CN111563884A - 基于神经网络的眼底疾病识别方法、计算机设备及介质 - Google Patents
基于神经网络的眼底疾病识别方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN111563884A CN111563884A CN202010339678.8A CN202010339678A CN111563884A CN 111563884 A CN111563884 A CN 111563884A CN 202010339678 A CN202010339678 A CN 202010339678A CN 111563884 A CN111563884 A CN 111563884A
- Authority
- CN
- China
- Prior art keywords
- fundus
- images
- layer
- model
- pooling layer
- 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
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于神经网络的眼底疾病识别方法、计算机设备及介质,该方法包括以下步骤:获取多组待识别的眼底图像,对各组眼底图像进行预处理;将预处理后的眼底图像输入预先训练完成的眼底图像识别模型,从而获得患者的眼底疾病情况;其中,眼底图像识别模型为通过将两个VGG16分类模型结果进行拼接并通过多路全连接层进行输出眼底疾病情况的双路基模型。本发明通过将训练完成的由两个分类模型VGG16进行拼接构建成新的双路基模型对眼底图像进行眼底疾病的识别,能够根据患者的双眼眼底图像,快速、高效的识别出眼底病变,具有很强的鲁棒性。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种基于神经网络的眼底疾病识别方法、计算机设备及介质。
背景技术
随着中国经济的快速发展,人民的生活水平、思想境界在不断提高。但是也不能忽视正在面临的社会问题:眼底疾病特别是近视的发病率呈逐年上升趋势,与之相对的是医疗资源的不足。早期发现常见的眼部疾病是非常困难的,因为在疾病的早期阶段很少见到症状。例如,患有较长期糖尿病的人发展为糖尿病视网膜病变和糖尿病性黄斑水肿的机会较高。糖尿病眼病的早期征兆是微动脉瘤,其微小且难以检测。黄斑保证人的中心视力。黄斑积液会扭曲视力。老年人黄斑功能退化在早期没有症状。白内障也常见于老年人。它会降低人类的视力。青光眼是指一组导致视神经***受损的疾病,这是不可逆转的。此外,高血压会改变血管的形态结构,例如,直径变化和曲折改变。它可以产生心脑血管疾病,如中风和心脏病。最后,由于进行性视网膜色素上皮变薄和衰减,视力丧失在近视人群中也具有高风险。早期发现这些疾病可以预防视力损害和其他问题。图像识别技术可以辅助眼科医生进行诊断,帮助眼科医生完成繁琐的眼底图像筛查工作。
现有的技术方法有基于小波矩的图像识别方法、基于分形特征的图像识别方法等;但是现有技术方法鲁棒性差,分类不准确。
有鉴于此,亟需提供一种能够根据患者的双眼眼底图像,快速、高效的识别出眼底病变,具有很强的鲁棒性的眼底疾病识别方法。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是提供了一种基于神经网络的眼底疾病识别方法,包括以下步骤:
获取多组待识别的眼底图像,对各组眼底图像进行预处理;
将预处理后的眼底图像输入预先训练完成的眼底图像识别模型,从而获得患者的眼底疾病情况;
其中,眼底图像识别模型为通过将两个VGG16分类模型结果进行拼接并通过多路全连接层进行输出眼底疾病情况的双路基模型。
在上述方法中,所述双路基模型结构具体为:
包括两个结构相同的VGG16基础模型,结构分别为:
输入层input_1_0→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→平均池化层GlobalAveragePooling2D;
输入层input_2_1→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→平均池化层GlobalAveragePooling2D;
上述两个平均池化层GlobalAveragePooling2D同时连接到拼接层Concatenate,拼接层Concatenate最后连接8个全连接层Dense,分别用于输出8中眼底疾病情况。
在上述方法中,所述眼底图像识别模型通过以下方式进行训练:
获取多组眼底图像形成的训练集、验证集和测试集,对训练集、验证集和测试集中各组眼底图像进行预处理;
分别将预处理后的训练集、验证集中各组图像中的两张图像分别输入至初始眼底图像识别模型两个输入层对模型进行训练,当验证集分数不再提高时,达到训练条件,则初始眼底图像识别模型训练完成;再将预处理后的测试集各组图像中的两张图像分别输入至上述训练完成的模型中,通过前向传播方法,经过多次卷积计算、池化计算、激活计算后,得到最终的识别结果。
在上述方法中,所述对眼底图像进行预处理包括:
先通过使用cv2和numpy程序对各组眼底图像进行去除行黑边与列黑边处理;
对去黑处理后的各组眼底图像进行常规增强处理,再通过CLAHE算法对增强处理后的各组眼底图像进行CLAHE增强处理。
在上述方法中,还包括对CLAHE增强处理后的各组眼底图像通过图像锐化方法进行图像锐化处理。
在上述方法中,全连接层Dense激活函数采用sigmoid函数,损失函数采用二元交叉熵损失与差异损失。
本发明还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上述所述基于神经网络的眼底疾病识别方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述所述基于神经网络的眼底疾病识别方法。
本发明通过将训练完成的由两个分类模型VGG16进行拼接构建成新的双路基模型对眼底图像进行眼底疾病的识别,能够根据患者的双眼眼底图像,快速、高效的识别出眼底病变,具有很强的鲁棒性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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的附图。
图1为本发明提供的方法流程图;
图2为本发明提供的双路基模型结构框图;
图3为本发明提供的初始眼底图像识别模型训练流程图;
图4为本发明提供的方法中待识别的原始双眼眼底图像,图(a)为左眼,图(b)为右眼;
图5为本发明中对图4进行黑边处理后的双眼眼底图像;
图6为本发明中对图5进行常规增强处理后双眼眼底图像,图(c)为左眼,图(d)为右眼;
图7为本发明对图6进行CLAHE增强处理后双眼眼底图像;
图8为本发明提供的阈值修正后的直方图;
图9为本发明对图7进行锐化处理后双眼眼底图像;
图10为本发明中对图4经过去黑边、常规增强、CLAHE增强和图像锐化处理后的双眼眼底图像;
图11为本发明提供的计算机设备的结构示意框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
如图1所示,本发明提供了一种基于神经网络的眼底疾病识别方法,包括以下步骤:
S1、获取多组待识别的眼底图像,对各组眼底图像进行预处理;
S2、将预处理后的眼底图像输入预先训练完成的眼底图像识别模型,从而获得患者的眼底疾病情况;其中,眼底图像识别模型为通过将两个VGG16分类模型结果进行拼接并通过多路全连接层进行输出眼底疾病情况的双路基模型。
本实施例中,双路基模型具体如图2所示,包括两个结构相同的VGG16分类模型,结构分别为:
输入层input_1_0→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→平均池化层GlobalAveragePooling2D;
输入层input_2_1→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→平均池化层GlobalAveragePooling2D;
上述两个平均池化层GlobalAveragePooling2D同时连接到拼接层Concatenate,拼接层Concatenate最后连接8个全连接层Dense进行,分别用于输出8中眼底疾病情况。
本模型为端到端模型,结构如图2所示,其中,Input_1_0和input_2_1为图像输入层,可分别输入为左/右眼图像,Conv2D为卷积操作,MaxPooling2D为最大池化操作,GlobalAveragePooling2D为通道上的平均池化操作,Concatenate为通道上的拼接操作,Dense为全连接层dense_1-8为输出。
双路输入可以获得患者的双眼眼底信息,基础模型采用VGG16分类模型可以防止模型过拟合的发生。
本实施例中,输出8路dense_1-8输出可根据需求分别设置输出为正常(N),糖尿病(D),青光眼(G),白内障(C),AMD(A),高血压(H),近视(M)和其他疾病/异常(O)识别的眼底疾病信息,输出的情况分为几种,例如一个患者可能有多种眼底疾病,此时将会输出多路结果,若模型最后识别出眼底疾病情况为糖尿病(D),青光眼(G)以及其他疾病/异常(O),则dense2、dense3、dense8将会输出相应的结果。
且本实施例,一组眼底图像中识别有一张图像中眼底含有某种疾病,则该患者就有某种疾病。
本实施例,通过将训练完成的由两个分类模型VGG16进行拼接构建成新的双路基模型对眼底图像进行眼底疾病的识别,能够根据患者的双眼眼底图像,快速、高效的识别出眼底病变,具有很强的鲁棒性。
如图3所示,本实施例,眼底图像识别模型通过以下方式进行训练获得:
本实施例,将数据集(多组眼底图像)分成训练集、验证集和测试集3部分,数据集包括4500对眼底图像,其中随机抽取500对眼底图像作为测试集,在不包括测试集的图像中随机抽取500对眼底图像作为验证集,剩余的所有图像作为训练集。
使用训练集和验证集图像对进行训练,训练集和验证集图像采用去黑边、常规增强、CLAHE增强和图像锐化处理,两个分类模型VGG16采用Adam优化的梯度下降算法训练,直至验证集分数不再提高时,达到训练条件,则完成训练;再将测试集采用去黑边、CLAHE增强和图像锐化处理后,输入模型,通过前向传播方法,经过多次卷积计算、池化计算、激活计算后,得到最终的识别结果。
A1、获取多组眼底图像形成的训练集、验证集和测试集,对训练集、验证集和测试集中各组眼底图像进行预处理;
本实施例数据集是从中国不同医院/医疗中心收集的“真实”患者信息。在这些机构中,眼底图像由市场上的各种相机捕获,例如Canon,Zeiss和Kowa,因此导致各种各样的图像分辨率。
A2、分别将预处理后的训练集、验证集中各组图像中的两张图像分别输入至初始眼底图像识别模型两个输入层对模型进行训练,当验证集分数不再提高时,达到训练条件,则初始眼底图像识别模型训练完成;再将预处理后的测试集各组图像中的两张图像分别输入至上述训练完成的模型中,通过前向传播方法,经过多次卷积计算、池化计算、激活计算后,得到最终的识别结果。
得到训练好的眼底图像识别模型。
本实施例,对眼底图像进行预处理(包括步骤S1中的待识别的眼底图像和步骤A1训练集中各组眼底图像)的方法具体如下:
由于“原始”图像中有“黑边”,黑边的意思是一条“高度×1×3”或“1×宽度×3”且数值全为0的数组,黑边是无用信息,会降低模型的效率,因此需要去除黑边,本实施例通过使用cv2和numpy程序对图像的颜色通道和宽度通道降维求和,得到的从上到下第一个非0至最后一个非0的索引即要保留的高度,也就是去除行黑边。去除列黑边方法同理不再赘述;如图4所示和图5所示,分别为原始待处理眼底图像和使用本方法去除黑边后的双眼眼底图像。
为了提高本实施例中模型的健壮性,本实施例对去除黑边后的双眼眼底图像进行增强处理,可采用常规的增强方法包括:平移、旋转、翻转、剪裁、缩放。如图6所示,分别为常规增强后的左眼眼底图像(图a)和右眼眼底图像(图b)。
为了增强眼底图像对比度,本实施例通过CLAHE算法对常规增强后的眼底图像进行进一步处理,如图7所示,为通过CLAHE算法对眼底图像进行增强后的示意图,具体处理计算如下式:
使用CLAHE算法处理眼底图像,如公式(1)-(4):
f(i,j)=mx(i,j)+G(i,j)[x(i,j)-mx(i,j)] (4)
式中,x(k,l)是像素点(k,l)的灰度值;mx(i,j)是以(i,j)为中心,窗口大小为(2n+1)×(2n+1)的局部区域灰度平均值;是局部区域方差;G(i,j)是对比度增强系数,定义为图像的全局平均值/局部区域标准差;f(i,j)是CLAHE增强后像素点(i,j)的灰度值;为了限制过度放大噪声,还需对x(i,j)(此参数为直角坐标系下(i,j)点的灰度值,值域为0-255)的直方图做如图8变换,将频率高于阈值的像素数量减小到阈值。
为了进一步提高眼底图像特征,本实施例通过使用锐化方法对CLAHE方法处理后的眼底图像进行锐化,锐化后的眼底图像如图9所示;锐化方法具体如下式:
enhanced(i,j)=4[x(i,j)-GaussianBlur(i,j)]+128 (5)
式中,x(i,j)是像素点(i,j)的灰度值;GaussianBlur(i,j)是像素点(i,j)的高斯模糊值,不再赘述;enhanced(i,j)是像素点(i,j)锐化后的值。
如图10所示,为眼底图像经过上述去黑边、常规增强、CLAHE增强和图像锐化后的左眼眼底图像和右眼眼底图像。
本实施例中,初始眼底图像识别模型的训练参数的选择具体如下:
因为模型输出是8个二分类问题,所以本实施例激活函数采用如公式(6)的sigmoid函数,损失函数采用如公式(7)的二元交叉熵损失;此外,为了区别正常眼底情况与7个眼底疾病,还加入了如公式(8)的差异损失。
其中,式(6)中,x是激活前数值,sigmoid是激活后输出;
本实施例模型初始化采用imagenet迁移学习,优化方法采用Adam,如公式(9):
本实施例中,α=0.001(学习率),β1=0.9,β2=0.999,ε=10-8是超参数;gt是t时刻的梯度;θt是更新后的参数。
下面通过具体案例说明本方法。
本案例通过使用上述方法识别500对双眼眼底图像,使用Titan Xp GPU,batch为4条件下,识别这些图片获得识别结果只需要3.75分钟,且AUC、KAPPA、F1的平均值高达0.85;其中诊断时间是通过***中的time模块计时,统计500对双眼眼底图像预测的总时间T共i次,对总时间取平均值T_avg=(T1+T2+...+Ti)/i,最后用总时间计算单张的平均时间t=T_avg/500=30ms;
在相同速度的情况下,如果是使用小波矩的图像识别方法或基于分形特征的图像识别方法,无法达到同样的分数;同样如果是极具经验的眼科专家来检查,假设专家的阅片速度为5s/张,也需要花费1.38小时才能完成该工作,更何况专家很难达到这种速度。说明上述方法的快速、高效性以及很强的鲁棒性。
因此,使用上述方法识别眼底图像中的疾病情况远远超过医生的平均诊断速度,模型既可以解决医生繁琐重复的诊断工作,让医生把精力放在更重要的事情上面,又可以给医生提供合理的参考意见。
如图11所示,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中基于神经网络的眼底疾病识别方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中识别模型训练方法,或者计算机程序被处理器执行时实现上述实施例中基于神经网络的眼底疾病识别方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本发明不局限于上述最佳实施方式,任何人应该得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
Claims (8)
1.基于神经网络的眼底疾病识别方法,其特征在于,包括以下步骤:
获取多组待识别的眼底图像,对各组眼底图像进行预处理;
将预处理后的眼底图像输入预先训练完成的眼底图像识别模型,从而获得患者的眼底疾病情况;
其中,眼底图像识别模型为:将两个VGG16分类模型进行拼接并通过多路全连接层输出眼底疾病情况的双路基模型。
2.如权利要求1所述的基于神经网络的眼底疾病识别方法,其特征在于,所述双路基模型结构具体为:
包括两个结构相同的VGG16基础模型,结构分别为:
输入层input_1_0→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→平均池化层GlobalAveragePooling2D;
输入层input_2_1→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*2→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→卷积层Conv2D*3→池化层MaxPooling2D→平均池化层GlobalAveragePooling2D;
上述两个平均池化层GlobalAveragePooling2D同时连接到拼接层Concatenate,拼接层Concatenate最后连接8个全连接层Dense,分别用于输出8中眼底疾病情况。
3.如权利要求1或2所述的基于神经网络的眼底疾病识别方法,其特征在于,所述眼底图像识别模型通过以下方式进行训练:
获取多组眼底图像形成的训练集、验证集和测试集,对训练集、验证集和测试集中各组眼底图像进行预处理;
分别将预处理后的训练集、验证集中各组图像中的两张图像分别输入至初始眼底图像识别模型两个输入层对模型进行训练,当验证集分数不再提高时,达到训练条件,则初始眼底图像识别模型训练完成;再将预处理后的测试集各组图像中的两张图像分别输入至上述训练完成的模型中,通过前向传播方法,经过多次卷积计算、池化计算、激活计算后,得到最终的识别结果。
4.如权利要求1或2所述的基于神经网络的眼底疾病识别方法,其特征在于,所述对眼底图像进行预处理包括:
先通过使用cv2和numpy程序对各组眼底图像进行去除行黑边与列黑边处理;
对去黑处理后的各组眼底图像进行常规增强处理,再通过CLAHE算法对增强处理后的各组眼底图像进行CLAHE增强处理。
5.如权利要求4所述的基于神经网络的眼底疾病识别方法,其特征在于,还包括
对CLAHE增强处理后的各组眼底图像通过图像锐化方法进行图像锐化处理。
6.如权利要求3所述的基于神经网络的眼底疾病识别方法,其特征在于,所述
全连接层Dense激活函数采用sigmoid函数,损失函数采用二元交叉熵损失与差异损失。
7.计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述基于神经网络的眼底疾病识别方法。
8.计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于神经网络的眼底疾病识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010339678.8A CN111563884A (zh) | 2020-04-26 | 2020-04-26 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010339678.8A CN111563884A (zh) | 2020-04-26 | 2020-04-26 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563884A true CN111563884A (zh) | 2020-08-21 |
Family
ID=72074388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010339678.8A Pending CN111563884A (zh) | 2020-04-26 | 2020-04-26 | 基于神经网络的眼底疾病识别方法、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563884A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113222061A (zh) * | 2021-05-31 | 2021-08-06 | 北京理工大学 | 一种基于双路小样本学习的mri图像分类方法 |
CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024568A1 (zh) * | 2017-08-02 | 2019-02-07 | 上海市第六人民医院 | 眼底图像处理方法、装置、计算机设备和存储介质 |
CN110400288A (zh) * | 2019-06-18 | 2019-11-01 | 中南民族大学 | 一种融合双眼特征的糖网病识别方法及装置 |
-
2020
- 2020-04-26 CN CN202010339678.8A patent/CN111563884A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019024568A1 (zh) * | 2017-08-02 | 2019-02-07 | 上海市第六人民医院 | 眼底图像处理方法、装置、计算机设备和存储介质 |
CN110400288A (zh) * | 2019-06-18 | 2019-11-01 | 中南民族大学 | 一种融合双眼特征的糖网病识别方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113222061A (zh) * | 2021-05-31 | 2021-08-06 | 北京理工大学 | 一种基于双路小样本学习的mri图像分类方法 |
CN113222061B (zh) * | 2021-05-31 | 2022-12-09 | 北京理工大学 | 一种基于双路小样本学习的mri图像分类方法 |
CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
CN116433644B (zh) * | 2023-04-22 | 2024-03-08 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kwasigroch et al. | Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy | |
CN111563884A (zh) | 基于神经网络的眼底疾病识别方法、计算机设备及介质 | |
Khan et al. | Cataract detection using convolutional neural network with VGG-19 model | |
Arora et al. | Deep neural network for diabetic retinopathy detection | |
CN109726743B (zh) | 一种基于三维卷积神经网络的视网膜oct图像分类方法 | |
CN117058676B (zh) | 一种基于眼底检查影像的血管分割方法、装置和*** | |
CN113889267A (zh) | 基于眼象识别的糖尿病诊断模型的构建方法和电子设备 | |
CN113610842A (zh) | 基于CAS-Net的OCT图像视网膜脱离和劈裂自动分割方法 | |
Al-Bander et al. | A novel choroid segmentation method for retinal diagnosis using deep learning | |
Ştefan et al. | A review of glaucoma detection from digital fundus images using machine learning techniques | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
Triyadi et al. | Deep learning in image classification using vgg-19 and residual networks for cataract detection | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
Esfahani et al. | Automatic Classification of Macular Diseases from OCT Images Using CNN Guided with Edge Convolutional Layer | |
Kamal et al. | A comprehensive review on the diabetic retinopathy, glaucoma and strabismus detection techniques based on machine learning and deep learning | |
Gour et al. | Blood vessel segmentation using hybrid median filtering and morphological transformation | |
Poletti et al. | Automatic nerve tracking in confocal images of corneal subbasal epithelium | |
Sesikala et al. | A Study on Diabetic Retinopathy Detection, Segmentation and Classification using Deep and Machine Learning Techniques | |
CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
CN114998300A (zh) | 一种基于多尺度信息融合网络的角膜溃疡分类方法 | |
Duvvuri et al. | Classification of Diabetic Retinopathy Using Image Pre-processing Techniques | |
Roy et al. | RetNet: retinal disease detection using convolutional neural network | |
Bijam et al. | A review on detection of diabetic retinopathy using deep learning and transfer learning based strategies | |
Hatode et al. | Evolution and Testimony of Deep Learning Algorithm for Diabetic Retinopathy Detection | |
Saleh et al. | Early diabetic retinopathy detection using convolution neural network |
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 |