CN113822861A - 一种眼表肿物的判断方法及装置 - Google Patents
一种眼表肿物的判断方法及装置 Download PDFInfo
- Publication number
- CN113822861A CN113822861A CN202111044291.0A CN202111044291A CN113822861A CN 113822861 A CN113822861 A CN 113822861A CN 202111044291 A CN202111044291 A CN 202111044291A CN 113822861 A CN113822861 A CN 113822861A
- Authority
- CN
- China
- Prior art keywords
- eye surface
- candidate region
- map
- surface swelling
- swelling
- 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
- 230000008961 swelling Effects 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims abstract description 50
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 84
- 230000003211 malignant effect Effects 0.000 claims abstract description 41
- 230000003902 lesion Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 210000001508 eye Anatomy 0.000 description 106
- 238000003745 diagnosis Methods 0.000 description 13
- 201000011510 cancer Diseases 0.000 description 11
- 238000011282 treatment Methods 0.000 description 11
- 238000012800 visualization Methods 0.000 description 11
- 208000009077 Pigmented Nevus Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000000744 eyelid Anatomy 0.000 description 5
- 206010027145 Melanocytic naevus Diseases 0.000 description 4
- 206010004146 Basal cell carcinoma Diseases 0.000 description 3
- 210000000795 conjunctiva Anatomy 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 230000007159 enucleation Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 201000001441 melanoma Diseases 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 206010061619 Deformity Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 208000001126 Keratosis Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 241000934136 Verruca Species 0.000 description 1
- 208000000260 Warts Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013532 laser treatment Methods 0.000 description 1
- 201000002576 malignant conjunctival melanoma Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002271 resection Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 201000010153 skin papilloma Diseases 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种眼表肿物的判断方法及装置，所述方法包括：先获取眼表肿物图；再将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。采用本发明实施例能提高判断眼表肿物良恶性的准确度。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种眼表肿物的判断方法及装置。
背景技术
眼表肿物是指发生在眼睑、结膜、角膜、眼附件等眼睛表面结构上的肿物，其既包含色素痣、老年疣等良性肿物，也包含基底细胞癌、黑色素瘤等各种恶性肿物，肿物的良、恶性是选择治疗方式最重要的参考依据之一。由于肿物位于眼睛表面，且不同性质的肿物有着各自特异的外观表现，所以可以直接为光学检查所看到。在现有技术中，主要基于眼科医生在术前通过在裂隙灯显微镜下直接观察肿物的的形态学特点，结合病史，初步判断眼表肿物良恶性，从而指导下一步治疗。但是，现有技术中通过眼科医生人工判断眼表肿物良恶性的方法存在以下缺点：
1、医生资源缺乏，传统人工筛查肿瘤良恶性，不能满足医疗需求。眼肿物诊断具有特殊性，需具备眼科学、皮肤科学及肿瘤学的交叉综合知识。医生培养周期长，人力资本高，仅有少量专科医生能熟练掌握不同肿物在裂隙灯显微镜下的特点。2、术前判断良恶性缺乏客观标准且准确率有限：主要依靠裂隙灯下的形态表现，结合病史进行经验性诊断，缺乏标准化诊断流程，专家教授的准确率大致在75-85％波动。且恶性肿物容易漏诊误诊：恶性色素性肿物往往伪装成常见的“色素痣”，威胁患者生命健康。
综上所述，现有的通过眼科医生人工判断眼表肿物良恶性的方法准确性不高。
发明内容
本发明实施例提供一种眼表肿物的判断方法及装置，提高了判断眼表肿物良恶性的准确性。
本申请实施例的第一方面提供了一种眼表肿物的判断方法，包括：
获取眼表肿物图；
将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，候选区域为疑似病灶区域。
在第一方面的一种可能的实现方式中，在将多个第二特征图的维度设置为第一维度后，还包括：
根据维度均为第一维度的多个第二特征图进行眼表肿物的分类，并输出分类结果。
在第一方面的一种可能的实现方式中，在获取候选区域后，还包括：
通过计算候选区域的回归，对候选区域的位置进行修正，得到修正后的候选区域。
在第一方面的一种可能的实现方式中，在获取候选区域后，还包括：
将候选区域根据第一比例缩放后映射至眼表肿物图中，得到候选区域的置信度；
根据置信度，结合判断结果、分类结果和修正后的候选区域，生成可视化结果。
在第一方面的一种可能的实现方式中，获取眼表肿物图，具体为：
获取初始输入图像，将初始输入图像根据第一比例缩放生成眼表肿物图并获取。
在第一方面的一种可能的实现方式中，眼表肿物判断模型的生成过程具体为：
获取第一训练样本集；其中，第一训练样本集包括：含良性标注、恶性标注以及眼表肿物类型标注的眼表肿物图；
对第一训练样本集按照预设概率进行翻转和进行HSV颜色转换，得到第二训练样本集；
将第二训练样本集输入神经网络模型中，以使神经网络模型进行训练后生成眼表肿物判断模型。
在第一方面的一种可能的实现方式中，眼表肿物判断模型包括：特征提取层、RPN层、Roi池化层和分类层；
其中，特征提取层用于根据眼表肿物图获取第一特征图；
RPN层用于根据第一特征图获取候选区域；
Roi池化层用于根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度；
分类层用于根据维度均为第一维度的多个第二特征图，进行眼表肿物良恶性判断以及对眼表肿物进行分类。
在第一方面的一种可能的实现方式中，分类层还用于通过计算候选区域的回归，对候选区域的位置进行修正，得到修正后的候选区域。
在第一方面的一种可能的实现方式中，眼表肿物判断模型还包括：输出层；
输出层用于输出修正后的候选区域、判断结果和分类结果；
输出层还用于将候选区域根据第一比例缩放后映射至眼表肿物图中，得到候选区域的置信度后并输出。
本申请实施例的第二方面提供了一种眼表肿物的判断装置，包括：获取模块和判断模块；
其中，获取模块用于获取眼表肿物图；
判断模块用于将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，候选区域为疑似病灶区域。
相比于现有技术，本发明实施例提供的一种眼表肿物的判断方法及装置，其有益效果在于：本发明实施例的判断方法，先获取眼表肿物图；再将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。
本发明实施例通过向眼表肿物模型输入眼表肿物图后，便能够自动进行眼表肿物良恶性判断，并得到判断结果，避免了人工判断的干扰以及可能导致的误诊，提高了眼表肿物良恶性判断的准确性。
其次，只需要通过向眼表肿物模型输入眼表肿物图，便能进行眼表肿物良恶性判断，相比于现有技术中通过眼科医生人工判断眼表肿物良恶性的方法，本发明实施例更快捷，在短时间内即可提升基层医院及体检中心对于眼表肿物的诊疗水平，适用于恶性肿瘤病人的远程医疗以及及时转诊；而且不受医生资源匮乏的限制，能广泛适用于普通眼科门诊及体检中心。
而且，除了对眼表肿物良恶性判断之外，还对候选区域的位置进行修正，得到修正后的候选区域；以及得到候选区域的置信度。并根据多个置信度，结合所述判断结果、所述分类结果和所述修正后的候选区域，获取眼表肿物图中最大置信度对应的候选区域及其判断结果和分类结果，作为该眼表肿物图的可视化结果，能够使该可视化结果更具有指导意义，为临床医生提供更多信息：临床医生可根据可视化结果判断AI报告的可信度，从而选择继续增加该病人检测图片进行重新检测、或结合临床进行下一步诊疗。
再者，由于通过眼科医生人工判断眼表肿物良恶性的方法需要对眼科医生进行专门培训，而眼表肿物的诊断涉及专业领域广泛，需同时具备眼科、皮肤科及肿瘤科的交叉知识，医生培养成本高，成长曲线长，人才缺乏。所以本发明实施例所提出的眼表肿物的判断方法，只需要建立眼表肿物模型便能实现，所以更具备经济性和时效性。
最后，将眼表肿物模型结合云平台进行使用，保证用户能够在任意时间、地点进行眼表肿物良恶性的判断、以及进行眼表肿物的分类，进一步提高了眼表肿物良恶性判断以及分类眼表肿物的便捷性。
附图说明
图1是本发明一实施例提供的一种眼表肿物的判断方法的流程示意图；
图2是本发明一实施例提供的眼表肿物判断模型的生成过程示意图；
图3是本发明一实施例提供的一种眼表肿物的判断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本发明保护的范围。
在现有的通过眼科医生人工判断眼表肿物良恶性的方法中，由于眼睑和结膜色素痣是眼表最常见的眼表肿物，且颜色及外观相似，容易与良性的角化性病变或是恶性肿物如基底细胞癌、黑色素细胞瘤产生混淆，进而导致误诊或者漏诊。而误诊或漏诊都是导致患者面临着失去眼球和生命的巨大威胁。此外，即使是良性肿物，过度的手术治疗也会产生容貌损毁、视力受损的严重后果。
对肿物良恶性的判断将决定选择不同组织损伤程度的治疗方式，从保守的随访到激光治疗，局部切除、再到损毁性的眼球摘除、眶内容物剜除术不等，所以肿物良恶性的判断必须满足高精度的要求。
术前对肿物的良恶性判断有利于选择尽可能保留组织功能的治疗方式，在提高病人生存率的基础上尽可能的保留视力和外观。目前病理检查依然是肿瘤性质判断的金标准，但它必须要进行肿物切除，这对一些良性肿物产生了额外的眼表重建负担，并且出于对活检负担的考虑有可能导致恶性肿物的治疗不及时。
如何进行无创且精准的眼表肿物良恶性判断，是目前亟待解决的问题。
为了解决上述技术问题，本发明提出了一种眼表肿物的判断方法。请参照图1，是本发明一实施例提供的一种眼表肿物的判断方法的流程示意图，包括S101、S102：
S101：获取眼表肿物图。
在本实施例中，所述眼表肿物图可通过眼表裂隙灯显微镜照相机对眼表进行拍摄后得到。
S102：将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果。
其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和所述候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，候选区域为疑似病灶区域。在一具体实施例中，眼表肿物判断模型所使用的是Faster-RCNN算法。
在本实施例中，在所述将多个所述第二特征图的维度设置为第一维度后，还包括：根据维度均为所述第一维度的多个所述第二特征图进行眼表肿物的分类，并输出分类结果。
在本实施例中，在获取所述候选区域后，还包括：
通过计算所述候选区域的回归，对所述候选区域的位置进行修正，得到修正后的候选区域。
由于候选区域为疑似病灶区域，为了提高疑似病灶区域、即肿瘤目标定位结果得准确性，需要对所述候选区域的位置进行修正，以得到准确的肿瘤目标定位结果。
在本实施例中，在获取所述候选区域后，还包括：
将所述候选区域根据第一比例缩放后映射至所述眼表肿物图中，得到所述候选区域的置信度；
根据所述置信度，结合所述判断结果、所述分类结果和所述修正后的候选区域，生成可视化结果。
由于一张眼表肿物图上可能存在多个候选区域，且每个候选区域在进行眼表肿物良恶性判断后都能够得到相应的判断结果和分类结果。为了使判断结果和分类结果更具参考意义，也为了提高判断的准确性，在得到多个候选区域的多个置信度后，根据多个置信度，结合判断结果和修正后的候选区域，获取最大置信度对应的候选区域及其判断结果，作为该眼表肿物图的可视化结果，使得该可视化结果更具有指导意义，为临床医生提供更多信息。临床医生可根据可视化结果判断AI报告的可信度，从而选择继续增加该病人检测图片进行重新检测、或结合临床进行下一步诊疗。
在本实施例中，所述获取眼表肿物图，具体为：
获取初始输入图像，将所述初始输入图像根据所述第一比例缩放生成所述眼表肿物图并获取。
为了进一步说明眼表肿物判断模型的生成过程，请参照图2，图2是本发明一实施例提供的眼表肿物判断模型的生成过程示意图，包括S201-S203：
S201：获取第一训练样本集。
其中，第一训练样本集包括：含良性标注、恶性标注以及眼表肿物类型标注的眼表肿物图。
在一具体实施例中，所述眼表肿物类型标注包括：结膜恶性黑色素瘤、眼睑基底细胞癌、结膜色素痣、眼睑色素痣和眼睑良性角化病。
S202：对第一训练样本集按照预设概率进行翻转和进行HSV颜色转换，得到第二训练样本集。
其中，对第一训练样本集按照预设概率进行翻转和进行HSV颜色转换是为了增加样本数量并提升模型的泛化能力，以得到数据增强后的第二训练样本集。
S203：将第二训练样本集输入神经网络模型中，以使神经网络模型进行训练后生成眼表肿物判断模型。
在本实施例中，训练后生成的眼表肿物判断模型包括：特征提取层、RPN层、Roi池化层和分类层。
其中，所述特征提取层用于根据所述眼表肿物图获取所述第一特征图。
在一具体实施例中，所述特征提取层是通过多个卷积操作来提取图像的特征，其网络架构为当前主流的图像分类网络框架，如VGG16，ResNet50等，在本实施例中使用的是ResNet50。所述特征提取层的输出结果是所述第一特征图，所述第一特征图是一个具有全局图片信息的特征图(feature map)，它的本质是一个多维数组。
所述RPN层用于根据所述第一特征图获取所述候选区域。
在一具体实施例中，所述RPN层根据第一特征图获取疑似病灶区域后，输出眼表肿物图中多个不同维度的候选区域。
所述Roi池化层用于根据所述第一特征图和所述候选区域得到多个所述第二特征图，将多个所述第二特征图的维度设置为所述第一维度。
在一具体实施例中，由于神经网络无法处理维度不同的输入，所以Roi池化层根据所述第一特征图和所述候选区域得到多个所述第二特征图，并将这些第二特征图处理为同样的维度，即第一维度。
在一具体实施例中，根据所述第一特征图和所述候选区域得到多个所述第二特征图，具体为：根据所述第一特征图和所述候选区域之间的对应关系来得到多个所述第二特征图。其中，所述第二特征图为候选区域的特征图。
所述分类层用于根据维度均为所述第一维度的多个所述第二特征图，进行眼表肿物良恶性判断以及对眼表肿物进行分类。
在一具体实施例中，所述分类层还用于通过计算所述候选区域的回归，对所述候选区域的位置进行修正，得到所述修正后的候选区域。
在本实施例中，所述眼表肿物判断模型还包括：输出层；
所述输出层用于输出所述修正后的候选区域、所述判断结果和所述分类结果；
所述输出层还用于将所述候选区域根据所述第一比例缩放后映射至所述眼表肿物图中，得到所述候选区域的置信度后并输出。
由上述可得，输出层的输出结果包括：修正后的候选区域、判断结果、分类结果和候选区域的置信度；根据所述置信度，结合所述判断结果、所述分类结果和所述修正后的候选区域，即可生成可视化结果。
其中，所述分类结果包括：四分类结果和五分类结果，具体可根据实际需要进行设计。
为了进一步说明眼表肿物的判断装置，请参照图3，图3是本发明一实施例提供的一种眼表肿物的判断装置的结构示意图，包括：获取模块301和判断模块302。
其中，所述获取模块301用于获取眼表肿物图；
所述判断模块302用于将所述眼表肿物图输入至眼表肿物判断模型中，以使所述眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，所述眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据所述第一特征图和所述候选区域得到多个第二特征图，将多个所述第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。
具体地，在获取所述候选区域后，还包括：
通过计算所述候选区域的回归，对所述候选区域的位置进行修正，得到修正后的候选区域。
本发明实施例先通过获取模块301用于获取眼表肿物图；再通过判断模块302用于将眼表肿物图输入至眼表肿物判断模型中，以使眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，眼表肿物判断模型用于根据眼表肿物图获取第一特征图和候选区域，继而根据第一特征图和候选区域得到多个第二特征图，将多个第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。
本发明实施例通过向眼表肿物模型输入眼表肿物图后，便能够自动进行眼表肿物良恶性判断，并得到判断结果，避免了人工判断的干扰以及可能导致的误诊，提高了眼表肿物良恶性判断的准确性。
其次，只需要通过向眼表肿物模型输入眼表肿物图，便能进行眼表肿物良恶性判断，相比于现有技术中通过眼科医生人工判断眼表肿物良恶性的方法，本发明实施例更快捷，在短时间内即可提升基层医院及体检中心对于眼表肿物的诊疗水平，适用于恶性肿瘤病人的远程医疗以及及时转诊；而且不受医生资源匮乏的限制，能广泛适用于普通眼科门诊及体检中心。
而且，除了对眼表肿物良恶性判断之外，还对候选区域的位置进行修正，得到修正后的候选区域；以及在得到候选区域的置信度后，根据多个置信度，结合所述判断结果、所述分类结果和所述修正后的候选区域，获取眼表肿物图中最大置信度对应的候选区域及其判断结果和分类结果，作为该眼表肿物图的可视化结果，能够使该可视化结果更具有指导意义，为临床医生提供更多信息：临床医生可根据可视化结果判断AI报告的可信度，从而选择继续增加该病人检测图片进行重新检测、或结合临床进行下一步诊疗。
再者，由于通过眼科医生人工判断眼表肿物良恶性的方法需要对眼科医生进行专门培训，而眼表肿物的诊断涉及专业领域广泛，需同时具备眼科、皮肤科及肿瘤科的交叉知识，医生培养成本高，成长曲线长，人才缺乏。所以本发明实施例所提出的眼表肿物的判断方法，只需要建立眼表肿物模型便能实现，所以更具备经济性和时效性。
最后，将眼表肿物模型结合云平台进行使用，保证用户能够在任意时间、地点进行眼表肿物良恶性的判断、以及进行眼表肿物的分类，进一步提高了眼表肿物良恶性判断以及分类眼表肿物的便捷性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种眼表肿物的判断方法，其特征在于，包括：
获取眼表肿物图；
将所述眼表肿物图输入至眼表肿物判断模型中，以使所述眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，所述眼表肿物判断模型用于根据所述眼表肿物图获取第一特征图和候选区域，继而根据所述第一特征图和所述候选区域得到多个第二特征图，将多个所述第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。
2.根据权利要求1所述的一种眼表肿物的判断方法，其特征在于，在所述将多个所述第二特征图的维度设置为第一维度后，还包括：
根据维度均为所述第一维度的多个所述第二特征图进行眼表肿物的分类，并输出分类结果。
3.根据权利要求2所述的一种眼表肿物的判断方法，其特征在于，在获取所述候选区域后，还包括：
通过计算所述候选区域的回归，对所述候选区域的位置进行修正，得到修正后的候选区域。
4.根据权利要求3所述的一种眼表肿物的判断方法，其特征在于，在获取所述候选区域后，还包括：
将所述候选区域根据第一比例缩放后映射至所述眼表肿物图中，得到所述候选区域的置信度；
根据所述置信度，结合所述判断结果、所述分类结果和所述修正后的候选区域，生成可视化结果。
5.根据权利要求4所述的一种眼表肿物的判断方法，其特征在于，所述获取眼表肿物图，具体为：
获取初始输入图像，将所述初始输入图像根据所述第一比例缩放生成所述眼表肿物图并获取。
6.根据权利要求5所述的一种眼表肿物的判断方法，其特征在于，所述眼表肿物判断模型的生成过程具体为：
获取第一训练样本集；其中，所述第一训练样本集包括：含良性标注、恶性标注以及眼表肿物类型标注的眼表肿物图；
对所述第一训练样本集按照预设概率进行翻转和进行HSV颜色转换，得到第二训练样本集；
将所述第二训练样本集输入神经网络模型中，以使所述神经网络模型进行训练后生成所述眼表肿物判断模型。
7.根据权利要求6所述的一种眼表肿物的判断方法，其特征在于，所述眼表肿物判断模型包括：特征提取层、RPN层、Roi池化层和分类层；
其中，所述特征提取层用于根据所述眼表肿物图获取所述第一特征图；
所述RPN层用于根据所述第一特征图获取所述候选区域；
所述Roi池化层用于根据所述第一特征图和所述候选区域得到多个所述第二特征图，将多个所述第二特征图的维度设置为所述第一维度；
所述分类层用于根据维度均为所述第一维度的多个所述第二特征图，进行眼表肿物良恶性判断以及对眼表肿物进行分类。
8.根据权利要求7所述的一种眼表肿物的判断方法，其特征在于，所述分类层还用于通过计算所述候选区域的回归，对所述候选区域的位置进行修正，得到所述修正后的候选区域。
9.根据权利要求8所述的一种眼表肿物的判断方法，其特征在于，所述眼表肿物判断模型还包括：输出层；
所述输出层用于输出所述修正后的候选区域、所述判断结果和所述分类结果；
所述输出层还用于将所述候选区域根据所述第一比例缩放后映射至所述眼表肿物图中，得到所述候选区域的置信度后并输出。
10.一种眼表肿物的判断装置，其特征在于，包括：获取模块和判断模块；
其中，所述获取模块用于获取眼表肿物图；
所述判断模块用于将所述眼表肿物图输入至眼表肿物判断模型中，以使所述眼表肿物判断模型进行眼表肿物良恶性判断，得到判断结果；其中，所述眼表肿物判断模型用于根据所述眼表肿物图获取第一特征图和候选区域，继而根据所述第一特征图和所述候选区域得到多个第二特征图，将多个所述第二特征图的维度设置为第一维度后进行眼表肿物良恶性判断；其中，所述候选区域为疑似病灶区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111044291.0A CN113822861A (zh) | 2021-09-07 | 2021-09-07 | 一种眼表肿物的判断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111044291.0A CN113822861A (zh) | 2021-09-07 | 2021-09-07 | 一种眼表肿物的判断方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113822861A true CN113822861A (zh) | 2021-12-21 |
Family
ID=78922128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111044291.0A Pending CN113822861A (zh) | 2021-09-07 | 2021-09-07 | 一种眼表肿物的判断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822861A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838114A (zh) * | 2019-11-11 | 2020-02-25 | 苏州锐一仪器科技有限公司 | 肺结节检测方法、装置及计算机存储介质 |
| CN111144238A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 基于Faster R-CNN的物品检测方法及*** |
| CN111652850A (zh) * | 2020-05-08 | 2020-09-11 | 怀光智能科技（武汉）有限公司 | 一种基于移动设备的筛查*** |
| CN112102256A (zh) * | 2020-08-22 | 2020-12-18 | 复旦大学 | 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断*** |
| CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
| CN112786189A (zh) * | 2021-01-05 | 2021-05-11 | 重庆邮电大学 | 一种基于深度学习的新冠肺炎智能诊断*** |
-
2021
- 2021-09-07 CN CN202111044291.0A patent/CN113822861A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110838114A (zh) * | 2019-11-11 | 2020-02-25 | 苏州锐一仪器科技有限公司 | 肺结节检测方法、装置及计算机存储介质 |
| CN111144238A (zh) * | 2019-12-11 | 2020-05-12 | 重庆邮电大学 | 基于Faster R-CNN的物品检测方法及*** |
| CN111652850A (zh) * | 2020-05-08 | 2020-09-11 | 怀光智能科技（武汉）有限公司 | 一种基于移动设备的筛查*** |
| CN112102256A (zh) * | 2020-08-22 | 2020-12-18 | 复旦大学 | 面向窄带内镜图像的早期食管鳞癌的癌灶检测及诊断*** |
| CN112699868A (zh) * | 2020-12-17 | 2021-04-23 | 深圳视见医疗科技有限公司 | 一种基于深度卷积神经网络的图像识别方法、设备 |
| CN112786189A (zh) * | 2021-01-05 | 2021-05-11 | 重庆邮电大学 | 一种基于深度学习的新冠肺炎智能诊断*** |
Non-Patent Citations (1)
| Title |
|---|
| WANGTING LI ET AL.: "Dense anatomical annotation of slit-lamp images improves the performance of deep learning for the diagnosis of ophthalmic disorders", 《NATURE BIOMEDICAL ENGINEERING》, pages 1 - 11 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wannous et al. | Enhanced assessment of the wound-healing process by accurate multiview tissue classification | |
| Wortsman | Sonography of facial cutaneous basal cell carcinoma | |
| Flores et al. | Intraoperative imaging during Mohs surgery with reflectance confocal microscopy: initial clinical experience | |
| CN107595390B (zh) | 一种超声影像与ct影像的实时匹配融合方法 | |
| CN110403576A (zh) | 三维光声成像在乳腺肿瘤评分***中的应用 | |
| CN111598949B (zh) | 一种用于人体头颈部穴位的自动定位方法 | |
| Aubreville et al. | Transferability of deep learning algorithms for malignancy detection in confocal laser endomicroscopy images from different anatomical locations of the upper gastrointestinal tract | |
| US20240065540A1 (en) | Apparatus and method for detecting cervical cancer | |
| Chu et al. | Artificial intelligence in cutaneous oncology | |
| CN111466952B (zh) | 一种超声内镜与ct三维图像实时转化方法和*** | |
| Lange et al. | Computer-aided-diagnosis (CAD) for colposcopy | |
| CN113822861A (zh) | 一种眼表肿物的判断方法及装置 | |
| Gill et al. | Artifacts and landmarks: pearls and pitfalls for in vivo reflectance confocal microscopy of the skin using the tissue-coupled device | |
| CN114494465B (zh) | 面向自动扫描的组织病理切片检测目标定位方法与装置 | |
| CN115910300A (zh) | 一种基于人工智能医学虚拟平台***及信息处理方法 | |
| Chuh et al. | Outcomes of dermoscope-guided surgical procedures in primary care: case-control study | |
| CN114343555A (zh) | 一种***镜人工智能辅助质控管理方法和装置 | |
| Yurpolsky et al. | Development of device for analysis problem skin zones of the circumpolar region population | |
| Richarz et al. | Challenges for new adopters in pre-surgical margin assessment by handheld reflectance confocal microscope of basal cell carcinoma; a prospective single-center study | |
| CN111603199B (zh) | 一种基于体表定位测量仪的三维重建超声诊断*** | |
| CA3112555C (en) | Spectrally encoded optical polarization imaging for detecting skin cancer margins | |
| US20230380682A1 (en) | Devices, systems, and methods to measure corneal topography | |
| LU502255B1 (en) | Integrated bin-type thyroid ultrasonic ai automatic diagnostic instrument | |
| Yélamos i Pena | Usefulness of in vivo reflectance confocal microscopy and automated videomosaics in the treatment and management of skin cancers= Ús de la microscòpia confocal de reflectància in vivo i dels videomosaics automatitzats en el tractament i seguiment dels càncers cutanis | |
| Vet et al. | A Performance Evaluation of an Optoelectronic Cervical Screening Device in Comparison to Cytology and HPV DNA Testing. |
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 |