方法和***

Country Status (1)

Country Link
CN (1) CN110432860B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111161257A (zh) * 2019-12-31 2020-05-15 中山大学中山眼科中心 一种广域眼底图像质量控制的方法及人工智能***
CN111179258A (zh) * 2019-12-31 2020-05-19 中山大学中山眼科中心 一种识别视网膜出血图像的人工智能方法及***
CN116894804A (zh) * 2022-03-29 2023-10-17 山东第一医科大学附属省立医院(山东省立医院) 基于广角眼底图像的推理模型的生成方法及相关设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008062528A1 (fr) * 2006-11-24 2008-05-29 Nidek Co., Ltd. Analyseur d'image de fond d'œil
CN107423571B (zh) * 2017-05-04 2018-07-06 深圳硅基仿生科技有限公司 基于眼底图像的糖尿病视网膜病变识别***
CN109241913B (zh) * 2018-09-10 2021-05-18 武汉大学 结合显著性检测和深度学习的船只检测方法及***
CN109411086A (zh) * 2018-12-26 2019-03-01 深圳硅基智能科技有限公司 眼底图像病变的筛查***

Also Published As

Publication number Publication date
CN110432860A (zh) 2019-11-12

Similar Documents

Publication Publication Date Title
CN110432860B (zh) 基于深度学习识别广域眼底图中格变裂孔的方法和***
Trucco et al. Validating retinal fundus image analysis algorithms: issues and a proposal
Zhang et al. Origa-light: An online retinal fundus image database for glaucoma analysis and research
WO2020042406A1 (zh) 一种眼底图像自动分析比对方法及一种存储设备
Turuwhenua et al. Fully automated montaging of laser scanning in vivo confocal microscopy images of the human corneal subbasal nerve plexus
CN109431523A (zh) 基于非社会性声音刺激行为范式的孤独症初级筛查装置
JP2010017519A (ja) 神経精神病の診断を生成するためのコンピュータ実装方法、コンピュータ・プログラム製品、装置及びシステム
CN111179258A (zh) 一种识别视网膜出血图像的人工智能方法及***
CN110338759B (zh) 一种正面疼痛表情数据采集方法
Wijesinghe et al. A smart telemedicine system with deep learning to manage diabetic retinopathy and foot ulcers
CN106919804A (zh) 基于临床数据的药物推荐方法、推荐装置及服务器
CN112053321A (zh) 一种识别高度近视视网膜病变的人工智能***
CN116895372B (zh) 一种基于大规模语言模型与元学习的智能急救分级***
CN109585006A (zh) 一种基于语音的门诊导航和智能应答***
CN116758038A (zh) 基于训练网络的婴幼儿视网膜疾病信息识别方法及***
Hu et al. Multi-scale interactive network with artery/vein discriminator for retinal vessel classification
Lu et al. Automatic classification of slit-lamp photographs by imaging illumination
Dang et al. Kashin-Beck disease diagnosis based on deep learning from hand X-ray images
CN110703965A (zh) 一种中医健康状态智能辨识软件及电子设备
Paunksnis et al. The use of information technologies for diagnosis in ophthalmology
Zhou et al. Computer aided diagnosis for diabetic retinopathy based on fundus image
CN110974151A (zh) 一种识别视网膜脱离的人工智能***和方法
CN115661101A (zh) 基于随机采样和深度学习的早产儿视网膜病变检测***
Li et al. Interpretable evaluation of diabetic retinopathy grade regarding eye color fundus images
CN114693774A (zh) 基于膀胱镜的智能ai图像标注方法及装置

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210319

Address after: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District

Applicant after: SUN YAT-SEN University

Address before: 510060 No. 54 martyrs South Road, Guangdong, Guangzhou

Applicant before: ZHONGSHAN OPHTHALMIC CENTER, SUN YAT-SEN University

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210407

Address after: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District

Applicant after: SUN YAT-SEN University

Applicant after: ZHONGSHAN OPHTHALMIC CENTER, SUN YAT-SEN University

Address before: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District

Applicant before: SUN YAT-SEN University

GR01 Patent grant
GR01 Patent grant