CN111986202B - 青光眼辅助诊断装置、方法及存储介质 - Google Patents

青光眼辅助诊断装置、方法及存储介质 Download PDF

Info

Publication number
CN111986202B
CN111986202B CN202011154892.2A CN202011154892A CN111986202B CN 111986202 B CN111986202 B CN 111986202B CN 202011154892 A CN202011154892 A CN 202011154892A CN 111986202 B CN111986202 B CN 111986202B
Authority
CN
China
Prior art keywords
image
probability
fundus color
segmentation
glaucoma
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
CN202011154892.2A
Other languages
English (en)
Other versions
CN111986202A (zh
Inventor
柳杨
张成奋
吕彬
吕传峰
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011154892.2A priority Critical patent/CN111986202B/zh
Publication of CN111986202A publication Critical patent/CN111986202A/zh
Priority to PCT/CN2020/132269 priority patent/WO2021159811A1/zh
Application granted granted Critical
Publication of CN111986202B publication Critical patent/CN111986202B/zh
Priority to US17/539,860 priority patent/US11978215B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Ophthalmology & Optometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及医疗科技领域，具体公开了一种青光眼辅助诊断装置、方法及存储介质。该装置包括：获取单元，用于获取待诊断患者的眼底彩照图像；处理单元，用于对所述眼底彩照图像进行特征提取，得到第一特征图；所述处理单元，还用于根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，其中，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；所述处理单元，还用于根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率。本申请有利于提高对青光眼的诊断精度。

Description

青光眼辅助诊断装置、方法及存储介质
技术领域
本申请涉及图像识别技术领域，具体涉及一种青光眼辅助诊断装置、方法及存储介质。
背景技术
青光眼是全球第二大致盲性疾病，因其早期症状不明显从而造成发现较晚，容易造成不可修复的损伤，导致永久失明。医学上可以根据眼底彩照图像中视盘和视杯的形态及结构变化来诊断是否患有青光眼以及患青光眼的严重程度。比如，可对眼底彩照图像进行分割，得到视杯和视盘，然后根据视杯与视盘的比值确定是否患有青光眼。例如，视杯与视盘的比值大于0.6，判定患有青光眼。
但是，不同的人身体构造不同，可能有些天生视杯与视盘的比值就比较大。根据视杯与视盘的比值判断是否患有青光眼的准率确低，可能会带来误诊。
发明内容
本申请实施例提供了一种青光眼辅助诊断装置、方法及存储介质。通过特征提取对眼底彩照进行识别，以提高青光眼的识别精度。
第一方面，本申请实施例提供一种青光眼辅助诊断装置，包括：
获取单元，用于获取待诊断患者的眼底彩照图像；
处理单元，用于对所述眼底彩照图像进行特征提取，得到第一特征图；
所述处理单元，还用于根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，其中，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；
所述处理单元，还用于根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率。
第二方面，本申请实施例提供一种青光眼辅助诊断方法，包括：
获取待诊断患者的眼底彩照图像；
对所述眼底彩照图像进行特征提取，得到第一特征图；
根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，其中，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；
根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率。
第三方面，本申请实施例提供一种青光眼辅助诊断装置，包括处理器、存储器、通信接口以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置由所述处理器执行，所述程序包括用于执行如第一方面所述的方法中的步骤的指令。
第四方面，本申请实施例提供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，所述计算机程序使得计算机执行如第一方面所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机可操作来使计算机执行如第一方面所述的方法。
实施本申请实施例，具有如下有益效果：
可以看出，在本申请实施例中，分别对眼底彩照图和视盘图分别进行分类，根据分类结果确定待诊断患者是否患有青光眼。由于是对图像进行特征提取，通过图像的本质特征进行分类，来确定患者是否患有青光眼，不会因为个体的差异而造成误诊，提高了识别精度。而且，在分类的过程中，不仅利用整个眼底信息（眼底彩照图），还使用到视盘的细节信息（视盘图像），从多个维度进行分类，使诊断结果更加精确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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为本申请实施例提供的一种青光眼辅助诊断方法的流程示意图；
图2为本申请实施例提供的一种结合神经网络的结构的青光眼辅助诊断方法的流程示意图；
图3为本申请实施例提供的一种第一神经网络训练方法的流程示意图；
图4为本申请实施例提供的一种第二神经网络和第三神经网络训练方法的的流程示意图；
图5为本申请实施例提供的一种青光眼辅助诊断装置的结构示意图；
图6为本申请实施例提供的一种青光眼辅助诊断装置的功能单元组成框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结果或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
参阅图1，图1为本申请实施例提供的一种青光眼辅助诊断方法的流程示意图。该方法应用于青光眼辅助诊断装置。该方法包括以下步骤：
101：青光眼辅助诊断装置获取待诊断患者的眼底彩照图像。
102：青光眼辅助诊断装置对所述眼底彩照图像进行特征提取，得到第一特征图。
示例性的，可通过完成训练的第一网络对该眼底彩照图像进行特征提取，得到该第一特征图。后面详细叙述对该第一网络训练过程，在此不做过多描述。
103：青光眼辅助诊断装置根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，其中，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像。
可选的，在对眼底彩照进行图像分割的过程中，还可以从该眼底彩照图中分割出视杯图像，该视杯图像为该眼底彩照图像中视杯区域对应的图像。并且，本申请中以分割出视盘图像和视杯图像为例说明，对彩照图像的分割过程。
示例性的，对该第一特征图进行上采样处理，得到第二特征图；根据该第二特征图进行分割，分别得到第一概率分割图和第二概率分割图以及第三概率分割图，其中，第一概率分割图、第二概率分割图以及第三概率分割图用于表征眼底彩照图像中各个像素点分别属于背景、视盘以及视杯的概率。
进一步的，根据该第一概率分割图以及该第二分割图，确定该眼底彩照图像中属于背景的像素点以及属于视盘的像素点。示例性的，获取该眼底彩照图像中的任意一个像素点在第一概率分割图中属于背景的概率，以及在第二概率分割图中属于视盘的概率，若属于背景的概率大于属于视盘的概率，确定该像素点是属于背景的像素点，若属于背景的概率小于属于视盘的概率，确定该像素点是属于视盘的像素点；然后，根据该眼底彩照图像中属于背景的像素点，以及属于视盘的像素点，从该眼底彩照中分割出视盘图像。
进一步地，对视盘图像进一步的分割，得到该视杯图像。示例性的，可根据第二概率分割图和第三概率，确定视盘图像中属于视杯的像素点。同样，若该视盘图像中的任意一个像素点属于视杯的概率大于属于视盘的概率，则确定该像素点是属于视杯的像素点，否则是属于视盘的像素点。最后，根据该视盘图像中属于视杯的像素点，从该视盘图像中分割出该视杯图像。
可以看出，先分割视盘图像，再在视盘图像内部分割出视杯图像，由于根据先验知识可知视杯是在视盘内部。因此，本申请的分割方式可以避免在视盘外部区域分割出属于视杯的像素点，提高了分割精度。
示例性的，在实际应用中，也可以根据该第一概率分割图、第二概率分割图以及第三概率分割图，从眼底彩照中分割出视盘图像和视杯图像。比如，可根据该第一概率分割图、第二概率分割图以及第三概率分割图，确定该眼底彩照中任意一个像素点是属于背景、视盘、还是视杯的像素点，即将该像素点在三个概率分割图中最大概率对应的类别作为该像素点的类别，从而确定出该眼底彩照图像中属于背景的像素点、属于视盘的像素点和以及属于视杯的像素点；最后，根据该眼底彩照图像中属于背景的像素点、属于视盘的像素点和以及属于视杯的像素点从该眼底彩照图像中分割出视盘图像和视杯图像。
104：青光眼辅助诊断装置根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率。
示例性的，将该待诊断患者患有青光眼的概率通过可视化界面显示给医生，辅助医生确定该待诊断患者是否患有青光眼。
在本申请的一个实施方式中，可根据该第一特征图，对视盘图像以及眼底彩照图像进行特征提取，得到该待诊断患者患有青光眼的目标概率，可将该目标概率作为该待诊断患者患有青光眼的概率。
具体的，可对该第一特征图进行映射处理，得到注意权重矩阵，该注意力权重矩阵的维度与该眼底彩照图像的维度相同。由于该第一特征图是对眼底彩照图像进行特征提取得到的，因此该注意权重矩阵中的第i行第j元素aij的取值可表示眼底彩照图像中位于i行第j的像素点，对青光眼的识别的重要程度，其中，该映射处理可以通过双线性插值上采样实现，不再详细叙述。
因此，使用该注意力权重矩阵，对该眼底彩照图像进行加权处理，即将该注意权重和眼底彩照图像对应的灰度值矩阵进行点乘，得到第一输入数据。
示例性的，可对该第一输入数据进行特征提取，得到第一目标特征向量；根据该第一目标特征向量，确定该待诊断患者患有青光眼的第一概率。即通过该第一目标特征向量进行分类，确定落入患有青光眼的第一概率。对该第一输入数据进行特征提取以及分类，可通过完成训练的第二网络实现，后面详细叙述对该第二网络的训练过程，在此不做过多描述。
由于第一输入数据是通过注意力权重加权之后得到的，可将眼底彩照图像中有效的特征信息进行放大，换句话说，抑制了无用的特征信息。这样通过该第一输入数据进行青光眼识别，可提高识别精度。
示例性的，可根据该视盘图像确定该待诊断患者患有青光眼的第二概率。示例性的，可对该视盘图像进行特征提取，得到与该视盘图像对应的第二目标特征向量，根据该第二目标特征向量，确定该待诊断患者患有青光眼的第二概率。即通过该第二目标特征向量进行分类，确定落入患有青光眼的第二概率。对该视盘图像进行特征提取以及分类，可以通过完成训练的第三网络实现，后面详细叙述对该第三网络的训练过程，在此不做过多描述。
进一步地，根据该第一概率和该第二概率，得到待诊断患者患有青光眼的目标概率。即将该第一概率和该第二概率进行加权处理，得到该目标概率。
最后，根据该目标概率确定该待诊断患者是否患有青光眼。比如，该目标概率大于0.5，则确定该待诊断患者患有青光眼，否则，未患青光眼。
此外，还可确定该视杯图像与该视盘图像的比值，其中，该比值为该视杯的垂直径与视盘的垂直径的比值，即根据该视杯图像确定视杯的垂直径，根据视盘图像确定视盘的垂直径，然后，计算两个直径之间的比值。最后，根据该比值以及该目标概率，综合确定该待诊断患者患有青光眼的概率，比如，可以将该比值和目标概率的乘积作为该待诊断患者患有青光眼的概率。然后，再根据该待诊断患者患有青光眼的概率确定该待诊断患者患有青光眼。
可以看出，在本实施方式中，分别对眼底彩照图和视盘图分别进行分类，根据分类结果确定待诊断患者是否患有青光眼。由于是对图像进行特征提取，通过图像的本质特征进行分类，来确定患者是否患有青光眼，不会因为个体的差异而造成误诊，提高了识别精度。而且，在分类的过程中，不仅利用整个眼底信息，还使用到视盘的局部信息，从多个维度进行分类，进一步使分类结果更加精确。此外，在整个眼底信息进行分类的过程中，还加入了注意力机制，在分类过程中会重点关注重要区域，从而使全局分类的结果更加精确，间接提高了对待确诊患者的诊断精度。并且，还可以结合杯盘比和分类结果综合确定待诊断患者患有青光眼的概率，进一步地提高了识别精度。
在一些可能的实施方式中，在对所述眼底彩照图像进行特征提取，得到所述待识别图像对应的第一特征图之前，该方法还包括：
对所述眼底彩照图像进行图像变换，以将所述眼底彩照图像的图像参数变换为预设的标准参数，所述颜色变换包括以下至少一项：亮度、饱和度、色度、对比度和颜色。
可以看出，在本实施方式中，首先将眼底彩色照图像进行图像变换，将图像参数变换为预设的标准参数，以避免由于图像参数不同带来的误识别问题。
在本申请的一个实施方式中，本申请的青光眼辅助诊断方法还可以应用于智慧医疗领域。比如，在待诊断患者拍摄完眼底彩照之后，可通过该青光眼辅助诊断方法提前诊断该待诊断患者是否患有青光眼，并将该诊断结果展示给医生，从而给医生提供一个诊断结果，提高医生的诊断效率和诊断精度，推动医疗科技的发展。
下面结合第一网络、第二网络和第三网络的网络结构，详细说明本申请青光眼辅助诊断方法的实现过程。
其中，该第一网络用于图像分割，第二网络和第三网络均用于图像分类。示例性的，第一网络可以任意一种全卷积网络，比如U-net、V-net，等等，本申请中以U-net为例进行说明，第二网络和第三网络均可以是以密集网络（DenseNet）为主干网络（backbone）构成的具有分类功能的网络。
示例性的，如图2所示，该第一网络为U-net，包括多个卷积层、多个反卷积层和多个池化层，将该待诊断患者的眼底彩照图像输入到该U-net，进行多次卷积处理和池化处理后，得到该第一特征图；然后，将该第一特征图进行多次上反卷积处理（上采样处理）和池化后，得到第二特征图；最后基于第二特征图进行图像分割，得到第一概率分割图、第二概率分割图以及第三概率分割图；然后，先根据第一概率分割图和第二概率分割图从眼底彩照图中分割出视盘图像，在使用该第二概率分割图和第三概率分割图从视盘图像中分割出视杯图像；
进一步地，分割出视盘图像和视杯图像后，可对确定该视杯图像相对于该视盘图像的比值，并输出该比值，以便辅助医生进行青光眼的诊断。
示例性的，将第一特征图进行映射得到注意力权重矩阵；将该注意力权重矩阵与该眼底彩照图进行点乘，并将点乘结果（第一输入数据）输入到第二网络进行分类，得到待诊断患者患有青光眼的第二概率；
示例性的，根据分割结果可从眼底彩照图中截取出视盘图像，并将该视盘图像输入到第三网络进行分类，得到该待诊断患者患有青光眼的第三概率；
最后，将该第二概率和该第三概率进行加权处理，得到该待诊断患者患有青光眼的目标概率，根据该目标概率确定最终的分类结果，即确定该待诊断患者是否患有青光眼。
在本申请中的一个实施方式中，可对第一网络、第二网络以及第三网络进行端到端的训练，也可以进行单独训练。本申请中以对第一网络进行单独训练，对该第二网络和第三网络同步训练为例举例说明，对神经网络的训练过程。
参阅图3，图3为本申请实施例提供的一种第一网络训练方法的流程示意图。该方法包括以下步骤：
301：获取眼底彩照图像样本。
其中，该眼底彩照图像样本对应有训练标签，该训练标签包括真实的背景概率分割图、视盘概率分割图以及视杯概率分割图。该真实的背景概率分割图、视盘概率分割图以及视杯概率分割图是预先标注好的。
302：将所述眼底彩照图像样本输入到第一网络，得到预测的背景概率分割图、视盘概率分割图以及视杯概率分割图。
303：根据所述真实的背景概率分割图、视盘概率分割图以及视杯概率分割图，以及所述预测的背景概率分割图、视盘概率分割图以及视杯概率分割图，调整所述第一网络的网络参数，以对所述第一网络进行训练。
示例性的，根据该真实的背景概率分割图以及预测的背景概率分割图，得到第一损失；根据该真实的视盘概率分割图以及预测的视盘概率分割图，得到第二损失；根据该真实的视杯概率分割图以及预测的视杯概率分割图，得到第三损失；最后，对该第一损失、第二损失以及第三损失进行加权处理，得到第一目标损失；使用该第一目标损失以及梯度下降法调整该第一网络的网络参数，直至该第一网络收敛，完成对该第一网络的训练。
示例性的，第一目标损失可通过公式（1）表示：
Figure 296987DEST_PATH_IMAGE001
其中，Lm1为第一目标损失，L1、L2、L3分别为第一损失、第二损失和第三损失，
Figure 564021DEST_PATH_IMAGE002
为权重系数，且
Figure 231762DEST_PATH_IMAGE003
。
示例性的，任意两个概率分割图之间的损失均可通过dice损失函数表示。因此，第一损失、第二损失和第三损失可通过公式（2）表示：
Figure 900641DEST_PATH_IMAGE004
其中，dice_coeff为求dice函数，pred背景、pred视盘、pred视杯分别为预测的背景概率分割图、视盘概率分割图以及视杯概率分割图，true背景、true视盘、true视杯分别为真实的背景概率分割图、视盘概率分割图以及视杯概率分割图。
在本申请的一个实施方式中，由于各个公司的眼底彩照图像由于成像设备的不同，可能会存在颜色或者亮度方面的差异。为了防止图像样本之间存在这些差异会给网络训练带来影响，可以在训练网络前，将获取到的眼底彩照图像样本进行图像变换，将每个眼底彩照图像样本的图像参数变换为预设参数，这样各个眼底彩照图像样本之间不会存在上述的差异，可提高完成训练的网络的识别精度，其中该图像参数包括以下至少一项：亮度、饱和度、色度、对比度和颜色。
参阅图4，图4为本申请实施例提供的一种训练第二网络和第三网络的流程示意图。该方法包括以下步骤：
401：获取眼底彩照图像样本以及视盘图像，其中，所述视盘图像为所述眼底彩照图像样本中的视盘区域对应的图像。
该眼底彩照图像样本对应有训练标签，该训练标签为患有青光眼的真实概率，其中，患有青光眼的真实概率是预先标注好的。
该视盘图像可以通过图像分割的方式从该眼底彩照图像样本中分割出来。比如，可以通过上述训练好的第一网络或者通过其他的具有图像分割功能网络，对该眼底彩照图像样本进行图像分割，得到该视盘图像。
402：将所述眼底彩照图像样本与所述眼底彩照图像样本对应的注意力权重矩阵进行加权处理，得到第二图像样本，将所述第二图像样本输入到所述第二网络，得到患有青光眼的第一预测概率，其中，所述注意力权重矩阵是通过对所述眼底彩照图像样本进行特征提取得到的。
示例性的，可通过上述训练好的第一网络或者其他具有特征提取功能的网络对眼底彩照图像样本进行特征提取，得到第三特征图；最后，对该第三特征图进行映射处理，得到该注意力权重矩阵。
403：将所述视盘图像输入到所述第三网络，得到患有青光眼的第二预测概率。
404：根据所述第一预测概率、所述第二预测概率以及患有青光眼的真实概率，调整所述第二网络和所述第三网络的网络参数，以对所述第二网络和所述第三网络进行训练。
示例性的，根据第一预测概率和真实概率，确定第四损失；根据第二预测概率和真实概率，确定第五损失；最后，对该第四损失和该第五损失进行加权处理，得到第二目标损失；根据该第二目标损失以及梯度下降法，调整第二网络和第三网络的网络参数，直至收敛，完成对第二网络和第三网络的训练。
示例性的，第四损失和第五损失可通过交叉熵损失函数表示。
因此，第二目标损失可通过公式（3）表示：
Figure 487480DEST_PATH_IMAGE005
其中，Lm2为第二目标损失，
Figure 241810DEST_PATH_IMAGE006
为权重系数，
Figure 978822DEST_PATH_IMAGE007
，Cross_entropy为交叉熵损失函数，
Figure 971048DEST_PATH_IMAGE008
为第一预测概率，
Figure 400893DEST_PATH_IMAGE009
为第二预测概率，
Figure 235993DEST_PATH_IMAGE010
为真实概率。
在本申请的一个实施方式中，由于各个公司的眼底彩照图像由于成像设备的不同，可能会存在颜色或者亮度方面的差异。为了防止图像样本之间存在这些差异会给网络训练带来影响，可以在训练网络前，将获取到的眼底彩照图像样本进行图像变换，将每个眼底彩照图像样本的图像参数变换为预设参数，这样各个眼底彩照图像样本之间不会存在上述的差异，可提高完成训练的网络的识别精度，其中该图像参数包括以下至少一项：亮度、饱和度、色度、对比度和颜色。
参阅图5，图5为本申请实施例提供的一种青光眼辅助诊断装置的结构示意图。如图5所示，青光眼辅助诊断装置500包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行以下步骤的指令：
获取待诊断患者的眼底彩照图像；
对所述眼底彩照图像进行特征提取，得到第一特征图；
根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，其中，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；
根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率。
在一些可能的实施方式中，在根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像方面，上述程序具体用于执行以下步骤的指令：
根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像，所述视杯图像为所述眼底彩照图像中视杯区域对应的图像；在根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率方面，上述程序具体用于执行以下步骤的指令：
确定所述视杯图像和所述视盘图像的比值；
根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的目标概率；
根据所述比值和所述目标概率，确定所述待诊断患者是否患有青光眼。
在一些可能的实施方式中，在根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像方面，上述程序具体用于执行以下步骤的指令：
对所述第一特征图进行上采样处理，得到第二特征图；
根据所述第二特征图进行图像分割，分别得到第一概率分割图和第二概率分割图以及第三概率分割图，其中，所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图用于表征所述眼底彩照图像中各个像素点分别属于背景、视盘以及视杯的概率；
根据所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图，对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像。
在一些可能的实施方式中，在根据所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图，对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像方面，上述程序具体用于执行以下步骤的指令：
根据所述第一概率分割图和所述第二概率分割图，确定所述眼底彩照图像中属于背景的像素点以及属于视盘的像素点；
根据所述眼底彩照图像中属于背景的像素点以及属于视盘的像素点，从所述眼底彩照图像分割出所述视盘图像；
根据所述第二概率分割图和所述第三概率分割图，确定所述视盘图像中属于视杯的像素点；
根据所述视盘图像中属于视杯的像素点，从所述视盘图像中分割出所述视杯图像。
在一些可能的实施方式中，在根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，以得到所述待诊断患者患有青光眼的目标概率方面，上述程序具体用于执行以下步骤的指令：
对所述第一特征图进行映射处理，得到注意力权重矩阵，所述注意力权重矩阵的维度与所述眼底彩照图像的维度相同；
根据所述注意力权重矩阵，对所述眼底彩照图像进行加权处理，得到第一输入数据；
根据所述第一输入数据，确定所述待诊断患者患有青光眼的第一概率；
根据所述视盘图像，确定所述待诊断患者患有青光眼的第二概率；
根据所述第一概率和所述第二概率，得到所述待诊断患者患有青光眼的目标概率。
在一些可能的实施方式中，在根据所述第一概率和所述第二概率，确定所述待诊断患者患有青光眼的目标概率方面，上述程序具体用于执行以下步骤的指令：
对所述第一概率和所述第二概率进行加权处理，得到所述待诊断患者患有青光眼的目标概率。上述程序具体用于执行以下步骤的指令：
在一些可能的实施方式中，在对所述眼底彩照图像进行特征提取，得到所述待识别图像对应的第一特征图之前，上述程序还用于执行以下步骤的指令：
对所述眼底彩照图像进行图像变换，以将所述眼底彩照图像的图像参数变换为预设的标准参数，所述图像参数包括以下至少一项：亮度、饱和度、色度、对比度和颜色。
参阅图6，图6本申请实施例提供的一种青光眼辅助诊断装置的功能单元组成框图。青光眼辅助诊断装置600包括：获取单元601和处理单元602，其中：
获取单元601，用于获取待诊断患者的眼底彩照图像；
处理单元602，用于对所述眼底彩照图像进行特征提取，得到第一特征图；
处理单元602，还用于根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，其中，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；
处理单元602，还用于根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率。
在一些可能的实施方式中，在根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像方面，处理单元602，具体用于：
根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像，所述视杯图像为所述眼底彩照图像中视杯区域对应的图像；在根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率方面，处理单元602，具体用于：
确定所述视杯图像和所述视盘图像的比值；
根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的目标概率；
根据所述比值和所述目标概率，确定所述待诊断患者是否患有青光眼。
在一些可能的实施方式中，在根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像方面，处理单元602，具体用于：
对所述第一特征图进行上采样处理，得到第二特征图；
根据所述第二特征图进行图像分割，分别得到第一概率分割图和第二概率分割图以及第三概率分割图，其中，所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图用于表征所述眼底彩照图像中各个像素点分别属于背景、视盘以及视杯的概率；
根据所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图，对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像。
在一些可能的实施方式中，在根据所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图，对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像方面，处理单元602，具体用于：
根据所述第一概率分割图和所述第二概率分割图，确定所述眼底彩照图像中属于背景的像素点以及属于视盘的像素点；
根据所述眼底彩照图像中属于背景的像素点以及属于视盘的像素点，从所述眼底彩照图像分割出所述视盘图像；
根据所述第二概率分割图和所述第三概率分割图，确定所述视盘图像中属于视杯的像素点；
根据所述视盘图像中属于视杯的像素点，从所述视盘图像中分割出所述视杯图像。
在一些可能的实施方式中，在根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，以得到所述待诊断患者患有青光眼的目标概率方面，处理单元602，具体用于：
对所述第一特征图进行映射处理，得到注意力权重矩阵，所述注意力权重矩阵的维度与所述眼底彩照图像的维度相同；
根据所述注意力权重矩阵，对所述眼底彩照图像进行加权处理，得到第一输入数据；
根据所述第一输入数据，确定所述待诊断患者患有青光眼的第一概率；
根据所述视盘图像，确定所述待诊断患者患有青光眼的第二概率；
根据所述第一概率和所述第二概率，得到所述待诊断患者患有青光眼的目标概率。
在一些可能的实施方式中，在根据所述第一概率和所述第二概率，确定所述待诊断患者患有青光眼的目标概率方面，处理单元602，具体用于：
对所述第一概率和所述第二概率进行加权处理，得到所述待诊断患者患有青光眼的目标概率。上述程序具体用于执行以下步骤的指令：
在一些可能的实施方式中，在对所述眼底彩照图像进行特征提取，得到所述待识别图像对应的第一特征图之前，处理单元602，还用于：
对所述眼底彩照图像进行图像变换，以将所述眼底彩照图像的图像参数变换为预设的标准参数，所述图像参数包括以下至少一项：亮度、饱和度、色度、对比度和颜色。
本申请实施例还提供一种计算机存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如上述方法实施例中记载的任何一种青光眼辅助诊断方法的部分或全部步骤。
本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种青光眼辅助诊断方法的部分或全部步骤。
本申请中的青光眼辅助诊断装置可以包括智能手机（如Android手机、iOS手机、Windows Phone手机等）、平板电脑、掌上电脑、笔记本电脑、移动互联网设备MID（MobileInternet Devices，简称：MID）或穿戴式设备等。上述青光眼辅助诊断装置仅是举例，而非穷举，包含但不限于上述青光眼辅助诊断装置。在实际应用中，上述青光眼辅助诊断装置还可以包括：智能车载终端、计算机设备等等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，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，可以是电性或其它的形式。
所述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例方案的目的。
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，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块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器中。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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：Read-Only Memory ，简称：ROM）、随机存取器（英文：Random Access Memory，简称：RAM）、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种青光眼辅助诊断装置，其特征在于，包括：
获取单元，用于获取待诊断患者的眼底彩照图像；
处理单元，用于对所述眼底彩照图像进行特征提取，得到第一特征图；
所述处理单元，还用于根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，具体用于：根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像，其中，所述视杯图像为所述眼底彩照图像中视杯区域对应的图像，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；
所述处理单元，还用于根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率，具体用于：确定所述视杯图像和所述视盘图像的比值，所述比值为所述视杯图像中视杯的垂直径与视盘图像中视盘的垂直径之间的比值；对所述第一特征图进行映射处理，得到注意力权重矩阵，所述注意力权重矩阵的维度与所述眼底彩照图像的维度相同；根据所述注意力权重矩阵，对所述眼底彩照图像进行加权处理，得到第一输入数据；根据所述第一输入数据，确定所述待诊断患者患有青光眼的第一概率；根据所述视盘图像，确定所述待诊断患者患有青光眼的第二概率；对所述第一概率和所述第二概率进行加权处理，得到所述待诊断患者患有青光眼的目标概率；将所述比值和所述目标概率的乘积作为所述待诊断患者患有青光眼的概率。
2.根据权利要求1所述的装置，其特征在于，在根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像方面，所述处理单元，具体用于：
对所述第一特征图进行上采样处理，得到第二特征图；
根据所述第二特征图进行图像分割，分别得到第一概率分割图和第二概率分割图以及第三概率分割图，其中，所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图用于表征所述眼底彩照图像中各个像素点分别属于背景、视盘以及视杯的概率；
根据所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图，对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像。
3.根据权利要求2所述的装置，其特征在于，在根据所述第一概率分割图、所述第二概率分割图以及所述第三概率分割图，对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像方面，所述处理单元，具体用于：
根据所述第一概率分割图和所述第二概率分割图，确定所述眼底彩照图像中属于背景的像素点以及属于视盘的像素点；
根据所述眼底彩照图像中属于背景的像素点以及属于视盘的像素点，从所述眼底彩照图像分割出所述视盘图像；
根据所述第二概率分割图和所述第三概率分割图，确定所述视盘图像中属于视杯的像素点；
根据所述视盘图像中属于视杯的像素点，从所述视盘图像中分割出所述视杯图像。
4.根据权利要求3所述的装置，其特征在于，在对所述眼底彩照图像进行特征提取，得到第一特征图之前，所述处理单元，还用于：
对所述眼底彩照图像进行图像变换，以将所述眼底彩照图像的图像参数变换为预设的标准参数，所述图像参数包括以下至少一项：亮度、饱和度、色度、对比度和颜色。
5.一种青光眼辅助诊断方法，其特征在于，包括：
获取待诊断患者的眼底彩照图像；
对所述眼底彩照图像进行特征提取，得到第一特征图；
根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像，具体包括：根据所述第一特征图对所述眼底彩照图像进行图像分割，得到所述眼底彩照图像中的视盘图像和视杯图像，其中，所述视杯图像为所述眼底彩照图像中视杯区域对应的图像，所述视盘图像为所述眼底彩照图像中视盘区域对应的图像；
根据所述第一特征图，对所述视盘图像以及所述眼底彩照图像进行特征提取，得到所述待诊断患者患有青光眼的概率，具体包括：确定所述视杯图像和所述视盘图像的比值，所述比值为所述视杯图像中视杯的垂直径与视盘图像中视盘的垂直径之间的比值；对所述第一特征图进行映射处理，得到注意力权重矩阵，所述注意力权重矩阵的维度与所述眼底彩照图像的维度相同；根据所述注意力权重矩阵，对所述眼底彩照图像进行加权处理，得到第一输入数据；根据所述第一输入数据，确定所述待诊断患者患有青光眼的第一概率；根据所述视盘图像，确定所述待诊断患者患有青光眼的第二概率；对所述第一概率和所述第二概率进行加权处理，得到所述待诊断患者患有青光眼的目标概率；将所述比值和所述目标概率的乘积作为所述待诊断患者患有青光眼的概率。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求5所述的方法。
CN202011154892.2A 2020-10-26 2020-10-26 青光眼辅助诊断装置、方法及存储介质 Active CN111986202B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011154892.2A CN111986202B (zh) 2020-10-26 2020-10-26 青光眼辅助诊断装置、方法及存储介质
PCT/CN2020/132269 WO2021159811A1 (zh) 2020-10-26 2020-11-27 青光眼辅助诊断装置、方法及存储介质
US17/539,860 US11978215B2 (en) 2020-10-26 2021-12-01 Device and method for glaucoma auxiliary diagnosis, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011154892.2A CN111986202B (zh) 2020-10-26 2020-10-26 青光眼辅助诊断装置、方法及存储介质

Publications (2)

Publication Number Publication Date
CN111986202A CN111986202A (zh) 2020-11-24
CN111986202B true CN111986202B (zh) 2021-02-05

Family

ID=73450650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011154892.2A Active CN111986202B (zh) 2020-10-26 2020-10-26 青光眼辅助诊断装置、方法及存储介质

Country Status (3)

Country Link
US (1) US11978215B2 (zh)
CN (1) CN111986202B (zh)
WO (1) WO2021159811A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986202B (zh) * 2020-10-26 2021-02-05 平安科技（深圳）有限公司 青光眼辅助诊断装置、方法及存储介质
CN112541923B (zh) * 2020-12-03 2022-04-08 南开大学 一种基于眼底图数据集迁移学习的视杯视盘分割方法
CN114092477A (zh) * 2022-01-21 2022-02-25 浪潮云信息技术股份公司 一种图像篡改检测方法、装置及设备
CN117764985B (zh) * 2024-02-01 2024-05-14 江西师范大学 眼底图像分割模型训练方法、设备和青光眼辅助诊断***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108520522A (zh) * 2017-12-31 2018-09-11 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法
WO2018215855A1 (en) * 2017-05-23 2018-11-29 Indian Institute Of Science Automated fundus image processing techniques for glaucoma prescreening
CN109684981A (zh) * 2018-12-19 2019-04-26 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查***
CN109919938A (zh) * 2019-03-25 2019-06-21 中南大学 青光眼的视盘分割图谱获取方法
CN110610480A (zh) * 2019-08-02 2019-12-24 成都上工医信科技有限公司 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
CN110992382A (zh) * 2019-12-30 2020-04-10 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及***
CN111553754A (zh) * 2020-07-10 2020-08-18 支付宝(杭州)信息技术有限公司 行为预测***的更新方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102112044A (zh) * 2008-05-14 2011-06-29 科学、技术与研究机构 自动杯盘比测量***
US10783639B2 (en) * 2016-10-19 2020-09-22 University Of Iowa Research Foundation System and method for N-dimensional image segmentation using convolutional neural networks
CN109829877A (zh) * 2018-09-20 2019-05-31 中南大学 一种视网膜眼底图像杯盘比自动评估方法
CN109697716B (zh) * 2018-12-19 2021-04-02 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查***
CN111753820A (zh) * 2019-03-27 2020-10-09 天津工业大学 一种基于深度学习的彩色眼底图像视杯分割方法
CN111340819B (zh) * 2020-02-10 2023-09-12 腾讯科技（深圳）有限公司 图像分割方法、装置和存储介质
CN111667490B (zh) * 2020-05-07 2023-06-30 清华大学深圳国际研究生院 一种眼底图片视杯视盘分割方法
CN111986202B (zh) * 2020-10-26 2021-02-05 平安科技（深圳）有限公司 青光眼辅助诊断装置、方法及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018215855A1 (en) * 2017-05-23 2018-11-29 Indian Institute Of Science Automated fundus image processing techniques for glaucoma prescreening
CN108520522A (zh) * 2017-12-31 2018-09-11 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法
CN109684981A (zh) * 2018-12-19 2019-04-26 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查***
CN109919938A (zh) * 2019-03-25 2019-06-21 中南大学 青光眼的视盘分割图谱获取方法
CN110610480A (zh) * 2019-08-02 2019-12-24 成都上工医信科技有限公司 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
CN110992382A (zh) * 2019-12-30 2020-04-10 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及***
CN111553754A (zh) * 2020-07-10 2020-08-18 支付宝(杭州)信息技术有限公司 行为预测***的更新方法及装置

Also Published As

Publication number Publication date
US11978215B2 (en) 2024-05-07
WO2021159811A1 (zh) 2021-08-19
US20220130052A1 (en) 2022-04-28
CN111986202A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111986202B (zh) 青光眼辅助诊断装置、方法及存储介质
US20210365717A1 (en) Method and apparatus for segmenting a medical image, and storage medium
CN110276411B (zh) 图像分类方法、装置、设备、存储介质和医疗电子设备
EP4105877A1 (en) Image enhancement method and image enhancement apparatus
CN112017185B (zh) 病灶分割方法、装置及存储介质
Li et al. Content-partitioned structural similarity index for image quality assessment
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
CN108615236A (zh) 一种图像处理方法及电子设备
CN110838125A (zh) 医学图像的目标检测方法、装置、设备、存储介质
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN110211205B (zh) 图像处理方法、装置、设备和存储介质
CN108830149B (zh) 一种目标细菌的检测方法及终端设备
CN110059666B (zh) 一种注意力检测方法及装置
CN112330684B (zh) 对象分割方法、装置、计算机设备及存储介质
CN109919915A (zh) 基于深度学习的视网膜眼底图像异常区域检测方法及设备
CN113610842B (zh) 基于CAS-Net的OCT图像视网膜脱离和劈裂自动分割方法
CN111160114A (zh) 手势识别方法、装置、设备及计算机可读存储介质
CN116563647B (zh) 年龄相关性黄斑病变图像分类方法及装置
CN111667459A (zh) 一种基于3d可变卷积和时序特征融合的医学征象检测方法、***、终端及存储介质
CN110610480B (zh) 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
CN110473176B (zh) 图像处理方法及装置、眼底图像处理方法、电子设备
CN115909172A (zh) 深度伪造视频检测分割识别***、终端及存储介质
CN112990339A (zh) 胃病理切片图像分类方法、装置及存储介质
CN116798041A (zh) 图像识别方法、装置和电子设备
CN115829980A (zh) 一种眼底照片的图像识别方法、装置、设备及存储介质

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