CN111179226B - 视野图的识别方法、装置及计算机存储介质 - Google Patents
视野图的识别方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN111179226B CN111179226B CN201911287450.2A CN201911287450A CN111179226B CN 111179226 B CN111179226 B CN 111179226B CN 201911287450 A CN201911287450 A CN 201911287450A CN 111179226 B CN111179226 B CN 111179226B
- Authority
- CN
- China
- Prior art keywords
- map
- view
- visual field
- small
- training
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010586 diagram Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims description 59
- 230000000977 initiatory effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 8
- 208000010412 Glaucoma Diseases 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 101100178170 Caenorhabditis elegans unc-39 gene Proteins 0.000 description 2
- 102100040684 Fermitin family homolog 2 Human genes 0.000 description 2
- 101000892677 Homo sapiens Fermitin family homolog 2 Proteins 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101100441533 Mus musculus Cxcl9 gene Proteins 0.000 description 1
- 206010047555 Visual field defect Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000004410 intraocular pressure Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 101150115039 mig gene Proteins 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000005043 peripheral vision Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 208000024891 symptom 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种视野图的识别方法、装置及计算机存储介质。其中,视野图包括至少一种偏差概率符号,该方法包括:将视野图分割为多个小图,以使得每一小图包括一偏差概率符号;基于训练后的小图神经网络,识别小图的偏差概率符号;根据偏差概率符号的种类使用不同的数字对小图进行标记,以通过数字来表示视野图。通过上述方式,本申请能够提高对视野图的识别准确率。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种视野图的识别方法、装置及计算机存储介质。
背景技术
随着科学技术的发展,互联网技术的进步,互联网交叉行业越来越普遍。互联网+医疗是互联网在医疗行业的应用。互联网+医疗是医疗行业的新发展动向,有利于解决医疗资源不均衡和人们日益增加的健康医疗需求之间的矛盾,是***积极引导和大力支持的医疗发展模式。人工智能目前也是行业热点,作为人工智能中重要组成部分的深度学习也是炙手可热。
发明内容
为解决上述技术问题,本申请提供一种视野图的识别方法。其中,视野图包括至少一种偏差概率符号,该方法包括:将视野图分割为多个小图,以使得每一小图包括一偏差概率符号;基于训练后的小图神经网络,识别小图的偏差概率符号;根据偏差概率符号的种类使用不同的数字对小图进行标记,以通过数字来表示视野图。
为解决上述技术问题,本申请提供一种视野图识别装置。该装置包括处理器和存储器;存储器中存储有计算机程序,处理器用于执行计算机程序以实现上述视野图的识别方法的步骤。
为解决上述技术问题,本申请提供一种计算机存储介质。该计算机存储介质存储有计算机程序,计算机程序被执行以实现上述视野图的识别方法的步骤。
本申请通过将视野图分割成为多个包括一偏差概率符号的小图,通过训练后的小图神经网络对小图中的偏差概率符号进行识别,能够提高对视野图的识别准确率。训练后的小图神经网络对不同偏差概率符号对应的小图识别分类后,使用不同数字对不同类型的小图进行标记,使得视野图可以通过数字进行表示,从而数字表示的视野图能够用于后续程序的分析。
附图说明
图1是本申请提供的视野图的识别方法第一实施例的流程示意图;
图2是本申请提供的视野图的识别方法的第二实施例的流程示意图;
图3是本申请提供的原始视野图的示意图;
图4是本申请提供的调整视野图的示意图;
图5是本申请提供的视野图的识别方法的第三实施例的流程示意图;
图6是本申请提供的二值化视野图的示意图;
图7是本申请提供的二维数组的示意图;
图8是本申请提供的视野图识别装置一实施例的结构示意图;
图9是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案,下面结合附图和具体实施方式对本申请所提供的视野图的识别方法、装置及计算机存储介质做进一步详细描述。
青光眼是我国致盲的主要原因之一,青光眼在早期没有明显症状,外周视力丧失往往无法发现,未及时治疗可能导致完全且不可逆性失明,因此对于青光眼的早期筛查与诊断尤为重要。青光眼的联合诊断主要有视野图,眼压和光谱域光学相干断层扫描技术(简称SD-OCT)。视野图在青光眼的诊断中占据十分重要的地位,其中Pattern Deviation(矫正偏差概率图)部分在视野图分析中占据主要地位。在缺乏青光眼专科医生帮助的情况下,有了视野图的检测报告,往往仍不知道如何分析报告。
随着互联网的发展,可以利用人工智能对视野图进行分析诊断。本申请的发明人经过长期研究发现,直接将图片输入人工智能进行分析,会降低对图片内容分析的准确率。若在使用人工智能对视野图进行分析诊断前,对图片形式的视野图进行识别并输出数字表征的视野图,以将数字表征的视野图用于人工智能进行分析诊断,可提高对视野图的分析诊断正确率。对图片形式的视野图识别为数字表征的视野图的准确率,也影响对视野图的分析诊断的准确率。基于此,本申请提供一种高准确率的视野图识别方法。
请参阅图1,图1是本申请提供的视野图的识别方法第一实施例的流程示意图。本实施例包括以下步骤:
S101:将视野图分割为多个小图,以使得每一小图包括一偏差概率符号。
将待检测的视野图分割成为多个包括一偏差概率符号的小图,以通过识别小图中的偏差概率符号从而对视野图进行识别。
一般地,视野图由6个图形组成,分别为阈值图、灰度图、阈值总偏差图、模式偏差图、总偏差概率图和模式偏差概率图。视野图中的总偏差概率图和模式偏差概率图将检查结果和同龄健康人的正常值比较之后得出的结果,并基于此生成了总偏差概率图和模式偏差概率图。
具体地,总偏差概率图(Total deviation)中,把每一检测位点上的实测值与该检测位点上的正常人分布情况作比较,得出其属于正常分布的概率,并以偏差概率符号表示。矫正偏差概率图(Pattern deviation)中,计算矫正比较值属于正常变异范围的概率,同样以偏差概率符号表示,表示在整个敏感度降低中剔除了普遍性敏感度降低后,所剩余的局限性敏感度降低的统计显著意义,突出有意义的局部视野缺损。
本实施例中,以对视野图中的总偏差概率图和模式偏差概率图的识别为例进行说明。
总偏差概率图和模式偏差概率图中使用不同类型的偏差概率符号表示该检测位点所在的偏差概率值范围。具体地,总偏差概率图和模式偏差概率图中有多个检测位点,根据每一检测位点检测的实际阈值与正常值或期望值之间的差值所在范围,使用对应的偏差概率符号表示。因此,视野图中包括多个偏差概率符号和至少一种类型的偏差概率符号。本实施例中,偏差概率符号例如是6种。对应地,小图也具有6个类型。
总偏差概率图或模式偏差概率图可以根据检测位点的位置和数量进行分割,以使得每一小图中包括一偏差概率符号。例如,可以对包括总偏差概率图或模式偏差概率图的图片按照10*10进行分割,得到100个小图。当然,也可以对包括总偏差概率图或模式偏差概率图的图片按照9*9进行分割,得到81个小图。还可以是包括总偏差概率图或模式偏差概率图的图片按照10*9进行分割,得到90个小图。对视野图的具体分割方式以分割后的小图中的偏差概率符号完全包括视野图中偏差概率符号位置为准,本申请对此不做限制。
可选地,对视野图进行平均分割,使得每一小图大小一致,分割操作更加简单快捷,有利于提高对视野图的识别效率。当然,视野图分割得到的小图的大小也可以不一致,以每一小图可以完整包括一偏差概率符号为准,本申请对此不做限制。
S102:基于训练后的小图神经网络,识别小图的偏差概率符号。
将小图输入训练后的小图神经网络,通过训练后的小图神经网络对小图中的偏差概率符号进行识别,以实现对视野图的识别。
为提高对小图中的偏差概率符号的识别准确率,在先对用于识别小图中偏差概率符号的小图神经网络进行训练,得到训练后的小图神经网络。
具体地,将训练视野图数据库中的每一训练视野图分割为多个训练小图,每一训练小图包括一偏差概率符号。其中,训练视野图数据库中包括多个训练视野图。训练视野图的数量例如大于100张。用于训练小图神经网络的训练视野图的数量越多,训练后的小图神经网络的识别准确率越高。可以理解,用于训练小图神经网络的训练视野图的数量以能够使训练后的小图神经网络的识别准确率达到或高于预期为准,本申请对此不做限制。
可选地,为提高对小图神经网络的训练效率和识别准确率,训练视野图例如是从电子文档格式的视野图报告中提取的,比如是截图等。如此可以简化对训练视野图进行预处理的过程,而且可以减少训练视野图中其他因素导致的对小图神经网络训练的干扰。
对训练视野图的分割方式与S101中对待识别的视野图的分割方式相同,故在此不再赘述。
将训练视野图分割为多个训练小图后,将训练小图输入小图神经网络以对小图神经网络进行训练,得到训练后的小图神经网络。
其中,小图神经网络例如是深度学习网络。深度学习是机器学习的一种,其概念源于人工神经网络的研究。通过多层卷积神经网络以及全连接层来模拟神经细胞的处理信息方式,并且通过各种激活函数和池化方法将线性变换转变为非线性变换,以此来达到更高的适用性要求。在目前计算机视觉的发展过程中,深度学习方法体现出了巨大的优势。小图神经网络具体例如是ResNet-18(残差网络),ResNet-18有17个卷积层,1个全连接层,还有一个最大池化层。将训练小图输入ResNet-18,以对ResNet-18进行训练。
可选地,由于训练视野图中可能存在不同类型的偏差概率符号占比差异较大,不同类型的训练小图的占比差异也较大,可能导致对占比较小的某类型训练小图训练不够。因此,为了提高小图神经网络对不同类型的小图训练的均衡性,可以对占比较小的某类型的训练小图进行增强训练。
具体地,在训练小图神经网络的同时,统计小图神经网络输出的不同类型训练小图的占比。当某类型的训练小图的占比低于阈值时,可以随机变换训练视野图,例如旋转或翻转训练视野图,并将变换后的训练视野图也作为训练视野图。还可以随机分割训练视野图,将随机分割的训练小图输入小图神经网络,以增强对占比较低的类型的训练小图的训练。
S103:根据偏差概率符号的种类使用不同的数字对小图进行标记,以通过数字来表示视野图。
将包括不同类型的偏差概率符号的小图与不同的数字进行关联,并使用对应的数字标记训练后的小图神经网络所识别的小图,得到标记后的小图。偏差概率符号、小图和数字之间具有唯一对应的关联关系,因此可以数字可以表示视野图中的偏差概率符号。
进一步地,在获得标记后的小图后,将视野图的所有小图对应的数字组成二维数组,并且数字在二维数组中的位置与对应小图在视野图的位置相同。换句话说,按照小图在分割前的视野图中的位置,使用小图对应的数字在相同的位置进行组合得到二维数组。
通过本实施例,使得照片形式的视野图可以被识别为数字表征的视野图(即二维数组)。数字表征的视野图可以用于后续人工智能对视野图的分析诊断,能够提高人工智能对视野图分析诊断的准确率。
本申请中,用于识别的视野图例如是通过相机拍摄视野图报告中的总偏差概率图或模式偏差概率图所得到的照片。当然,用于识别的视野图也可以是其他形式的图片,例如电子截图等。为了提高视野图的识别准确率,在对视野图进行分割之前,可以对视野图进行检测和预处理。
参阅图2-图4,图2是本申请提供的视野图的识别方法的第二实施例的流程示意图;图3是本申请提供的原始视野图的示意图;图4是本申请提供的调整视野图的示意图。可以理解,本申请提供的原始视野图和调整视野图仅作为举例,实际应用中,用于识别的视野图以实际为准。本实施例基于视野图的识别方法的第一实施例,故相同的步骤在此不再赘述。本实施例的具体步骤如下:
S201:获取原始视野图。
接收用户输入的原始视野图,以对原始视野图中的总偏差概率图或模式偏差概率图进行检测和识别。
本实施例中,原始视野图例如是对纸质或电子版视野图检测报告拍照获得的照片,如图3所示。当然,原始视野图也可以是对电子版视野图检测报告截图获得的电子图片。
S202:基于训练后的视野图神经网络,识别原始视野图中的模式偏差概率图或总概率偏差图。
将原始视野图输入训练后的视野图神经网络,以识别原始视野图中的原始视野图中的模式偏差概率图或总概率偏差图。
具体地,模式偏差概率图或总概率偏差图中包括相互垂直的第一线段和第二线段,第一线段和第二线段相交于中心点,第一线段和第二线段分别具有2个端点。偏差概率符号均设置在第一线段和第二线段的4个端点形成的区域内。因此,将原始视野图输入训练后的视野图神经网络识别,检测原始视野图中的中心点和4个端点,可以识别出原始视野图中的模式偏差概率图或总概率偏差图。
其中,训练后的视野图神经网络可以通过下述方法进行训练:
获取训练视野图,训练视野图中包括具有标记端点和标记中心点的第一线段和第二线段。需要说明的是,由于在后续使用训练后的视野图神经网络进行识别的视野图可能是照片,因此用于训练视野图神经网络的训练视野图中至少部分是视野图照片,以提高对照片形式的视野图的识别率。训练视野图在输入视野图神经网络前,其中的4个端点和中心点经过人工标记,以提高对视野图神经网络的训练效果。
使用训练视野图对视野图神经网络进行训练,得到训练后的视野图神经网络。
S203:根据识别的模式偏差概率图或总概率偏差图,对原始视野图进行调整,得到调整视野图。
根据识别到的原始视野图中的4个端点和中心点,对原始视野图进行调整,得到调整视野图,如图4所示。
具体地,以方形框对视野图进行剪裁,并且四个端点分别作为方形框四个边的中心点。换句话说,沿通过第一线段的两个端点且平行于第二线段的方向和沿通过第二线段的两个端点且平行于第一线段的方向剪裁原始视野图,得到调整视野图。对原始视野图进行调整,可以减少原始视野图中不相关因素例如文字、数字或其他符号对后续视野图的分割和识别造成的干扰,提高视野图的识别准确率。
S204:将调整视野图平均分割为多个小图。
本步骤可以参照S101相关的内容,在此不再赘述。
S205:基于训练后的小图神经网络,识别小图的偏差概率符号。
S206:根据偏差概率符号的种类使用不同的数字对小图进行标记,以通过数字来表示视野图。
由于不同的人拍照习惯各不相同,拍照时的光线也各不相同,拍出来的视野图的照片会千差万别。为了更好的识别视野图中的偏差概率符号,减少因拍照的光照,角度,纸张等带来的差异性,可以对图片进行预处理。参阅图5-图7,图5是本申请提供的视野图的识别方法的第三实施例的流程示意图;图6是本申请提供的二值化视野图的示意图;图7是本申请提供的二维数组的示意图。可以理解,本申请提供的二值化视野图和二维数组仅作为举例,实际应用中,用于识别的视野图中的内容以实际为准。本实施例基于视野图的识别方法的第一实施例和第二实施例,故相同的步骤在此不再赘述。本实施例的具体步骤如下:
S301:获取原始视野图。
S302:基于训练后的视野图神经网络,识别原始视野图中的模式偏差概率图或总概率偏差图。
S303:根据识别的模式偏差概率图或总概率偏差图,对原始视野图进行调整,得到调整视野图。
S304:对调整视野图进行二值化处理,得到二值化视野图。
因为调整视野图中的色彩较少,且调整视野图中的偏差概率符号较简单,因此可以对调整视野图进行二值化处理,得到二值化视野图,如图6所示。
其中,二值化是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。
本实施例中,例如是通过阈值法对调整视野图进行二值化处理。
具体地,先计算原始视野图的二值化阈值,再将调整视野图中灰度值高于二值化阈值的像素的灰度值设置为0,灰度值低于二值化阈值的像素的灰度值设置为255。
进一步地,可以分别计算调整视野图中第一线段和第二线段分隔而成的4个区域(mig1、mig2、mig3和mig4)的二值化阈值,并分别对4个区域进行二值化处理。如此可以降低对视野图拍照时因光线导致视野图的照片灰度值不均对视野图识别造成的影响。
具体地,使用第一算法分别计算4个区域的初始二值化阈值th1,th2,th3,th4。其中,第一算法例如是大津算法。当然第一算法也可以是其他算法,本申请对此不做限制。
在一实施方式中,可以使用初始二值化阈值分别对其对应的区域进行二值化处理。
在另一实施方式中,还可以使用第二算法结合其他区域的初始二值化阈值进行计算,得到最终二值化阈值。如此能够降低其中某一区域的灰度值较高而导致二值化处理后该区域灰度值偏低,从而对视野图识别造成的影响。
其中,第二算法表示如下:
Tha最终=qa*tha初始+qb*thb初始+qc*thc初始+qd*thd初始
其中,tha初始表示当前区域的初始二值化阈值,qa表示当前区域的权重,Tha最终表示当前区域的最终二值化阈值,thb初始、thc初始、thd初始表示当前区域外其他区域的初始二值化阈值,qb、qc、qd表示除当前区域外其他区域的权重。
可选地,当前区域的初始二值化阈值权重高于其他区域的初始二值化阈值权重。
可选地,qa:qb:qc:qd=2:1:1:1。具体地,第一个区域mig1的最终阈值为0.4*th1+0.2*th2+0.2*th3+0.2*th4,以此类推,第二个区域mig2的最终阈值为0.4*th2+0.2*th2+0.2*th3+0.2*th4,第三个区域mig3的最终阈值为0.4*th2+0.2*th1+0.2*th2+0.2*th4,第四个区域mig4的最终阈值为0.4*th4+0.2*th1+0.2*th2+0.2*th3。不同区域的初始二值化阈值的权重可以根据调整视野图的实际情况进行设置,本申请对此不做要求。
分别使用最终二值化阈值对其对应的区域进行二值化处理,得到二值化视野图。
进一步地,每个区域分别二值化处理后再将这些区域拼接到一起,得到二值化处理效果较好的二值化视野图。可以理解,二值化处理后的区域在二值化视野图中的位置,与该区域在调整视野图中的位置相同。
S305:将二值化视野图平均分割为目标数量的小图。
S306:基于训练后的小图神经网络,识别小图的偏差概率符号。
S307:根据偏差概率符号的种类使用不同的数字对小图进行标记,得到标记后的小图。
S308:将所有标记后的小图对应的数字组成二维数组,数字在二维数组中的位置与对应标记后的小图在视野图的位置相同。
在获得标记后的小图后,将视野图的所有小图对应的数字组成二维数组,并且数字在二维数组中的位置与对应小图在视野图的位置相同。换句话说,按照小图在分割前的视野图中的位置,使用小图对应的数字在相同的位置进行组合得到二维数组,如图7所示。
本实施例通过将视野图分割成为多个包括一偏差概率符号的小图,通过训练后的小图神经网络对小图中的偏差概率符号进行识别,能够提高对视野图的识别准确率。训练后的小图神经网络对不同偏差概率符号对应的小图识别分类后,使用不同数字对不同类型的小图进行标记,使得视野图可以通过数字进行表示,便于数字表征的视野图用于后续程序的分析。此外,在分割视野图之前,对视野图进行检测、调整和二值化处理等操作,可以降低视野图的差异性对视野图识别的影响,能够进一步地提高视野图的识别准确率。
上述视野图的识别方法由视野图识别装置实现,因而本申请还提供视野图识别装置,请参阅图8,图8是本申请提供的视野图识别装置一实施例的结构示意图,本实施例视野图识别装置100可以是智能手机、平板电脑、计算机或服务器等。视野图识别装置100包括相互连接的处理器11和存储器12,本实施例视野图识别装置100可实现上述视野图的识别方法的实施例。其中,存储器12中存储有计算机程序,处理器11用于执行计算机程序以实现上述视野图的识别方法。具体来说,处理器11用于将视野图分割为多个小图,以使得每一小图包括一偏差概率符号;基于训练后的小图神经网络,识别小图的偏差概率符号;根据偏差概率符号的种类使用不同的数字对小图进行标记,以通过数字来表示视野图。
其中,处理器11可以是一种集成电路芯片,具有信号的处理能力。处理器11还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
对于上述实施例的方法,其可以计算机程序的形式存在,因而本申请提出一种计算机存储介质,请参阅图9,图9是本申请提供的计算机存储介质一实施例的结构示意图。本实施例计算机存储介质200中存储有计算机程序21,其可被执行以实现上述实施例中的方法。
本实施例计算机存储介质200可以是U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等可以存储程序指令的介质,或者也可以为存储有该程序指令的服务器,该服务器可将存储的程序指令发送给其他设备运行,或者也可以自运行该存储的程序指令。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请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,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种视野图的识别方法,其特征在于,所述视野图包括至少一种偏差概率符号,所述视野图包括模式偏差概率图或总概率偏差图,所述模式偏差概率图或总概率偏差图包括相互垂直的第一线段和第二线段,所述第一线段和第二线段将所述视野图划分为4个区域;所述识别方法包括:
使用第一算法分别计算所述4个区域的初始二值化阈值;
基于所述4个区域的所述初始二值化阈值,使用第二算法分别计算所述4个区域的最终二值化阈值;
分别使用所述最终二值化阈值对其对应的所述区域进行二值化处理,得到二值化视野图;
将所述二值化视野图平均分割为多个小图,以使得每一所述小图包括一所述偏差概率符号;
基于训练后的小图神经网络,识别所述小图的所述偏差概率符号;
根据所述偏差概率符号的种类使用不同的数字对所述小图进行标记,以通过所述数字来表示所述视野图;将所有所述小图对应的数字组成二维数组,所述数字在所述二维数组中的位置与对应的小图在所述视野图的位置相同;所述数字表征的视野图用于人工智能分析;
其中,所述第一算法为大津算法,所述第二算法为:
Tha最终=qa*tha初始+ qb*thb初始+ qc*thc初始+ qd*thd初始
其中,tha初始表示当前区域的所述初始二值化阈值,qa表示当前区域的权重,Tha最终表示当前区域的所述最终二值化阈值,thb初始、thc初始、thd初始表示当前区域外其他区域的所述初始二值化阈值,qb、qc、qd表示除当前区域外其他区域的权重。
2.根据权利要求1所述的识别方法,其特征在于,使用第一算法分别计算所述4个区域的初始二值化阈值之前,包括:
获取原始视野图;
基于训练后的视野图神经网络,识别所述原始视野图中的模式偏差概率图或总概率偏差图;
根据识别的所述模式偏差概率图或总概率偏差图,对所述视野图进行调整,得到调整视野图;将所述调整视野图作为被划分为4个区域的所述视野图。
3.根据权利要求2所述的识别方法,其特征在于,所述模式偏差概率图或总概率偏差图包括相互垂直的第一线段和第二线段,所述第一线段和第二线段相交于中心点;
所述基于训练后的视野图神经网络,识别所述原始视野图中的模式偏差概率图或总概率偏差图包括:
将所述原始视野图输入所述训练后的视野图神经网络;
通过所述训练后的视野图神经网络识别所述第一线段和第二线段的所述中心点及四个端点,所述四个端点围设的区域识别为所述模式偏差概率图或总概率偏差图;
所述根据识别的所述模式偏差概率图或总概率偏差图,对所述视野图进行调整,得到调整视野图包括:
以矩形框对所述原始视野图进行剪裁,使得所述四个端点分别作为所述矩形框四个边的中心点。
4.根据权利要求2所述的识别方法,其特征在于,所述模式偏差概率图或总概率偏差图包括相互垂直的第一线段和第二线段,所述第一线段和第二线段相交于中心点;
所述基于训练后的视野图神经网络,识别所述视野图中的模式偏差概率图或总概率偏差图之前,包括:
获取训练视野图,所述训练视野图中包括具有标记端点和标记中心点的所述第一线段和第二线段;
使用所述训练视野图对视野图神经网络进行训练,得到所述训练后的视野图神经网络。
5.根据权利要求1所述的识别方法,其特征在于, qa:qb:qc:qd=2:1:1:1。
6.根据权利要求1所述的识别方法,其特征在于,所述方法还包括:
将每一训练视野图分割为多个训练小图,每一所述训练小图包括一所述偏差概率符号;
使用所述训练小图对小图神经网络进行训练,得到所述训练后的小图神经网络。
7.根据权利要求6所述的识别方法,其特征在于,所述方法还包括:
统计每一类型的所述训练小图在所有的训练小图中的占比;
若所述占比满足预设条件,则随机变换所述训练视野图,并将变换后的训练视野图也作为所述训练视野图。
8.一种视野图识别装置,其特征在于,所述视野图识别装置包括处理器和存储器;所述处理器耦接所述存储器,在工作时执行指令,以配合所述存储器实现如权利要求1至7任一项所述的视野图的识别方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序被执行以实现如权利要求1至7中任一项所述的视野图的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911287450.2A CN111179226B (zh) | 2019-12-14 | 2019-12-14 | 视野图的识别方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911287450.2A CN111179226B (zh) | 2019-12-14 | 2019-12-14 | 视野图的识别方法、装置及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179226A CN111179226A (zh) | 2020-05-19 |
CN111179226B true CN111179226B (zh) | 2024-04-19 |
Family
ID=70650234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911287450.2A Active CN111179226B (zh) | 2019-12-14 | 2019-12-14 | 视野图的识别方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179226B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651921B (zh) * | 2020-09-11 | 2022-05-03 | 浙江大学 | 一种基于深度学习的青光眼视野数据区域提取方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778593A (zh) * | 2007-06-15 | 2010-07-14 | 南加州大学 | 通过光学相干断层照相的用于诊断视神经疾病的视网膜地形图图案分析 |
CN108229545A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 青光眼诊断的方法、装置及电子设备 |
-
2019
- 2019-12-14 CN CN201911287450.2A patent/CN111179226B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778593A (zh) * | 2007-06-15 | 2010-07-14 | 南加州大学 | 通过光学相干断层照相的用于诊断视神经疾病的视网膜地形图图案分析 |
CN108229545A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 青光眼诊断的方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
Şerife Seda Kucur et al..A deep learning approach to automatic detection of early glaucoma from visual fields.《PLOS ONE》.2018,第1-18页. * |
首次青光眼发作后的视野变化;成霄黎等;《山西医科大学学报》;20090930;第40卷(第09期);第850-853页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111179226A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
US11176408B2 (en) | Tire image recognition method and tire image recognition device | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
CN105917353B (zh) | 用于生物认证的特征提取及匹配以及模板更新 | |
US9286537B2 (en) | System and method for classifying a skin infection | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
Lei et al. | Scale insensitive and focus driven mobile screen defect detection in industry | |
CN110033040B (zh) | 一种火焰识别方法、***、介质和设备 | |
CN106934794A (zh) | 信息处理装置,信息处理方法和检查*** | |
CN110059607B (zh) | 活体多重检测方法、装置、计算机设备及存储介质 | |
CN111222380B (zh) | 一种活体检测方法、装置、及其识别模型训练方法 | |
WO2021082433A1 (zh) | 一种数字病理图像质控的方法及装置 | |
CN111784665B (zh) | 基于傅里叶变换的oct图像质量评估方法、***及装置 | |
CN112686258A (zh) | 体检报告信息结构化方法、装置、可读存储介质和终端 | |
CN111179226B (zh) | 视野图的识别方法、装置及计算机存储介质 | |
CN107665347A (zh) | 基于滤波优化的视觉显著性目标检测方法 | |
Hu et al. | Jpeg ringing artifact visibility evaluation | |
CN114841974A (zh) | 一种水果内部结构无损检测方法、***、电子设备及介质 | |
CN114140381A (zh) | 一种基于MDP-net的玻璃体混浊分级筛查方法及装置 | |
KR101916596B1 (ko) | 이미지의 혐오감을 예측하는 방법 | |
Souza et al. | MICR automated recognition based on paraconsistent artificial neural networks | |
Nimbarte et al. | Extraction of blood vessels and optic disc in retinal images | |
Chaugule et al. | A new method using feature extraction for identifying paddy rice species for quality seed selection |
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 |