CN117854139B - 基于稀疏选择的开角型青光眼识别方法、介质及*** - Google Patents
基于稀疏选择的开角型青光眼识别方法、介质及*** Download PDFInfo
- Publication number
- CN117854139B CN117854139B CN202410262305.3A CN202410262305A CN117854139B CN 117854139 B CN117854139 B CN 117854139B CN 202410262305 A CN202410262305 A CN 202410262305A CN 117854139 B CN117854139 B CN 117854139B
- Authority
- CN
- China
- Prior art keywords
- matrix
- open angle
- angle glaucoma
- item
- sparse
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 206010030348 Open-Angle Glaucoma Diseases 0.000 title claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 98
- 238000003384 imaging method Methods 0.000 claims abstract description 19
- 230000000007 visual effect Effects 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 7
- 208000010412 Glaucoma Diseases 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 230000004438 eyesight Effects 0.000 claims description 5
- 206010020772 Hypertension Diseases 0.000 claims description 3
- 230000001684 chronic effect Effects 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 239000003862 glucocorticoid Substances 0.000 claims description 3
- 230000001631 hypertensive effect Effects 0.000 claims description 3
- 210000004126 nerve fiber Anatomy 0.000 claims description 3
- 210000001525 retina Anatomy 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 3
- 229940037128 systemic glucocorticoids Drugs 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 20
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 10
- 238000013399 early diagnosis Methods 0.000 description 5
- 210000001328 optic nerve Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012014 optical coherence tomography Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 206010030043 Ocular hypertension Diseases 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- 108010014663 Glycated Hemoglobin A Proteins 0.000 description 1
- 206010047555 Visual field defect Diseases 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 210000001742 aqueous humor Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001585 trabecular meshwork Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Ophthalmology & Optometry (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能与开角型青光眼识别的交叉技术领域,尤其涉及基于稀疏选择的开角型青光眼识别方法、介质及***。基于稀疏选择的开角型青光眼识别方法,包括输入患者影像学检查结果,提取特征向量拼接形成影像学特征矩阵,标记对应图像形成检查结果矩阵;输入患者的生理特征、检查检验结果,构造拉普拉斯矩阵;基于稀疏选择理论,构造预测函数得到稀疏选择目标函数;求解所述预测函数,得到最优映射矩阵;计算预测得分矩阵。本发明将l 2,1/2矩阵范数、共享特征子空学习和半监督流形学习相融合,有效克服图像信息的稀疏性,充分利用眼底图像、视野检查中的信息提高预测效果,具有较高的实用性和推广价值。
Description
技术领域
本发明涉及人工智能与开角型青光眼识别的交叉技术领域,尤其涉及基于稀疏选择的开角型青光眼识别方法、介质及***。
背景技术
开角型青光眼多是由于病理性眼压升高而导致视神经受损的一种常见眼科疾病。开角型青光眼具有不可逆性致盲的危害,应被尽早发现并进行治疗。由于起病隐匿,开角型青光眼病人发病时多不自知,待症状凸显时多已出现严重且永久的视力损害。目前,临床上青光眼专家通常对房角开放的高眼压病人进行视野、眼底检查、视神经厚度检测,并根据眼压波动结果来综合诊断开角型青光眼。但如何利用影像学、检查检验等信息辅助医生进行青光眼诊断以提高开角型青光眼早期诊断的效率是值得关注的技术问题。
开角型青光眼的致病特点是前房角开放,但因小梁网变性或阻塞导致房水排出受阻,从而引起眼压升高。长期高眼压作用于视神经***,可引起视神经的不可逆损害,主要表现为视野缺损。目前,开角型青光眼的诊断主要依靠眼压测量、眼底检查、视神经厚度检测和视野检查等方法。然而,这些方法存在一定的局限性。眼压测量和视神经厚度检测只能作为初步筛查的手段,无法准确判断是否患有开角型青光眼。眼底检查和视野检查需要经验丰富的医生进行解读,且结果可能受到主观因素的影响,存在一定的误诊率和漏诊率。
目前,开角型青光眼的机器识别方法存在着一些问题。首先,常见的机器学习算法往往无法充分利用眼底图像中的信息,导致识别准确性不高。其次,已报道的机器学习方法在处理眼底图像时存在着特征选择困难、模型融合复杂等问题,限制了其在开角型青光眼识别中的应用。
近年来,机器学习技术在医学图像识别领域取得了显著的进展,为开角型青光眼的早期诊断提供了新的可能。子空间回归是一种常用的机器学习方法,可以通过建立样本数据的子空间模型,对新的样本进行预测。稀疏学习是一种能够自动选择重要特征的机器学习方法,可以减少特征的冗余性和噪声干扰。流形学习是一种能够将高维数据映射到低维流形空间的机器学习方法,可以提取数据的本质特征。因此,本发明提出了一种基于机器学习的开角型青光眼识别方法、介质及***,旨在提高开角型青光眼的早期诊断准确性和效率。该方法通过构造损失函数,融合子空间回归、稀疏学习、流形学习等多种机器学习技术成为一个待优化模型,能充分利用眼底图像中的信息,提高识别准确性和鲁棒性。
发明内容
本发明要解决的技术问题是提供能充分利用眼底图像中的信息、特征提取简单的基于稀疏选择的开角型青光眼识别方法、介质及***。
本发明为了解决上述问题,所提出的技术方案为:基于稀疏选择的开角型青光眼识别方法,包括
步骤一,输入患者影像学检查结果,提取特征向量拼接形成影像学特征矩阵,标记对应图像形成检查结果矩阵,具体如下:
输入患者影像学检查结果,提取三种类型特征,包括颜色相关图、小波纹理、边缘方向直方图,将每幅图像的特征拼接形成影像学特征矩阵X,矩阵X的行数为图像数量n,列数为特征个数,将每张检查结果图像的按照指定的列依次做标记,对应的列分别为:动态视野检查,OCT:视网膜神经纤维层厚度降低(RNFLT降低)、杯盘比(C/D>0.6),符合对应位置记为1否则记为0,形成记作检查结果矩阵Y;
步骤二,输入患者的生理特征、检查检验结果,构造拉普拉斯矩阵L,具体如下:
生理特征、检查检验结果包括:眼压、角膜厚度、眼轴长度、视力、年龄、性别、是否有青光眼家族史、是否患高血压糖尿病、是否长期应用糖皮质激素、是否具有屈光手术史;
构造拉普拉斯矩阵L的方法为:先将定量资料标准化到0~1范围,再使用高斯径向基函数计算高斯距离表示两例患者间的相似性,矩阵L为患者相似性矩阵按列求和再对角化的结果减去患者相似性矩阵;
步骤三,基于稀疏选择理论,构造预测函数得到稀疏选择目标函数为:
;
上式中F为预测结果得分矩阵(待求),G表示映射矩阵(待求);第1项是拉普拉斯正则化项,其中tr()表示矩阵的迹,T表示矩阵的转置;第2项是重构损失项,采用最小均方误差函数作为损失函数,衡量预测得分矩阵与原矩阵间的差距,其中Q表示决策规则矩阵;第3项是子空间回归项,沟通预测结果得分矩阵F和影像学特征矩阵X,其中α、λ和μ为正则化系数,||·||F表示矩阵F范数;第4项是l 2,1/2矩阵范数项,其中表示矩阵G的L2,1/2矩阵范数;第5项是/>共享子空间项,保证特征选择过程中不同特征之间的相关性;为正则项,保证选取特征更加稀疏,更具判别性;
步骤四,求解所述预测函数,得到最优映射矩阵G;
步骤五,计算预测得分矩阵F=X T G。
基于稀疏选择的开角型青光眼识别方法的介质,包括存储介质和处理介质;存储介质用于存储眼底图像数据和训练模型的参数,处理介质用于执行开角型青光眼识别方法中的各个步骤。
基于稀疏选择的开角型青光眼识别方法的***,包括图像采集模块、特征提取模块、模型训练模块和识别模块;图像采集模块用于采集患者的眼底图像数据,特征提取模块用于提取眼底图像的流形特征表示,模型训练模块用于训练优化后的预测模型,识别模块用于对新的眼底图像进行开角型青光眼的识别。
本发明的有益效果为:本发明将l 2,1/2矩阵范数、共享特征子空学习和基于图拉普拉斯半监督流形学习相融合,充分利用眼底图像中的信息,提高开角型青光眼的早期诊断准确性和效率。
本发明的开角型青光眼识别方法、介质及***能够能有效克服图像信息的稀疏性,提高预测效果,具有较高的实用性和推广价值。
附图说明
图1为基于稀疏选择的开角型青光眼识别方法的流程示意图;
图2为基于稀疏选择的开角型青光眼识别方法的介质的框架图;
图3为基于稀疏选择的开角型青光眼识别方法的***的框架图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
基于稀疏选择的开角型青光眼识别方法,包括
步骤一,输入患者影像学检查结果,提取特征向量拼接形成影像学特征矩阵,标记对应图像形成检查结果矩阵,具体如下:
输入患者动态视野检查、光学相干断层成像影像学结果,提取三种类型特征,包括颜色相关图、小波纹理、边缘方向直方图,将每幅图像的特征拼接形成影像学特征矩阵X,矩阵X的行数为图像数量,列数为特征个数,此处为345,将每张检查结果图像的按照指定的列依次做标记,对应的列分别为:动态视野检查(早期:鼻侧阶梯、旁中心暗点、颞侧楔状缺损,中期:生理盲点相连的弓状或环形暗点,晚期:管状视野、颞侧视岛),OCT:视网膜神经纤维层厚度降低(RNFLT降低)、杯盘比(C/D>0.6),符合对应位置记为1否则记为0,形成记作检查结果矩阵Y(行数为图像个数,列数为结果特征个数8);
步骤二,输入患者的生理特征、检查检验结果,构造拉普拉斯矩阵L,具体方法如下:
生理特征、检查检验结果包括:眼压、角膜厚度、眼轴长度、视力、年龄、性别、是否有青光眼家族史、是否患高血压糖尿病、是否长期应用糖皮质激素、是否具有屈光手术史;
构造拉普拉斯矩阵L的方法为:先将输入患者生理特征、检查检验结果中定量资料标准化到0~1范围,此例中即用0-1规范化方法将视力、年龄、糖化血红蛋白、随机血糖、血脂缩放到[0,1]区间内;再使用高斯径向基函数G(p i ,p j ) = exp(-||p i -p j ||2/γ)计算高斯距离,G(p i ,p j )表示两例患者对应输入向量pi和pj间的相似性,其中||·||表示欧几里得距离,γ是高斯函数的宽度参数,此处取1;矩阵L为患者相似性矩阵按列求和再对角化的结果减去患者相似性矩阵;
步骤三,基于稀疏选择理论使用特征矩阵和拉普拉斯矩阵,采用最小均方误差函数作为损失函数构造预测函数,得到预测函数为:
;
上式中F为预测结果得分矩阵(待求),G表示映射矩阵(待求);第1项是拉普拉斯正则化项,其中tr()表示矩阵的迹,T表示矩阵的转置;第2项是重构损失项,采用最小均方误差函数作为损失函数衡量预测得分矩阵与原矩阵间的差距,其中Q表示决策规则矩阵;第3项是子空间回归项,沟通预测结果得分矩阵F和影像学特征矩阵X,其中α、λ和μ为正则化系数,||·||F表示矩阵F范数;第4项是l 2,1/2矩阵范数项,其中表示矩阵G的L2,1/2矩阵范数;第5项是/>共享子空间项,保证特征选择过程中充分考虑了不同特征之间的相关性;/>为正则项,保证选取特征更加稀疏,更具判别性;
步骤四,求解所述预测函数,输入:影像学特征矩阵X,检查结果矩阵Y,正则化参数α、λ和μ,图拉普拉斯矩阵L,决策规则矩阵Q此处取单位矩阵,计算中间过程矩阵R=L+Q+αI
设循环次数t=0,初始化映射矩阵为随机矩阵G0,重复计算对角矩阵D i :
,计算中间过程矩阵/>,计算中间过程矩阵/>,计算中间过程矩阵/>,计算中间过程矩阵,对/>特征分解,计算中间过程矩阵/>,计算,更新/>,其中t=t+1直到收敛,输出最优映射矩阵G;
步骤五,计算预测得分矩阵F=X T G。
模型实际使用过程中,使用五折交叉验证进一步优化参数。五折交叉验证方法对基于稀疏选择的开角型青光眼识别模型评估方法如下:首先,将整个数据集随机划分为五个互斥的子集,其中四个子集作为模型的训练集,另一个子集作为验证集。接着,每次选取一个不同的子集作为验证集,其余作为训练集。在每次训练过程中,使用训练集对模型进行训练,并在验证集上进行性能评估。最终,我们将五次验证结果进行平均,以得出模型的最终性能评估指标,包括但不限于准确性、灵敏度、特异度等。通过五折交叉验证评估模型的性能,并验证其在不同参数的表现,从而进一步优化参数,确保模型的鲁棒性和可靠性。
基于稀疏选择的开角型青光眼识别方法的介质,包括存储介质和处理介质;存储介质用于存储眼底图像数据和训练模型的参数,处理介质用于执行开角型青光眼识别方法中的各个步骤。
基于稀疏选择的开角型青光眼识别方法的***,包括图像采集模块、特征提取模块、模型训练模块和识别模块;图像采集模块用于采集患者的眼底图像数据,特征提取模块用于提取眼底图像的流形特征表示,模型训练模块用于训练优化后的预测模型,识别模块用于对新的眼底图像进行开角型青光眼的识别。
工作原理:本发明融合了子空间回归、稀疏学习、流形学习等多种机器学习技术,能充分利用眼底图像中的信息,提高识别准确性和鲁棒性。本发明能有效克服图像信息的稀疏性,提高开角型青光眼的早期诊断准确性和效率,具有较高的实用性和推广价值。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (2)
1.基于稀疏选择的开角型青光眼识别方法,其特征在于包括以下步骤:
步骤一,输入患者影像学检查结果,提取特征向量拼接形成影像学特征矩阵,标记对应图像形成检查结果矩阵,具体如下:
输入患者影像学检查结果,提取三种类型特征,包括颜色相关图、小波纹理、边缘方向直方图,将每幅图像的特征拼接形成影像学特征矩阵X,矩阵X的行数为图像数量n,列数为特征个数,将每张检查结果图像按照指定的列依次做标记,对应的列分别为:动态视野检查是否正常、视网膜神经纤维层厚度是否降低、杯盘比是否大于0.6,符合对应位置记为1否则记为0,形成检查结果矩阵Y;
步骤二,输入患者的生理特征、检查检验结果,构造拉普拉斯矩阵L,具体如下:
生理特征、检查检验结果包括:眼压、角膜厚度、眼轴长度、视力、年龄、性别、是否有青光眼家族史、是否患高血压糖尿病、是否长期应用糖皮质激素、是否具有屈光手术史;
构造拉普拉斯矩阵L的方法为:先将定量资料标准化到0~1范围,再使用高斯径向基函数计算高斯距离表示两例患者间的相似性,矩阵L为患者相似性矩阵按列求和再对角化的结果减去患者相似性矩阵;
步骤三,基于稀疏选择理论,构造预测函数得到稀疏选择目标函数为:
s.t.UTU=I
上式中F为预测得分矩阵,G表示映射矩阵;第1项是拉普拉斯正则化项,其中tr()表示矩阵的迹,T表示矩阵的转置;第2项是重构损失项,采用最小均方误差函数作为损失函数,衡量预测得分矩阵与原矩阵间的差距,其中Q表示决策规则矩阵;第3项是子空间回归项,沟通预测结果得分矩阵F和影像学特征矩阵X,其中α、λ和μ为正则化系数,||·||F表示矩阵F范数;第4项是l2,1/2矩阵范数项,其中表示矩阵G的L2,1/2矩阵范数;第5项是/>共享子空间项,保证特征选择过程中不同特征之间的相关性;/>为正则项,保证选取特征更加稀疏,更具判别性;
步骤四,求解所述预测函数,得到映射矩阵G;
步骤五,计算预测得分矩阵F=XTG。
2.根据权利要求1所述的基于稀疏选择的开角型青光眼识别方法的***,其特征在于:包括图像采集模块、特征提取模块、模型训练模块和识别模块;图像采集模块用于采集患者的眼底图像数据,特征提取模块用于提取眼底图像的流形特征表示,模型训练模块用于训练优化后的预测模型,识别模块用于对新的眼底图像进行开角型青光眼的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410262305.3A CN117854139B (zh) | 2024-03-07 | 2024-03-07 | 基于稀疏选择的开角型青光眼识别方法、介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410262305.3A CN117854139B (zh) | 2024-03-07 | 2024-03-07 | 基于稀疏选择的开角型青光眼识别方法、介质及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117854139A CN117854139A (zh) | 2024-04-09 |
CN117854139B true CN117854139B (zh) | 2024-05-28 |
Family
ID=90532846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410262305.3A Active CN117854139B (zh) | 2024-03-07 | 2024-03-07 | 基于稀疏选择的开角型青光眼识别方法、介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117854139B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325925A (zh) * | 2018-09-25 | 2019-02-12 | 南昌航空大学 | 一种基于稀疏子空间聚类的医学动态图像呼吸运动补偿方法 |
KR20190087272A (ko) * | 2018-01-16 | 2019-07-24 | 한국전자통신연구원 | 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치 |
CN110580509A (zh) * | 2019-09-12 | 2019-12-17 | 杭州海睿博研科技有限公司 | 基于隐藏表征和深度生成对抗模型的多模态数据处理***和方法 |
CN110767263A (zh) * | 2019-10-18 | 2020-02-07 | 中国人民解放军陆军军医大学 | 基于稀疏子空间学习的非编码rna与疾病关联预测方法 |
CN111652265A (zh) * | 2020-04-13 | 2020-09-11 | 华东交通大学 | 一种基于自调整图的鲁棒半监督稀疏特征选择方法 |
CN114882284A (zh) * | 2022-05-23 | 2022-08-09 | 重庆大学 | 一种彩色眼底图像分类***、方法及电子设备 |
CN117426748A (zh) * | 2023-09-07 | 2024-01-23 | 杭州师范大学 | 一种基于多模态视网膜成像的mci检测方法 |
CN117612703A (zh) * | 2023-11-24 | 2024-02-27 | 杭州电子科技大学 | 一种基于医学检验指标的糖尿病视网膜病变分类方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI790572B (zh) * | 2021-03-19 | 2023-01-21 | 宏碁智醫股份有限公司 | 影像相關的檢測方法及檢測裝置 |
WO2023049811A1 (en) * | 2021-09-24 | 2023-03-30 | Intelligentdx Llc | Systems and methods for vision diagnostics |
-
2024
- 2024-03-07 CN CN202410262305.3A patent/CN117854139B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190087272A (ko) * | 2018-01-16 | 2019-07-24 | 한국전자통신연구원 | 안저영상을 이용한 녹내장 진단 방법 및 이를 위한 장치 |
CN109325925A (zh) * | 2018-09-25 | 2019-02-12 | 南昌航空大学 | 一种基于稀疏子空间聚类的医学动态图像呼吸运动补偿方法 |
CN110580509A (zh) * | 2019-09-12 | 2019-12-17 | 杭州海睿博研科技有限公司 | 基于隐藏表征和深度生成对抗模型的多模态数据处理***和方法 |
CN110767263A (zh) * | 2019-10-18 | 2020-02-07 | 中国人民解放军陆军军医大学 | 基于稀疏子空间学习的非编码rna与疾病关联预测方法 |
CN111652265A (zh) * | 2020-04-13 | 2020-09-11 | 华东交通大学 | 一种基于自调整图的鲁棒半监督稀疏特征选择方法 |
CN114882284A (zh) * | 2022-05-23 | 2022-08-09 | 重庆大学 | 一种彩色眼底图像分类***、方法及电子设备 |
CN117426748A (zh) * | 2023-09-07 | 2024-01-23 | 杭州师范大学 | 一种基于多模态视网膜成像的mci检测方法 |
CN117612703A (zh) * | 2023-11-24 | 2024-02-27 | 杭州电子科技大学 | 一种基于医学检验指标的糖尿病视网膜病变分类方法 |
Non-Patent Citations (4)
Title |
---|
一种基于块对角表示和近邻约束的子空间聚类方法;钱彬;《中国博士学位论文全文数据库 信息科技辑》;20190715(第07期);第1-138页 * |
一种基于块对角表示和近邻约束的子空间聚类方法;高方远 等;《计算机科学》;20200731(第07期);第66-70页 * |
基于稀疏保持拉普拉斯判别分析的特征提取算法;任迎春 等;《同济大学学报(自然科学版)》;20160430;第44卷(第04期);第645-650页 * |
基于稀疏聚类的无监督特征选择;董利梅 等;《南京大学学报(自然科学)》;20180130;第54卷(第01期);第107-115页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117854139A (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Noronha et al. | Automated classification of glaucoma stages using higher order cumulant features | |
Zhu et al. | Predicting visual function from the measurements of retinal nerve fiber layer structure | |
Sangeethaa et al. | An intelligent model for blood vessel segmentation in diagnosing DR using CNN | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
Ghosh et al. | Grid color moment features in glaucoma classification | |
Girard et al. | Artificial intelligence and deep learning in glaucoma: current state and future prospects | |
Ardiyanto et al. | Deep learning-based diabetic retinopathy assessment on embedded system | |
Panda et al. | Describing the structural phenotype of the glaucomatous optic nerve head using artificial intelligence | |
JP2021510810A (ja) | 組織のバイオマーカを定量化するための方法及びシステム | |
Sharma et al. | Machine learning approach for detection of diabetic retinopathy with improved pre-processing | |
WO2019212911A1 (en) | System for detecting micro-neuromas and methods of use thereof | |
Khalil et al. | A study to identify limitations of existing automated systems to detect glaucoma at initial and curable stage | |
Tian et al. | Gc-net: Global and class attention blocks for automated glaucoma classification | |
Sengupta et al. | Ophthalmic diagnosis and deep learning–a survey | |
de Moura et al. | Automatic characterization of the serous retinal detachment associated with the subretinal fluid presence in optical coherence tomography images | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
CN117854139B (zh) | 基于稀疏选择的开角型青光眼识别方法、介质及*** | |
Thanh et al. | A real-time classification of glaucoma from retinal fundus images using AI technology | |
Veena et al. | Enhanced CNN-RNN deep learning-based framework for the detection of glaucoma | |
JP2024504321A (ja) | 血管系を検出するための方法およびシステム | |
Marginean et al. | Low-dimensional Representation of OCT Volumes with Supervised Contrastive Learning | |
Jerry et al. | Automatic Classification of Retinal Fundus Images for Diabetic Retinopathy Detection | |
CN117936079B (zh) | 基于流形学习的糖尿病视网膜病变识别方法、介质及*** | |
Panchal et al. | A Comprehensive Survey on the Detection of Diabetic Retinopathy | |
Mathew et al. | Early-stage Glaucoma Disease Prediction Using Ensemble Optimized Deep Learning Classifier Model. |
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 |