CN111340778A - 一种青光眼图像处理方法和设备 - Google Patents
一种青光眼图像处理方法和设备 Download PDFInfo
- Publication number
- CN111340778A CN111340778A CN202010117157.8A CN202010117157A CN111340778A CN 111340778 A CN111340778 A CN 111340778A CN 202010117157 A CN202010117157 A CN 202010117157A CN 111340778 A CN111340778 A CN 111340778A
- Authority
- CN
- China
- Prior art keywords
- glaucoma
- diagram
- dimensional array
- map
- key point
- 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.)
- Pending
Links
Images
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (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
本发明提出了一种青光眼图像处理方法和设备,包括:通过交互端获取视野报告中的PD图,并通过PD图检测识别单元对PD图进行处理,以获取用于表征PD图的二维数组;基于青光眼识别单元对二维数组进行处理,以提取二维数组的特征及确定PD图中是否存在青光眼的概率;通过相似度计算单元基于特征和存储端中的样本库进行相似度计算,以确定样本库中与特征相似度最高的预设数量的图片进行存储;将概率以及图片在交互端作为PD图的处理结果进行展示。基于视野图进行识别处理,且支持多个***,可广泛应用于各种场景中,为实现青光眼早期诊断提供便利,方便了医疗资源没有那么发达地区青光眼的早期诊断及筛查,操作起来简单方便,利于提前快速识别青光眼。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种青光眼图像处理方法和设备。
背景技术
计算机技术被称为第三次技术革命,对人类的衣、食、住、行、用等日常生活的各个方面产生了重大的影响。人工智能是计算机技术的重要分支,人工智能从诞生以来,理论和技术不断精进,应用领域也不断增多。人工智能与其他领域的结合取得了一定的成绩。人工智能+医疗逐渐成为研究热点,通过对医疗数据进行自然语言处理或者计算机视觉的处理,不断分析学习所得到的资源来获取一定的信息是十分热门的研究方向。
青光眼是一类常见的严重危害人们健康、致盲性眼病,其隐蔽性强、发病迅速、对眼球各部位组织和视觉功能危害极大,若不及早的治疗,视力可能会丧失甚至不可逆性失明,早发现早治疗效果好很多,因此对于青光眼的早期诊断及治疗尤为重要。在青光眼的诊断中视野图检查结果占据了十分大的份额,但目前针对视野图的识别诊断并不多见。
现有技术对眼底图的检测进行青光眼的诊断,青光眼是一类常见疑难眼病,仅仅基于眼底图的诊断不充分,特别是较早期的青光眼的诊断就更是不充分,但青光眼的早期诊断预防更具现实意义。
目前针对青光眼的诊断前没有检测过程,检测正确了对之后的识别的效果会有很大的提升,直接进行识别很可能造成不准确的结果。而准确率是十分重要的评价标准之一,现有的发明有的准确率未知,未提及准确率效果不确定,若诊断结果为假阴性会影响病人后续的治疗,延误病情。
且目前青光眼的诊断不是针对已有医学报告的诊断,从医疗设备中导出样本数据,而这大大增加了***的使用代价,需要专门的工程技术人员与专业眼科医生进行合作才能达成这一目的,而普通患者或体检人无法利用***,这导致适用范围不够广,实用性不够高;现有技术使用起来较麻烦;部分现有技术采用连个青光眼OCT、视野和、眼底照等A超等多种模态数据进行特定类型青光眼诊断,并且在实施过程中需要专业眼科医生的介入,无法全自动化智能分析。另外实际使用时,收集多个模态数据难度比单一模态更大,导致无法有效利用筛查***。
发明内容
针对现有技术中的缺陷,本发明提出了一种青光眼图像处理方法和设备,本方案基于视野图进行识别处理,且支持多个***,例如可以在手机上都可以适应,且将检测的结果进行可视化展示,可广泛应用于各种场景中,为实现青光眼早期诊断提供便利,方便了医疗资源没有那么发达地区青光眼的早期诊断及筛查。操作起来十分简单方便,利于后续青光眼的诊断。
具体的,本发明提出了以下具体的实施例:
本发明实施例提出了一种青光眼图像处理方法,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;该方法包括:
通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;
基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;
通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;
将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。
在一个具体的实施例中,所述交互端包括拍照单元;
所述通过所述交互端获取视野报告中的PD图,包括:
通过所述交互端中的拍照单元对视野图报告进行拍照,以获取其中的PD图。
在一个具体的实施例中,所述通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组,包括:
通过所述PD图检测识别单元对所述PD图进行检测,以确定所述PD图中坐标轴的位置点;其中,所述位置点包括坐标轴中心点、和坐标轴的上、左、下、右四个关键点;
以坐标轴中心点为四边形中心,以坐标轴的上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图;
将基于预设的识别算法对所述不包含边框的PD图进行识别,以获取用于表征所述不包含边框的PD图的N*N的二维数组;其中,所述二维数组中的数字与所述不包含边框的PD图中相应位置的图像一一对应;不同的数字对应不同的图像。
在一个具体的实施例中,所述基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率,包括:
基于所述青光眼识别单元将所述二维数组输入深度卷积神经网络只能进行计算,以提取所述二维数组的特征;
将所述特征输入预设的分类器,得到所述PD图中是否存在青光眼的概率。
在一个具体的实施例中,所述通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储,包括:
基于所述存储端中样本库的特征构建球形树;
将所提取到的特征加入到所述球形树中作为目标点;
在所述球形树中查询与所述目标点的欧氏距离或曼哈顿距离最小的观测点;
选择与所述观测点对应的图片进行存储。
在一个具体的实施例中,所述处理结果以特征分布图的方式进行体现:
所述特征分布图是通过采用可视化工具T-SNE对所述图片中及所述PD图中的特征投影到2维空间生成。
本发明实施例还提出了一种青光眼图像处理设备,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;该设备包括:
获取模块,用于通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;
确定模块,用于基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;
处理模块,用于通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;
展示模块,用于将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。
在一个具体的实施例中,所述交互端包括拍照单元;
所述获取模块通过所述交互端获取视野报告中的PD图,包括:
通过所述交互端中的拍照单元对视野图报告进行拍照,以获取其中的PD图。
在一个具体的实施例中,所述获取模块通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组,包括:
通过所述PD图检测识别单元对所述PD图进行检测,以确定所述PD图中坐标轴的位置点;其中,所述位置点包括坐标轴中心点、和坐标轴的上、左、下、右四个关键点;
以坐标轴中心点为四边形中心,以坐标轴的上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图;
将基于预设的识别算法对所述不包含边框的PD图进行识别,以获取用于表征所述不包含边框的PD图的N*N的二维数组;其中,所述二维数组中的数字与所述不包含边框的PD图中相应位置的图像一一对应;不同的数字对应不同的图像。
在一个具体的实施例中,所述确定模块,用于:
基于所述青光眼识别单元将所述二维数组输入深度卷积神经网络只能进行计算,以提取所述二维数组的特征;
将所述特征输入预设的分类器,得到所述PD图中是否存在青光眼的概率。
以此,本发明实施例提出了一种青光眼图像处理方法和设备,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;该方法包括:通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。本方案基于视野图进行识别处理,且支持多个***,例如可以在手机上都可以适应,且将检测的结果进行可视化展示,可广泛应用于各种场景中,为实现青光眼早期诊断提供便利,方便了医疗资源没有那么发达地区青光眼的早期诊断及筛查。操作起来十分简单方便,利于后续青光眼的诊断。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提出的一种青光眼图像处理方法的流程示意图;
图2为本发明实施例提出的一种青光眼图像处理方法所涉及到的装置的示意图;
图3为本发明实施例提出的一种青光眼图像处理方法的流程示意图;
图4为本发明实施例提出的一种青光眼图像处理方法中对PD图进行检测识别得到二维数组的示意图;
图5为本发明实施例提出的一种青光眼图像处理方法中确定是否青光眼的示意图;
图6为本发明实施例提出的一种青光眼图像处理方法应用的示意图;
图7为本发明实施例提出的一种青光眼图像处理设备的结构示意图。
具体实施方式
在下文中,将更全面地描述本公开的各种实施例。本公开可具有各种实施例,并且可在其中做出调整和改变。然而,应理解:不存在将本公开的各种实施例限于在此公开的特定实施例的意图,而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用,单数形式意在也包括复数形式,除非上下文清楚地另有指示。除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本公开的各种实施例中被清楚地限定。
实施例1
本发明实施例1还公开了一种青光眼图像处理方法,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接(具体的,这三者可以可通过网络连接,也可以集成同一个设备中);所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;如图1-图6所示,包括以下步骤:
步骤101、通过所述交互端获取视野报告中的PD(Pattern Deviation)图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;
具体的,如图2以及图3所示,所述交互端、计算端和存储端所包括多个子单元;由此,在一个具体的实施例中,所述交互端包括拍照单元;
交互模块主要实现拍照及显示功能,实现整个装置的数据采集和结果显示,该功能主要通过以下两个单元完成:
拍照单元:通过摄像机,对准视野图报告中的PD图部分,进行拍照,将拍照结果保存,并传输给计算模块。
显示单元:通过液晶屏显示青光眼判断结果,以及输入PD图在样本库中的分布图,和3个相似样本的图片。
所述通过所述交互端获取视野报告中的PD图,包括:
通过所述交互端中的拍照单元对视野图报告进行拍照,以获取其中的PD图。
在一个具体的实施例中,所述通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组,包括:
通过所述PD图检测识别单元对所述PD图进行检测,以确定所述PD图中坐标轴的位置点;其中,所述位置点包括坐标轴中心点、和坐标轴的上、左、下、右四个关键点;
以坐标轴中心点为四边形中心,以坐标轴的上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图;
将基于预设的识别算法对所述不包含边框的PD图进行识别,以获取用于表征所述不包含边框的PD图的N*N的二维数组;其中,所述二维数组中的数字与所述不包含边框的PD图中相应位置的图像一一对应;不同的数字对应不同的图像。
如图4所示,计算模块通过内置的算法,完成对PD图的检测和识别、以及青光眼诊断,相似度计算等。PD图检测识别单元:该单元输入为PD图,输出为表示PD图的二维数组。当该单元接收到交互模块传送过来的PD图后,首先使用内置的检测算法,计算PD图中坐标轴的位置,并以5个关键点来表征位置信息:坐标轴中心点坐标,坐标轴上、左、下、右四个关键点坐标。如图4中所示点1-点5。
根据五个关键点,以坐标轴中心点为四边形中心,以上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图,将该四边形中的PD图分为10*10的网格图,如图4所示。
使用内置的识别算法,按照PD图中的内容表征为10*10的二维数组,其中矩阵中的一个元素对应上述网格图的一个网格中的图片。根据青光眼诊断报告中PD图的特征,目前PD图仅包含6种不同的图像。所以可以用有限个数字如0-5来表示,其中0代表空白网格。最终的10*10的二维数组为PD图的数学表征。
青光眼诊断单元:该单元以PD图的数学表征为输入,输入10*10的数组,输出青光眼概率,及1*N的特征向量。
步骤102、基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率(具体的,青光眼识别单元可以使用一种基于深度学习的青光眼识别网络来提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率);
具体的,步骤102中的所述基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率,包括:
基于所述青光眼识别单元将所述二维数组输入深度卷积神经网络只能进行计算,以提取所述二维数组的特征;
将所述特征输入预设的分类器,得到所述PD图中是否存在青光眼的概率。
如图5所示,基于深度卷积神经网络的图像分类算法。输入的10*10的数组,通过多层卷积层的计算,提取特征,然后送入分类器进行分类。本发明不限制卷积层的具体结构,它可以具有任意层的卷积神经网络,每一层的参数也是不固定的。分类器模块包含N层全连接层,输入特征为F,随后接一个Softmax激活函数,输出维度为2,分别代表青光眼和非青光眼的概率。
步骤103、通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;
具体的,步骤103中的所述通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储,包括:
基于所述存储端中样本库的特征构建球形树;
将所提取到的特征加入到所述球形树中作为目标点;
在所述球形树中查询与所述目标点的欧氏距离或曼哈顿距离最小的观测点;
选择与所述观测点对应的图片进行存储。
具体的,相似度计算算法,可使用欧氏距离或曼哈顿距离衡量两个特征的相似度程度,距离越小代表相似度越高。使用样本库中的特征构建球形树(Ball Tree),并将输入PD图的特征加入球形树中,使用球形树来搜索最近邻的观测点,作为相似样本。具体的使用ball tree时,先自上而下找到包含target的叶子结点,从该结点中找到离它最近的观测点,这个距离就是最近邻的距离的上界。检查它的兄弟结点中是否包含比这个上界更小的观测点。方法是:如果目标点距离兄弟结点的圆心的距离大于这个圆的圆心加上前面的上界的值,则这个兄弟结点不可能包含所要的观测点。否则,检查这个兄弟结点是否包含符合条件的观测点。
步骤104、将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。
进一步,所述处理结果以特征分布图的方式进行体现:
所述特征分布图是通过采用可视化工具T-SNE对所述图片中及所述PD图中的特征投影到2维空间生成。
此外,本方案中的存储模块主要用来存储样本库及诊断结果,方便其他单元进行调用。
样本库数据单元:为了给用户展示相似PD图的青光眼视野报告,提供更加完善的辅助诊断功能,该装置可以为用户展示3个最相似的样本。在相似度计算单元中,需要将输入PD图的特征与样本库中特征进行比较。本单元中存储大量,例如近万张经专科医生诊断后的青光眼视野报告,并使用青光眼诊断单元中的算法提取了对应的特征向量,保存在本存储单元中。
诊断结果数据单元:本单元中主要存贮青光眼诊断单元中输出的青光眼概率,以及相似度计算单元中输出的相似样本图像和输入PD图与图像库的特征分布图。该单元存储的数据,供显示单元进行调用,方便用户回看辅助诊断结果。
而为了使本发明更加灵活的应用于不同的需求中,实现多样化的应用场景,上述的3个模块可集成于同一个设备中,也可分布在不同设备上,通过网络等通信技术传递数据。例如将计算模块和存储模块作为云端装置,将交互模块作为客户端装置。从而实现青光眼判断方法的云端处理。
本发明主要应用于通过已有的视野图对青光眼进行诊断的领域。青光眼的早期防治十分重要,早期青光眼绝大多数没有特别明显症状,高危人群等不会去做青光眼的检测,患者会因此而被延误病情,青光眼到了后期可能造成不可逆的后果。早期预防、早期治疗可以防止进一步走向“盲”。在社区医院,乡镇医院,偏远地区等缺乏专业的青光眼专科医生或者普查时有视野图报告,需要得到青光眼诊断结果。此发明可集成在手机、个人电脑、以及其他移动装置中,十分简单快捷,且可以随时随地地进行诊断。
1.在社区医院,乡镇医院或偏远地区往往缺乏经验丰富的青光眼专科医生,有患者出现有关症状需要进一步确诊时,没有经验丰富的医生来确诊,可能会延误病情造成不可挽回的伤害,此时就需要使用次发明来辅助诊断。
2.对于青光眼易感人群,如年龄超过40岁,有家族遗传史,高度近视,有糖尿病,血压波动过大等,定期检查,早期筛查尤为重要,很多青光眼患者都是等到视野缺失了才发现患病。可以利用此发明进行青光眼的早期筛查,如免费为易感人群检查等。
3.已确诊的患者,在经过一段时间治疗后,需要复诊来查看治疗效果,若病人住在较偏僻或医疗资源不发达的地区,此时寻求到的专业的帮助十分有限,此时求助于此发明以获取结果。
实施例2
本发明实施例2还公开了一种青光眼图像处理设备,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;如图7所示,该设备包括:
获取模块201,用于通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;
确定模块202,用于基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;
处理模块203,用于通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;
展示模块204,用于将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。
在一个具体的实施例中,所述交互端包括拍照单元;
所述获取模块201通过所述交互端获取视野报告中的PD图,包括:
通过所述交互端中的拍照单元对视野图报告进行拍照,以获取其中的PD图。
在一个具体的实施例中,所述获取模块201通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组,包括:
通过所述PD图检测识别单元对所述PD图进行检测,以确定所述PD图中坐标轴的位置点;其中,所述位置点包括坐标轴中心点、和坐标轴的上、左、下、右四个关键点;
以坐标轴中心点为四边形中心,以坐标轴的上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图;
将基于预设的识别算法对所述不包含边框的PD图进行识别,以获取用于表征所述不包含边框的PD图的N*N的二维数组;其中,所述二维数组中的数字与所述不包含边框的PD图中相应位置的图像一一对应;不同的数字对应不同的图像。
在一个具体的实施例中,所述确定模块202,用于:
基于所述青光眼识别单元将所述二维数组输入深度卷积神经网络只能进行计算,以提取所述二维数组的特征;
将所述特征输入预设的分类器,得到所述PD图中是否存在青光眼的概率。
在一个具体的实施例中,所述处理模块203,用于:
基于所述存储端中样本库的特征构建球形树;
将所提取到的特征加入到所述球形树中作为目标点;
在所述球形树中查询与所述目标点的欧氏距离或曼哈顿距离最小的观测点;
选择与所述观测点对应的图片进行存储。
在一个具体的实施例中,所述处理结果以特征分布图的方式进行体现:
所述特征分布图是通过采用可视化工具T-SNE对所述图片中及所述PD图中的特征投影到2维空间生成。
以此,本发明实施例提出了一种青光眼图像处理方法和设备,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;该方法包括:通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。本方案基于视野图进行识别处理,且支持多个***,例如可以在手机上都可以适应,且将检测的结果进行可视化展示,可广泛应用于各种场景中,为实现青光眼早期诊断提供便利,方便了医疗资源没有那么发达地区青光眼的早期诊断及筛查。操作起来十分简单方便,利于后续青光眼的诊断。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种青光眼图像处理方法,其特征在于,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;该方法包括:
通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;
基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;
通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;
将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。
2.如权利要求1所述的一种青光眼图像处理方法,其特征在于,所述交互端包括拍照单元;
所述通过所述交互端获取视野报告中的PD图,包括:
通过所述交互端中的拍照单元对视野图报告进行拍照,以获取其中的PD图。
3.如权利要求1或2所述的一种青光眼图像处理方法,其特征在于,所述通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组,包括:
通过所述PD图检测识别单元对所述PD图进行检测,以确定所述PD图中坐标轴的位置点;其中,所述位置点包括坐标轴中心点、和坐标轴的上、左、下、右四个关键点;
以坐标轴中心点为四边形中心,以坐标轴的上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图;
将基于预设的识别算法对所述不包含边框的PD图进行识别,以获取用于表征所述不包含边框的PD图的N*N的二维数组;其中,所述二维数组中的数字与所述不包含边框的PD图中相应位置的图像一一对应;不同的数字对应不同的图像。
4.如权利要求1所述的一种青光眼图像处理方法,其特征在于,所述基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率,包括:
基于所述青光眼识别单元将所述二维数组输入深度卷积神经网络只能进行计算,以提取所述二维数组的特征;
将所述特征输入预设的分类器,得到所述PD图中是否存在青光眼的概率。
5.如权利要求1所述的一种青光眼图像处理方法,其特征在于,所述通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储,包括:
基于所述存储端中样本库的特征构建球形树;
将所提取到的特征加入到所述球形树中作为目标点;
在所述球形树中查询与所述目标点的欧氏距离或曼哈顿距离最小的观测点;
选择与所述观测点对应的图片进行存储。
6.如权利要求1所述的一种青光眼图像处理方法,其特征在于,所述处理结果以特征分布图的方式进行体现:
所述特征分布图是通过采用可视化工具T-SNE对所述图片中及所述PD图中的特征投影到2维空间生成。
7.一种青光眼图像处理设备,其特征在于,应用于包括交互端、计算端和存储端的***中,其中,所述交互端、计算端和存储端三者之间网络连接;所述计算端包括PD检测识别单元、青光眼识别单元、相似度计算单元;该设备包括:
获取模块,用于通过所述交互端获取视野报告中的PD图,并通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组;
确定模块,用于基于所述青光眼识别单元对所述二维数组进行处理,以提取所述二维数组的特征及确定所述PD图中是否存在青光眼的概率;
处理模块,用于通过所述相似度计算单元基于所述特征和所述存储端中的样本库进行相似度计算,以确定样本库中与所述特征相似度最高的预设数量的图片进行存储;
展示模块,用于将所述概率以及所述图片在所述交互端作为所述PD图的处理结果进行展示。
8.如权利要求7所述的一种青光眼图像处理设备,其特征在于,所述交互端包括拍照单元;
所述获取模块通过所述交互端获取视野报告中的PD图,包括:
通过所述交互端中的拍照单元对视野图报告进行拍照,以获取其中的PD图。
9.如权利要求7或8所述的一种青光眼图像处理设备,其特征在于,所述获取模块通过所述PD图检测识别单元对所述PD图进行处理,以获取用于表征所述PD图的二维数组,包括:
通过所述PD图检测识别单元对所述PD图进行检测,以确定所述PD图中坐标轴的位置点;其中,所述位置点包括坐标轴中心点、和坐标轴的上、左、下、右四个关键点;
以坐标轴中心点为四边形中心,以坐标轴的上、左、下、右四个关键点作为四边形四条边的中点,提取出不包含边框的PD图;
将基于预设的识别算法对所述不包含边框的PD图进行识别,以获取用于表征所述不包含边框的PD图的N*N的二维数组;其中,所述二维数组中的数字与所述不包含边框的PD图中相应位置的图像一一对应;不同的数字对应不同的图像。
10.如权利要求7所述的一种青光眼图像处理设备,其特征在于,所述确定模块,用于:
基于所述青光眼识别单元将所述二维数组输入深度卷积神经网络只能进行计算,以提取所述二维数组的特征;
将所述特征输入预设的分类器,得到所述PD图中是否存在青光眼的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117157.8A CN111340778A (zh) | 2020-02-25 | 2020-02-25 | 一种青光眼图像处理方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117157.8A CN111340778A (zh) | 2020-02-25 | 2020-02-25 | 一种青光眼图像处理方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111340778A true CN111340778A (zh) | 2020-06-26 |
Family
ID=71183646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117157.8A Pending CN111340778A (zh) | 2020-02-25 | 2020-02-25 | 一种青光眼图像处理方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111340778A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651921A (zh) * | 2020-09-11 | 2021-04-13 | 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人*** |
CN110619332A (zh) * | 2019-08-13 | 2019-12-27 | 中国科学院深圳先进技术研究院 | 基于视野检查报告的数据处理方法、装置及设备 |
-
2020
- 2020-02-25 CN CN202010117157.8A patent/CN111340778A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的*** |
CN106709254A (zh) * | 2016-12-29 | 2017-05-24 | 天津中科智能识别产业技术研究院有限公司 | 一种医疗诊断机器人*** |
CN110619332A (zh) * | 2019-08-13 | 2019-12-27 | 中国科学院深圳先进技术研究院 | 基于视野检查报告的数据处理方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
ŞERIFE SEDA KUCUR ET AL.: "A deep learning approach to automatic detection of early glaucoma from visual fields" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651921A (zh) * | 2020-09-11 | 2021-04-13 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
US20220076420A1 (en) | Retinopathy recognition system | |
US20220172828A1 (en) | Endoscopic image display method, apparatus, computer device, and storage medium | |
WO2020121308A9 (en) | Systems and methods for diagnosing a stroke condition | |
Ratul et al. | Early risk prediction of cervical cancer: A machine learning approach | |
CN113349810B (zh) | 脑出血病灶识别及血肿扩大预测***及装置 | |
CN111179258A (zh) | 一种识别视网膜出血图像的人工智能方法及*** | |
CN107563997A (zh) | 一种皮肤病诊断***、构建方法、诊断方法和诊断装置 | |
Serener et al. | Geographic variation and ethnicity in diabetic retinopathy detection via deeplearning | |
Xu et al. | GLA-Net: A global-local attention network for automatic cataract classification | |
CN111797900A (zh) | 一种oct-a图像的动静脉分类方法及装置 | |
CN115631367A (zh) | 基于神经网络模型的眼科超声图像分类方法以及装置 | |
Datta et al. | Hyper parameter tuning based gradient boosting algorithm for detection of diabetic retinopathy: an analytical review | |
CN111340778A (zh) | 一种青光眼图像处理方法和设备 | |
CN115496700A (zh) | 一种基于眼部图像的疾病检测***及方法 | |
CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
Sridhar et al. | Artificial intelligence in medicine: diabetes as a model | |
WO2022252107A1 (zh) | 一种基于眼部图像的疾病检测***及方法 | |
CN112885435B (zh) | 图像目标区域的确定方法、装置和*** | |
Hagos | Point-of-care diabetic retinopathy diagnosis: a standalone mobile application approach | |
KR20210080108A (ko) | 홍채 이미지를 사용하여 스트레스 지수를 판별하는 방법 | |
Gunasekara et al. | A feasibility study for deep learning based automated brain tumor segmentation using magnetic resonance images | |
Gobinath et al. | Deep convolutional neural network for glaucoma detection based on image classification | |
US20240257969A1 (en) | Methods and Systems for Providing Clinical States of an Ocular Disease Based on Genomic Data and Phenotypic Data of Subjects | |
Shanthakumari et al. | Glaucoma Detection using Fundus Images using Deep Learning |
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 |