CN115131612A - 一种基于递归残差网络的视网膜oct图像分类方法 - Google Patents
一种基于递归残差网络的视网膜oct图像分类方法 Download PDFInfo
- Publication number
- CN115131612A CN115131612A CN202210772144.3A CN202210772144A CN115131612A CN 115131612 A CN115131612 A CN 115131612A CN 202210772144 A CN202210772144 A CN 202210772144A CN 115131612 A CN115131612 A CN 115131612A
- Authority
- CN
- China
- Prior art keywords
- network
- oct image
- residual error
- image classification
- method based
- 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 24
- 210000001525 retina Anatomy 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000002679 ablation Methods 0.000 claims abstract description 5
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 230000002207 retinal effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 208000017442 Retinal disease Diseases 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012014 optical coherence tomography Methods 0.000 description 22
- 206010012688 Diabetic retinal oedema Diseases 0.000 description 5
- 201000011190 diabetic macular edema Diseases 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 208000002780 macular degeneration Diseases 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010064930 age-related macular degeneration Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 244000141353 Prunus domestica Species 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 208000000208 Wet Macular Degeneration Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 208000011325 dry age related macular degeneration Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- A61B3/0016—Operational features thereof
-
- 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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Ophthalmology & Optometry (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于递归残差网络的视网膜OCT图像分类方法，属于医学领域，所述方法包括如下步骤，步骤一：获取视网膜OCT图像，按照一定比例划分为训练集和测试集；步骤二：图像预处理，对获取的原始OCT图像进行增强和标准化，将数据通过去均值实现中心化的处理，更容易取得训练之后的泛化效果；步骤三：以ResNet50网络模型为基线网络，结合了门控注意力机制模块(attentiongatemodule，AG)；步骤四：结合发明的递归残差模块，提升网络的信息提取能力，使网络可以同时捕获更多更高质量的输入信息，更加有利于网络对不同类别视网膜疾病的学习，进一步提高网络的精度；步骤五：通过消融实验，获取网络最优模型。
Description
技术领域
本发明属于图像分类领域，具体涉及一种基于递归残差网络的视网膜OCT图像分类方法。
背景技术
视网膜疾病是导致视力残缺的主要原因，视网膜疾病由于发病率高和致盲率高的特点，一直是重点的研究对象，目前，全球人口趋于老龄化，随着人口年龄的增长，视网膜也会随之衰退。有关视网膜的眼部疾病是老龄人患病率较高的疾病之一。我国目前致盲的主要视网膜疾病有以下几种：青光眼，白内障，糖尿病性黄斑水肿(diabetic macular edema,DME)以及年龄相关性黄斑病变(age-related macular degeneration,AMD)，AMD又可按照临床表现和病理改变不同分为干性(DRUSEN)、湿性(CNV)两型。治疗视网膜疾病的关键在于早期筛查、定期检查。
光学相干断层扫描技术(Optical Coherence Tomography，OCT)是目前用于检验视网膜疾病最为先进的技术手段，同时，深度学习(Deep Learning)技术受到诸多领域的广泛关注，它在大规模数据处理方面具有优势。但是目前现有的网络仍然存在以下问题：大部分分类模型采用的是浅层网络结构，提取的更多的是线性的边缘特征，视网膜OCT图像部分病理特征表现得不明显，在特征提取过程中，容易对特征提取不完整，造成有用信息的丢失，而对于深层网络来说，在进行训练时反而容易引起梯度弥散，导致网络分类性能不足，因此，针对OCT图像特征提取不足和梯度弥散等问题对视网膜OCT图像分类进行研究就显得尤为重要。
发明内容
本发明提供一种基于递归残差网络的视网膜OCT图像分类方法，利用递归残差模块为基础来进行累计特征映射，保证网络可以拥有更好的输入，同时针对医学图像中目标局部化这一特征，使用重点关注医学图像中病变信息的门控注意力机制模块(attentiongate module，AG)来对输入中的重要信息进行有效的学习，进一步提高视网膜OCT图像分类的精度。
本发明通过以下技术方案实现：
步骤一：获取视网膜OCT图像，按照一定比例分为训练集和测试集；
步骤二：图像预处理：对获取的原始OCT图像进行增强和标准化，将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果；
步骤三：以ResNet50网络模型为基线网络，结合了门控注意力机制模块(attention gate module，AG)：使网络在不对计算资源产生额外负担的情况下可以有效提取输入图像的重要部分进行学习；
步骤四：结合发明的递归残差模块：提升网络的信息提取能力，使网络可以同时捕获更多更高质量的输入信息，更加有利于网络对不同类别视网膜疾病的学习，进一步提高网络的精度；
步骤五：通过消融实验，获取网络最优模型；
进一步的，使用预处理后的训练集及测试集对构建的网络模型进行训练及测试，以识别出OCT视网膜病变图像。
进一步的，使用的视网膜OCT图像是联合摄影专家组格式(Joint PhotographicExperts Group，JPEG)格式，符合医学图像成像和通信((digital imaging andcommunications in medicine，DICOM)规范。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1)本发明提出的递归残差模块，以残差模块为基础，采用双通道输入的同时对输入信息进行循环处理，可以在取得质量更好的输入信息同时进行累计特征映射，保证网络可以拥有更好的输入；2)本发明提出的方法结合了AG模块，在不对网络模型带来太大负担的同时，获取输入中的有效信息，减少原始图片冗余信息对分类结果的影响，进一步更好的对视网膜疾病进行分类。
附图说明
图1为基于递归残差网络的视网膜OCT图像分类方法流程图；
图2为AG结构图；
图3为基线网络中的残差模块结构图；
图4为发明的递归残差模块架构；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。本说明书附图所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和处理步骤，而省略了与本发明关系不大的其他细节。
如图1所示，本具体实施方案包括以下步骤：
步骤一：获取视网膜OCT图像，按照一定比例分为训练集和测试集，本发明实施例为Kaggle平台上下载的开源视网膜OCT病变图像，该数据集由加利福尼亚大学圣地亚哥分校(UCSD)于2017年公开。数据集中有四类关于视网膜的病变图像，分别是年龄相关的湿性黄斑病变(Copy number variations，CNV)、糖尿病性黄斑水肿(diabetic macular edema,DME)、与年龄相关的干性黄斑病变(DRUSEN)以及正常图片(NORMAL)，如图所示。该原始数据集由训练集和测试集组成，数据集的原始训练集为来自4686名患者的83484张OCT图片，其中CNV有37205张，DRUSEN有8616张，DME有11348张，NORMAL有26315张，测试集由每类250张图片组成，共1000张OCT图片。
表1使用的视网膜OCT图像数据集信息
| 数据集 | CNV | DME | DRUSEN | NORMAL | TOTAL |
| OCT2017 | 37205 | 11348 | 8616 | 26315 | 83484 |
为验证本发明方法的有效性，本发明对数据集OCT2017做了下采样处理，以黄斑病变的数据量8616为基准，对每个类别进行等样本随机采样8600张图片，然后按照训练集和测试集按照9：1进行数据划分。
步骤二：图像预处理，将视网膜OCT图像统一尺寸为224×224，采用下采样将四种类别的视网膜OCT图像数量统一，对图像进行标准化图像预处理后的图像作为输入进分类网络中可以使分类的准确率更高、精度更好，图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果，作为本发明采用的标准化方法公式如下：
式(1)中μ是图像的均值，X表示图像矩阵：
式(2)中σ表示标准方差，N表示图像的像素。
如图2所示，步骤三：以ResNet50网络模型为基线网络，结合门控注意力机制模块(attention gate module，AG)，g代表网络中获取到的深层特征；代表特征提取过程中任意某一层获取的浅层特征，浅层特征中包含目标的细节信息，比如形状、大小等。浅层特征中包含着严重影响分类任务准确性的细节信息，AG模块将深层特征和浅层特征融合并生成注意力图谱，然后将该注意力图谱与浅层特征相乘，用深层信息消除xl中与任务无关的特征内容，修剪冗余特征，突出显著目标区域。其公式为：
αl＝σ2(ql(xl，g；θ)) (4)
式中，σ1是Relu非线性激活函数：σ2是归一化sigmoid函数，将门控系数范围控制在[0，1]。因此，AG可以由以下参数描述：线性变换Wx和Wg；偏置bψ，这里的线性变换采用1×1×1卷积实现。
步骤四：结合发明的递归残差模块，递归残差模块灵感来自于基线网络中的残差模块，基线网络中的残差模块框架如图3所示。在现代神经网络中，在网络深度逐渐加深的过程中，出现梯度弥散、梯度***的概率也会逐渐变高，这个问题导致深度神经网络很难进行训练，残差模块中包含多个卷积层，数据通过这些卷积层，同时原始输入信息跳过这些卷积层直接传导至后面的层中，最终将他们的整体作为输入，用激活函数激活，进一步得到残差模块输出的结果，通过残差学习，在反向传播时，初始信号可以不经过任何中间权重直接传播到底层，一定程度上可以缓解梯度弥散与梯度***问题，即使中间层权重很小，梯度也基本不会消失。
如图4所示，递归残差模块为双分支残差模块结构，并在其中加入循环通道，保证了在获取更多输入信息的同时还能进行累计特征映射，从而得到更高质量的图像特征，该模块在每个卷积层后面都加入一个Relu层用来减小计算量，环节过拟合问题，同时也允许网络处理输入扫描中位置信息的巨大变化，进一步提高网络的分类精度。
步骤五：通过消融实验，得出网络最优模型，使用发明的递归残差模块替代基线网络中的残差模块，将预处理后的测试集中视网膜OCT图像输入分类结果，获得图像的预测结果。通过训练后保存的模型，对预处理后的视网膜OCT测试集图像进行测试，进一步对网络性能进行测试。由于不同的评价指标对实验结果的估计意义不同，所以本发明使用了常用的正确率，精确率，召回率以及F1-score对测试结果进行评估。为了使实验结果更加简洁易懂，使用混淆矩阵将每一类数据的分类结果展示出来。其中正确率，精确率，召回率以及F1-score定义如公式5-8所示：
5-8式中TP代表把正样本预测为正样本的样本数量；TN代表把负样本预测为负样本的样本数量；FP代表把负样本预测为正样本的样本数量；FN代表把正样本预测为负样本的样本数量；TP+FP代表预测为正样本的全部样本数量；TP+FN代表正样本的全部数量。以上述指标对网络性能进行比较，直至实现最优模型。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.基于递归残差网络的视网膜OCT图像分类方法，其特征在于，包含以下步骤：
步骤一，获取视网膜OCT图像分类数据集，并分为训练集和测试集，为后续的工作做准备；
步骤二，图像预处理；
步骤三，以ResNet50网络模型为基线网络，结合了门控注意力机制模块(attentiongate module，AG)；
步骤四，结合发明的递归残差模块；
步骤五，通过消融实验，获取网络最优模型。
2.根据权利要求1所述的基于多尺度残差网络的视网膜OCT图像分类方法，其特征在于：使用的视网膜OCT图像是联合摄影专家组格式，符合医学图像成像和通信规范。
3.根据权利要求1所述的基于递归残差网络的视网膜OCT图像分类方法，其特征在于：步骤一中训练集和测试集按照9：1的比例进行划分。
4.根据权利要求1所述的基于递归残差网络的视网膜OCT图像分类方法，其特征在于：步骤二中以将视网膜OCT图像统一尺寸为224×224，采用下采样将四种类别的视网膜OCT图像数量统一，对图像进行标准化的方式进行图像预处理。
5.根据权利要求1所述的基于递归残差网络的视网膜OCT图像分类方法，其特征在于：步骤三中的基线网络为ResNet50，并引入了门控注意力机制模块。
6.根据权利要求1所述的基于递归残差网络的视网膜OCT图像分类方法，其特征在于：步骤四中发明的递归残差网络为双分支残差模块结构，并在其中加入循环通道。
7.根据权利要求1所述的基于递归残差网络的视网膜OCT图像分类方法，其特征在于：步骤五中，通过消融实验，得出网络最优模型，使用发明的递归残差模块替代基线网络中的残差模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210772144.3A CN115131612A (zh) | 2022-07-02 | 2022-07-02 | 一种基于递归残差网络的视网膜oct图像分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210772144.3A CN115131612A (zh) | 2022-07-02 | 2022-07-02 | 一种基于递归残差网络的视网膜oct图像分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115131612A true CN115131612A (zh) | 2022-09-30 |
Family
ID=83381120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210772144.3A Pending CN115131612A (zh) | 2022-07-02 | 2022-07-02 | 一种基于递归残差网络的视网膜oct图像分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131612A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108921789A (zh) * | 2018-06-20 | 2018-11-30 | 华北电力大学 | 基于递归残差网络的超分辨率图像重建方法 |
| CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
| CN111612790A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN112257728A (zh) * | 2020-11-12 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备以及存储介质 |
| CN112733961A (zh) * | 2021-01-26 | 2021-04-30 | 苏州大学 | 基于注意力机制的糖尿病视网膜病变的分类方法及*** |
| US20210369195A1 (en) * | 2018-04-26 | 2021-12-02 | Voxeleron, LLC | Method and system for disease analysis and interpretation |
| CN114037660A (zh) * | 2021-10-26 | 2022-02-11 | 国药集团基因科技有限公司 | Oct视网膜病变图像识别方法及*** |
-
2022
- 2022-07-02 CN CN202210772144.3A patent/CN115131612A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210369195A1 (en) * | 2018-04-26 | 2021-12-02 | Voxeleron, LLC | Method and system for disease analysis and interpretation |
| CN108921789A (zh) * | 2018-06-20 | 2018-11-30 | 华北电力大学 | 基于递归残差网络的超分辨率图像重建方法 |
| CN111259982A (zh) * | 2020-02-13 | 2020-06-09 | 苏州大学 | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 |
| CN111612790A (zh) * | 2020-04-29 | 2020-09-01 | 杭州电子科技大学 | 一种基于t型注意力结构的医学图像分割方法 |
| CN112257728A (zh) * | 2020-11-12 | 2021-01-22 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、计算机设备以及存储介质 |
| CN112733961A (zh) * | 2021-01-26 | 2021-04-30 | 苏州大学 | 基于注意力机制的糖尿病视网膜病变的分类方法及*** |
| CN114037660A (zh) * | 2021-10-26 | 2022-02-11 | 国药集团基因科技有限公司 | Oct视网膜病变图像识别方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 韩璐，等: ""多尺度特征融合网络的视网膜OCT 图像分类"", 《智能***学报》, 31 March 2022 (2022-03-31), pages 1 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | Transforming retinal photographs to entropy images in deep learning to improve automated detection for diabetic retinopathy | |
| Liu et al. | Localization and diagnosis framework for pediatric cataracts based on slit-lamp images using deep features of a convolutional neural network | |
| CN107016681B (zh) | 基于全卷积网络的脑部mri肿瘤分割方法 | |
| Kumar et al. | Breast cancer classification of image using convolutional neural network | |
| CN112132817A (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN110570432A (zh) | 一种基于深度学习的ct图像肝脏肿瘤分割方法 | |
| Zhao et al. | Application of an attention u-net incorporating transfer learning for optic disc and cup segmentation | |
| CN113012163A (zh) | 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质 | |
| Yang et al. | Classification of diabetic retinopathy severity based on GCA attention mechanism | |
| Ur Rehman et al. | Diabetic retinopathy fundus image classification using discrete wavelet transform | |
| Bilal et al. | Diabetic retinopathy detection using weighted filters and classification using CNN | |
| CN113222975B (zh) | 一种基于改进U-net的高精度视网膜血管分割方法 | |
| Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
| CN113705670A (zh) | 基于磁共振成像和深度学习的脑部图像分类方法及设备 | |
| Zhang et al. | Blood vessel segmentation in fundus images based on improved loss function | |
| CN116030063B (zh) | Mri图像的分类诊断***、方法、电子设备及介质 | |
| Dihin et al. | Wavelet-Attention Swin for Automatic Diabetic Retinopathy Classification | |
| CN115131612A (zh) | 一种基于递归残差网络的视网膜oct图像分类方法 | |
| CN116309754A (zh) | 一种基于局部-全局信息协作的大脑医学图像配准方法及*** | |
| CN115512153A (zh) | 基于多尺度残差网络的视网膜oct图像分类方法、***、计算机设备和存储介质 | |
| Yan | Study for Performance of MobileNetV1 and MobileNetV2 Based on Breast Cancer | |
| Varghese et al. | Transforming auto-encoder and decoder network for pediatric bone image segmentation using a state-of-the-art semantic segmentation network on bone radiographs | |
| Li et al. | Retinal Blood Vessel Segmentation via Attention Gate Network | |
| Liu et al. | Automatic Diagnosis of Diabetic Retinopathy Based on EfficientNet | |
| Ali et al. | Classifying Three Stages of Cataract Disease using CNN |
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 |