CN111951267A - 基于神经网络的性别判断方法、装置、服务器和存储介质 - Google Patents
基于神经网络的性别判断方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111951267A CN111951267A CN202010935730.6A CN202010935730A CN111951267A CN 111951267 A CN111951267 A CN 111951267A CN 202010935730 A CN202010935730 A CN 202010935730A CN 111951267 A CN111951267 A CN 111951267A
- Authority
- CN
- China
- Prior art keywords
- gender
- eyeball
- patient
- oct image
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 210000005252 bulbus oculi Anatomy 0.000 claims abstract description 89
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000000605 extraction Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000020509 sex determination Effects 0.000 claims description 2
- 238000012014 optical coherence tomography Methods 0.000 description 54
- 238000013527 convolutional neural network Methods 0.000 description 13
- 210000001508 eye Anatomy 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于神经网络的性别判断方法,包括:获取患者的眼球AS‑OCT图像;将所述眼球AS‑OCT图像输入预设的性别判定模型进行计算,得到输出结果;基于所述输出结果生成所述患者的性别判定结果。本发明还提供一种基于神经网络的性别判断装置、服务器和存储介质,通过将眼球AS‑OCT图像输入预设的性别判定模型,得到性别判定结果,提高效率,降低错误率。
Description
技术领域
本发明实施例涉及深度学习及神经网络领域,尤其涉及一种基于神经网络的性别判断方法、装置、服务器和存储介质。
背景技术
光学相干断层扫描(OCT)是最初为视网膜成像开发的高分辨率截面成像模式,其中前节OCT被称为AS-OCT图像。
在医疗领域通过眼球的AS-COT图像对青光眼、白内障等眼部病变进行诊断,在眼部诊断中,被测者的性别是一项重要的生物学指标,但是用肉眼很难直接从眼球AS-OCT图像上看出被检测者的性别,只能通过被测者在拍摄时留下的初始性别记录进行人工对照,容易出错的同时效率较低。
发明内容
本发明提供了一种基于神经网络的性别判断方法、装置、服务器和存储介质,将眼球AS-OCT图像输入预设的性别判定模型,得到性别判定结果,提高效率,降低错误率。
第一方面,本发明提供一种基于神经网络的性别判断方法,包括:
获取患者的眼球AS-OCT图像;
将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果;
基于所述输出结果生成所述患者的性别判定结果。
进一步地,所述输出结果为性别判定向量,所述性别判定向量的值包括P1和P2,所述P1指性别为男的概率,P2指性别为女的概率,则所述基于所述输出结果生成所述患者的性别判定结果,包括:
判断P1是否大于等于P2;
若P1大于等于P2,则所述性别判定结果为男;
若P1小于P2,则所述性别判定结果为女。
进一步地,所述基于所述输出结果生成所述患者的性别判定结果之后,还包括:
判断所述性别判定结果与所述患者的初始性别记录是否一致;
若不一致,则判定所述患者的眼球有异常;
若一致,则判定所述患者的眼球没有异常。
进一步地,所述判断所述性别判定结果与所述患者的初始性别记录是否一致之前,还包括:
判断所述患者的初始性别记录是否存在;
若不存在,则生成初始性别记录丢失的提示信息,同时将所述性别判定结果保存为所述患者的初始性别记录;
若存在,则判断所述性别判定结果与所述患者的初始性别记录是否一致。
进一步地,所述将所述眼球AS-OCT图像输入预设的性别判定模型进行计算之前,还包括:
对所述眼球AS-OCT图像执行下采样,以使所述眼球AS-OCT图像由第一像素值降低为第二像素值。
进一步地,所述眼球AS-OCT图像为RGB颜色图像,则所述将所述眼球AS-OCT图像输入预设的性别判定模型进行计算之前,包括:
将所述眼球的AS-OCT图像由RGB颜色图像转换为灰度图像。
进一步地,所述性别判定模型包括依次连接的卷积特征提取层和全连接层,则所述将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果,包括:
将所述AS-OCT图像输入卷积特征提取层,以生成眼球图像特征;
将所述眼球图像特征输入全连接层,以生成所述输出结果。
第二方面,本发明提供一种基于神经网络的性别判断装置,包括:
获取模块,用于获取患者的眼球AS-OCT图像;
计算模块,用于将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果;
判定模块,用于基于所述输出结果生成所述患者的性别判定结果。
第三方面,本发明提供一种服务器,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程序,所述处理器执行所述程序时实现如上述任一所述的基于神经网络的性别判断方法。
第四方面,本发明一种终端可读存储介质,其上存储有程序,所述程序被处理器执行时能够实现如上述任一所述的基于神经网络的性别判断方法。
本发明通过将眼球AS-OCT图像输入预设的性别判定模型,得到性别判定结果,提高效率,降低错误率。
附图说明
如图1所示为本实施例一的基于神经网络的性别判断方法流程图。
如图2所示为本实施例一的替代实施例流程图。
如图3所示为本实施例一的替代实施例流程图。
如图4所示为本实施例二的基于神经网络的性别判断方法流程图。
如图5所示为本实施例三的基于神经网络的性别判断方法流程图。
如图6所示为本实施例三的替代实施例流程图。
如图7所示为本实施例四的基于神经网络的性别判断装置模块图。
如图8所示为本实施例四的替代实施例模块图。
如图9所示本实施例五的服务器结构图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止,但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说,在不脱离本申请的范围的情况下,第一特征信息可以为第二特征信息或第三特征信息,类似地,第二特征信息、第三特征信息可以为第一特征信息。第一特征信息和第二特征信息、第三特征信息都是分布式文件装置的特征信息,但其不是同一特征信息。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”、“批量”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本实施例及下述实施例中的专有名词及英文缩写含义如下:
AS-OCT图像:眼前节光学相干断层扫描,用于把眼前节和后节的组织扫描,将患者眼球扫描形成二维或三维图像以用于医疗领域。
CNN:Convolutional Neural Networks,卷积神经网络,一般由若干卷积层和池化层组成,用于深度学习和神经网络训练,应用于计算机视觉,语言识别等技术领域。
AlexNet:一种CNN卷积神经网络,与CNN基础模型相比引入了新的激活函数,同时克服了原有CNN模型过拟合的问题。
VGG:一种CNN卷积神经网络,一般由若干卷积层和池化层组成,与CNN相比具有更小的卷积核和池化核,层数更深特征图更宽,全连接转卷积等特点。
resnet:一种CNN卷积神经网络,与原有的VGG模型相比通过引入残差函数克服了神经网络学习中的学习退化问题,能够适应更深层数的神经网络学习。
block:块,用于在神经网络执行特定功能。
RGB颜色空间:以Red(红)、Green(绿)、Blue(蓝)三种基本色为基础,进行不同程度的叠加以描述颜色的空间模型。
HSV颜色空间:以Hue(色调、色相)、Saturation(饱和度、色彩纯净度)、Value(明度)三种值描述颜色的空间模型。
实施例一
本实施例提供了一种基于神经网络的性别判断方法,通过基于神经网络的性别诊断装置执行,如图1所示,包括:
S101、获取患者的眼球AS-OCT图像。
S102、将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果。
该步骤所述的眼球AS-OCT图像为一张或多张。其中,本实施例所述的性别判定模型为经过训练的图像分类模型,所述图像分类模型用于将输入的图像分成预设的多种类别中的一种,通常采用超大规模卷积神经网络实现,示例性地,本实施例及下述实施例所述性别判定模型可以是CNN模型,如VGG模型、resnet模型或AlexNet模型的任意一种,或上述模型任意多种的组合,以下以resnet模型为例进行说明。
在一种实施例中,性别判定模型依次包括输入层、卷积特征提取层、全连接层和输出层,其中卷积特征提取层用于提取输入图像的特征,如颜色特征、纹理特征、形状特征、边缘、角、线,曲线和/或具有特定属性的区域的特征。在本实施例中,AS-OCT图像为眼球扫描图像,卷积特征提取层用于提取图像特征,全连接层用于连接输入的图像特征,将输出值送给分类器,以实现性别的分类。
该步骤基于本发明使用场景将分类结果输出为一个性别判定向量,所述性别判定向量的值包括P1和P2,所述P1指性别为男的概率,P2指性别为女的概率。
S103、基于所述输出结果生成所述患者的性别判定结果。
在一种替代实施例中,如图2所示,步骤S103之后还包括基于性别判定结果判断患者眼球是否有异常,包括:
S104、判断所述性别判定结果与所述患者的初始性别记录是否一致;
S105、若不一致,则判定所述患者的眼球有异常;
S106、若一致,则判定所述患者的眼球没有异常。
在另一替代实施例中,如图3所示,步骤S104之前还包括:
S107、判断所述患者的初始性别记录是否存在;
S108、若不存在,则生成初始性别记录丢失的提示信息,同时将所述性别判定结果保存为所述患者的初始性别记录;
若存在,则执行步骤S104。
本实施例通过将眼球AS-OCT图像输入预设的性别判定模型,实现对左右眼的分类,达到效率高、准确率高和节省时间的效果。同时,将性别判断应用于眼部异常诊断,提高诊断效率。
实施例二
本实施例在上述实施例的基础上增加了对所述性别判定模型的训练过程和结构描述,如图4所示,包括:
S201、获取患者的眼球AS-OCT图像;
S2021、将所述AS-OCT图像输入卷积特征提取层,以生成眼球图像特征;
在步骤S2021-S2022中,所述性别判定模型由resnet残差网络结构训练形成,训练过程如下:
a、获取N个样本图像作为训练集,每个样本图像标有2个不同性别中的一个,每张样本图像包括眼球AS-OCT图像和对应的性别判定结果。示例性地,AS-OCT图像为尺寸2132x1866像素的3通道RGB颜色空间的彩色图像。需要指出的是,通过将样本图像设置为大尺寸图像,能够提高训练集的图像特征细节,模型训练结果更准确。
b、将训练集输入设置好的训练模型进行训练,本实施例中的训练模型为resnet残差网络结构,得到训练完成的性别判定模型。
在本实施例中,一种训练模型包括依次连接的输入层、卷积特征提取层、全连接层和输出层,所述输入层包括64个卷积核,每个卷积核的大小为7×7,步长为2,所述卷积特征提取层包括4个可配置卷积模块,每个可配置卷积模块包括3个block。全连接层为输入隐藏单元512个,输出单元为2个的全连接神经网络。
基于本发明的使用情境,在resnet残差网络结构中设置网络层数和每个可配置卷积模块中block堆叠的次数,例如,resnet的层数设置为50层,设置每个可配置卷积模块cfg[0]blocks,cfg[1]blocks,cfg[2]blocks,cfg[0]blocks堆叠的次数分别为3、2、6、3。
S2022、将所述眼球图像特征输入全连接层,以生成所述输出结果。
该步骤获取卷积特征提取层的眼球图像特征,对眼球图像特征进行分类运算,可选地,所述全连接层为输入隐藏单元为512个,输出单元为2个的全连接神经网络。生成两个概率值P1和P2(0≤P1≤1,0≤P2≤1,P1+P2=1),分别代表被测者性别为男的概率和性别为女的概率。
S203、基于所述输出结果生成所述患者的性别判定结果。
该步骤具体包括:判断P1是否大于等于P2。若P1大于等于P2,则所述性别判定结果为男。若P1小于P2,则所述性别判定结果为女。
本实施例增加了性别判定模型的构建过程,通过设置训练层数和每个block的堆叠次数,使性别判定模型的训练和判定结果更准确。
实施例三
本实施例在上述实施例的基础上增加了对输入模型图像的预处理,输入的眼球AS-OCT图像可以是一张或多张,数量巨大时对模型的计算能力产生较大负担,通过预处理降低图像精度,使模型运行更流畅。如图5,步骤如下:
S301、获取患者的眼球AS-OCT图像。
S302、对所述眼球AS-OCT图像执行下采样,以使所述眼球AS-OCT图像由第一像素值降低为第二像素值。
该步骤所述的眼球AS-OCT图像为一张或多张,所述下采样是指将所述输入图像进行缩小或降低像素,第一像素值是所述眼球AS-OCT图像的初始像素值,第二像素值比所述第一像素值低,示例性地,第一像素值为2132×1866,第二像素值为224×224,以使输入的眼球AS-OCT图像符合显示区域的大小或生成预设大小的缩略图。为执行下采样步骤,上述实施例所述的性别判定模型的网络结构还包括下采样层maxpool,在本实施例中,训练完成的性别判定模型包括依次连接的输入层、卷积特征提取层、下采样层maxpool、全连接层和输出层。
S303、将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果。
S304、基于所述输出结果生成所述患者的性别判定结果。
在另一种实施例中,如图6所示,步骤S303之前还包括:
S305、将所述眼球的AS-OCT图像由RGB颜色图像转换为灰度图像。
该步骤中,所述眼球的AS-OCT图像为RGB颜色空间的多通道图像,以3通道为例,图中每个像素点都有3个值表示,在输入模型之前,只获取其中的1个通道的通道值以使所述眼球的AS-OCT图像转换为灰度图像。在替代实施例中,所述眼球的AS-OCT图像可以是RGB颜色图像,也可以是HSV颜色图像或任一种多通道图像。
本实施例通过对眼球AS-OCT图像进行预处理,提高了模型数据处理的效率。
实施例四
如图7,本实施例提供了一种基于神经网络的性别判断装置4,包括如下模块:
获取模块401,用于获取患者的眼球AS-OCT图像。
计算模块402,用于将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果。本实施例所述性别判定模型可以是CNN模型,如VGG模型、Resnet模型或AlexNet模型的任意一种,或上述模型任意多种的组合。
性别判定模块403,用于基于所述输出结果生成所述患者的性别判定结果。
在替代实施例中,如图8所示,所述输出结果为性别判定向量,所述性别判定向量的值包括P1和P2,所述P1指性别为男的概率,P2指性别为女的概率,则所述性别判定模块403还包括:
概率比较单元4031,用于判断P1是否大于等于P2。
性别判定单元4032,用于若P1大于等于P2,则所述性别判定结果为男。若P1小于P2,则所述性别判定结果为女。
在替代实施例中,基于神经网络的性别判断装置4还包括:
初始记录比较模块404,用于判断所述性别判定结果与所述患者的初始性别记录是否一致。
异常诊断模块405,用于若不一致,则判定所述患者的眼球有异常。若一致,则判定所述患者的眼球没有异常。
在替代实施例中,还包括:
初始记录判断模块406,用于判断所述患者的初始性别记录是否存在。
提示模块407,用于若不存在,则生成初始性别记录丢失的提示信息,同时将所述性别判定结果保存为所述患者的初始性别记录。若存在,则判断所述性别判定结果与所述患者的初始性别记录是否一致。
在替代实施例中,还包括:
采样模块408,用于对所述眼球AS-OCT图像执行下采样,以使所述眼球AS-OCT图像由第一像素值降低为第二像素值。
在替代实施例中,所述眼球的AS-OT图像为RGB颜色图像,则所述灰度转换模块409用于将所述眼球的AS-OCT图像由RGB颜色图像转换为灰度图像。该模块中,所述眼球的AS-OCT图像可以是RGB颜色图像,也可以是HSV颜色图像或任一种多通道图像。
在替代实施例中,所述计算模块402包括:
训练单元4021,在本实施例所述的功能模块中,计算模块402所述性别判定模型由resnet残差网络结构训练形成,训练过程如下:
a、获取N个样本图像作为训练集,每个样本图像标有2个不同性别中的一个,每张样本图像包括眼球AS-OCT图像和对应的性别判定结果。示例性地,AS-OCT图像为尺寸2132x1866像素的3通道RGB颜色空间的彩色图像。需要指出的是,通过将样本图像设置为大尺寸图像,能够提高训练集的图像特征细节,模型训练结果更准确。
B、将训练集输入设置好的训练模型进行训练,本实施例中的训练模型为resnet残差网络结构,得到训练完成的性别判定模型。
在本实施例中,一种训练模型包括依次连接的输入层、卷积特征提取层、全连接层和输出层,所述输入层包括64个卷积核,每个卷积核的大小为7×7,步长为2,所述卷积特征提取层包括4个可配置卷积模块,每个可配置卷积模块包括3个block。全连接层为输入隐藏单元512个,输出单元为2个的全连接神经网络。
基于本发明的使用情境,在resnet残差网络结构中设置网络层数和每个可配置卷积模块中block堆叠的次数,例如,resnet的层数设置为50层,设置每隔可配置卷积模块cfg[0]blocks,cfg[1]blocks,cfg[2]blocks,cfg[0]blocks堆叠的次数分别为3、2、6、3。
特征提取单元4022,用于将所述AS-OCT图像输入卷积特征提取层,以生成眼球图像特征。
分类单元4023,用于将所述眼球图像特征输入全连接层,以生成所述输出结果。本单元所述分类单元4023生成两个概率值P1和P2(0≤P1≤1,0≤P2≤1,P1+P2=1),分别代表被测者性别为男的概率和性别为女的概率。
本发明实施例所提供的一种基于神经网络的性别判断装置可执行本发明任意实施例所提供的基于神经网络的性别判断方法,具备功能模块相应的执行方法和有益效果。
实施例五
本实施例提供了一种服务器的结构示意图,如图9所示,该服务器包括处理器501、存储器502、输入装置503和输出装置504;服务器中处理器501的数量可以是一个或多个,图中以一个处理器501为例;设备/终端/服务器中的处理器501、存储器502、输入装置503和输出装置504可以通过总线或其他方式链接,图9中以通过总线链接为例。
存储器502作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于网关的链接生成方法对应的程序指令/模块(例如获取模块401,计算模块402等)。处理器501通过运行存储在存储器502中的软件程序、指令以及模块,从而执行设备/终端/服务器的各种功能应用以及数据处理,即实现上述的基于神经网络的性别判断方法。
存储器502可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器502可进一步包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络链接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置503可用于接收输入的数字或字符信息,以及产生与设备/终端/服务器的用户设置以及功能控制有关的键信号输入。输出装置504可包括显示屏等显示设备。
本发明实施例五通过提供一种服务器,可执行本发明任意实施例所提供的基于神经网络的性别判断方法,具备执行方法相应的功能模块和有益效果。
实施例六
本发明实施例六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,该程序被处理器执行时实现如本发明任意实施例所提供的基于神经网络的性别判断装置的方法:
获取患者的眼球AS-OCT图像;
将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果;
基于所述输出结果生成所述患者的性别判定结果。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的装置、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电链接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—链接到用户计算机,或者,可以链接到外部计算机(例如利用因特网服务提供商来通过因特网链接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于神经网络的性别判断方法,其特征在于,包括:
获取患者的眼球AS-OCT图像;
将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果;
基于所述输出结果生成所述患者的性别判定结果。
2.根据权利要求1所述的基于神经网络的性别判断方法,其特征在于,所述输出结果为性别判定向量,所述性别判定向量的值包括P1和P2,所述P1指性别为男的概率,P2指性别为女的概率,则所述基于所述输出结果生成所述患者的性别判定结果,包括:
判断P1是否大于等于P2;
若P1大于等于P2,则所述性别判定结果为男;
若P1小于P2,则所述性别判定结果为女。
3.根据权利要求1所述的基于神经网络的性别判断方法,其特征在于,所述基于所述输出结果生成所述患者的性别判定结果之后,还包括:
判断所述性别判定结果与所述患者的初始性别记录是否一致;
若不一致,则判定所述患者的眼球有异常;
若一致,则判定所述患者的眼球没有异常。
4.根据权利要求3所述的基于神经网络的性别判断方法,其特征在于,所述判断所述性别判定结果与所述患者的初始性别记录是否一致之前,还包括:
判断所述患者的初始性别记录是否存在;
若不存在,则生成初始性别记录丢失的提示信息,同时将所述性别判定结果保存为所述患者的初始性别记录;
若存在,则判断所述性别判定结果与所述患者的初始性别记录是否一致。
5.根据权利要求1所述的基于神经网络的性别判断方法,其特征在于,所述将所述眼球AS-OCT图像输入预设的性别判定模型进行计算之前,还包括:
对所述眼球AS-OCT图像执行下采样,以使所述眼球AS-OCT图像由第一像素值降低为第二像素值。
6.根据权利要求1所述的基于神经网络的性别判断方法,其特征在于,所述眼球AS-OCT图像为RGB颜色图像,则所述将所述眼球AS-OCT图像输入预设的性别判定模型进行计算之前,包括:
将所述眼球的AS-OCT图像由RGB颜色图像转换为灰度图像。
7.根据权利要求1所述的基于神经网络的性别判断方法,其特征在于,所述性别判定模型包括依次连接的卷积特征提取层和全连接层,则所述将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果,包括:
将所述AS-OCT图像输入卷积特征提取层,以生成眼球图像特征;
将所述眼球图像特征输入全连接层,以生成所述输出结果。
8.一种基于神经网络的性别判断装置,其特征在于,包括:
获取模块,用于获取患者的眼球AS-OCT图像;
计算模块,用于将所述眼球AS-OCT图像输入预设的性别判定模型进行计算,得到输出结果;
判定模块,用于基于所述输出结果生成所述患者的性别判定结果。
9.一种服务器,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程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一所述的基于神经网络的性别判断方法。
10.一种终端可读存储介质,其上存储有程序,其特征在于,所述程序被处理器执行时能够实现如权利要求1-7任一所述的基于神经网络的性别判断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010935730.6A CN111951267A (zh) | 2020-09-08 | 2020-09-08 | 基于神经网络的性别判断方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010935730.6A CN111951267A (zh) | 2020-09-08 | 2020-09-08 | 基于神经网络的性别判断方法、装置、服务器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111951267A true CN111951267A (zh) | 2020-11-17 |
Family
ID=73356801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010935730.6A Pending CN111951267A (zh) | 2020-09-08 | 2020-09-08 | 基于神经网络的性别判断方法、装置、服务器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951267A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148080A1 (en) * | 2014-11-24 | 2016-05-26 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
KR20160061856A (ko) * | 2014-11-24 | 2016-06-01 | 삼성전자주식회사 | 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치 |
CN106295591A (zh) * | 2016-08-17 | 2017-01-04 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN106295521A (zh) * | 2016-07-29 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备 |
CN106326857A (zh) * | 2016-08-19 | 2017-01-11 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN107423663A (zh) * | 2017-03-23 | 2017-12-01 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
US20190213393A1 (en) * | 2018-01-10 | 2019-07-11 | International Business Machines Corporation | Automated facial recognition detection |
KR20200071850A (ko) * | 2018-12-04 | 2020-06-22 | 엔에이치엔 주식회사 | 이미지 딥러닝 기반 성별 인식 방법 |
-
2020
- 2020-09-08 CN CN202010935730.6A patent/CN111951267A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160148080A1 (en) * | 2014-11-24 | 2016-05-26 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing object, and method and apparatus for training recognizer |
KR20160061856A (ko) * | 2014-11-24 | 2016-06-01 | 삼성전자주식회사 | 객체 인식 방법 및 장치, 및 인식기 학습 방법 및 장치 |
CN106295521A (zh) * | 2016-07-29 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备 |
CN106295591A (zh) * | 2016-08-17 | 2017-01-04 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN106326857A (zh) * | 2016-08-19 | 2017-01-11 | 乐视控股(北京)有限公司 | 基于人脸图像的性别识别方法及装置 |
CN107423663A (zh) * | 2017-03-23 | 2017-12-01 | 深圳市金立通信设备有限公司 | 一种图像处理方法及终端 |
US20190213393A1 (en) * | 2018-01-10 | 2019-07-11 | International Business Machines Corporation | Automated facial recognition detection |
KR20200071850A (ko) * | 2018-12-04 | 2020-06-22 | 엔에이치엔 주식회사 | 이미지 딥러닝 기반 성별 인식 방법 |
Non-Patent Citations (4)
Title |
---|
CHUEH, KM ET AL.: "Prediction of gender from macular optical coherence tomography using deep learning", INVESTIGATIVE OPHTHALMOLOGY & VISUAL SCIENCE, vol. 61, no. 7, pages 2042 * |
CHUEH, KM, ET AL.: "Identification of Sex and Age from Macular Optical Coherence Tomography and Feature Analysis Using Deep Learning", AMERICAN JOURNAL OF OPHTHALMOLOGY, pages 221 - 228 * |
OSAMA N. HASSAN, ET AL.: "Deep learning prediction of age and sex from optical coherence tomography", 2021 IEEE 18TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING, pages 238 - 242 * |
苏鹏 等: "眼前段生物结构参数的年龄相关性改变与性别差异研究", 实用临床医学, vol. 17, no. 5, pages 59 - 62 * |
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 | |
CN109166130B (zh) | 一种图像处理方法及图像处理装置 | |
US11551333B2 (en) | Image reconstruction method and device | |
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
US11170482B2 (en) | Image processing method and device | |
US20210057069A1 (en) | Method and device for generating medical report | |
CN110175986B (zh) | 一种基于卷积神经网络的立体图像视觉显著性检测方法 | |
CN110059728B (zh) | 基于注意力模型的rgb-d图像视觉显著性检测方法 | |
KR102332088B1 (ko) | 세부 업샘플링 인코더-디코더 네트워크를 이용한 대장 내시경 이미지에서의 폴립 바운더리 인식을 통한 폴립 세그먼테이션 장치 및 그 방법 | |
CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
KR101977067B1 (ko) | 심층 신경망 기반 특징 추출을 통하여 진단 맵을 재구축하는 방법 및 이를 이용한 장치 | |
CN112435341A (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
CN111951272A (zh) | 脑部影像的分割方法、装置、计算机设备和可读存储介质 | |
WO2021184195A1 (zh) | 医学图像重建方法、医学图像重建网络训练方法和装置 | |
CN113313680A (zh) | 一种结直肠癌病理图像预后辅助预测方法及*** | |
CN113240655A (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
CN112488971A (zh) | 基于空间注意力机制和深度卷积生成对抗网络的医学图像融合方法 | |
CN116258933A (zh) | 基于全局信息感知的医学图像分割装置 | |
CN112489062B (zh) | 基于边界及邻域引导的医学图像分割方法及*** | |
CN113724185B (zh) | 用于图像分类的模型处理方法、装置及存储介质 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN112101438B (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
CN113610746A (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
KR102036052B1 (ko) | 인공지능 기반으로 비규격화 피부 이미지의 의료 영상 적합성을 판별 및 변환하는 장치 |
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 |