[go: up one dir, main page]

CN107203778A - 视网膜病变程度等级检测系统及方法 - Google Patents

视网膜病变程度等级检测系统及方法 Download PDF

Info

Publication number
CN107203778A
CN107203778A CN201710312327.6A CN201710312327A CN107203778A CN 107203778 A CN107203778 A CN 107203778A CN 201710312327 A CN201710312327 A CN 201710312327A CN 107203778 A CN107203778 A CN 107203778A
Authority
CN
China
Prior art keywords
retinopathy
mrow
degree
model
picture
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
Application number
CN201710312327.6A
Other languages
English (en)
Inventor
王健宗
吴天博
黄章成
肖京
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 CN201710312327.6A priority Critical patent/CN107203778A/zh
Priority to PCT/CN2017/100044 priority patent/WO2018201647A1/zh
Publication of CN107203778A publication Critical patent/CN107203778A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种视网膜病变程度等级检测系统及方法，该方法包括：在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的卷积神经网络模型；根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。本发明无需对眼部图像进行复杂的特征提取运算，更加简单，且能根据识别结果确定对应的不同视网膜病变程度等级，能有效地对患者的视网膜病变程度进行精细化识别。

Description

视网膜病变程度等级检测系统及方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种视网膜病变程度等级检测系统及方法。
背景技术
根据对发达国家超过9300万劳动力人口的调查，糖尿病性视网膜病变是导致眼睛失明的一个首要因素，目前，针对糖尿病性视网膜病变的识别通常需要对眼部图像进行特征提取(例如，眼部血管结构，视神经盘，视网膜中心凹槽等特征的提取)，特征提取的算法复杂运行性能差，同时，难以对患者的视网膜病变程度进行精细化识别，识别精度难以达到要求。
发明内容
本发明的主要目的在于提供一种视网膜病变程度等级检测系统及方法，旨在简单有效地对患者的视网膜病变程度进行精细化识别。
为实现上述目的，本发明提供的一种视网膜病变程度等级检测系统，所述视网膜病变程度等级检测系统包括：
识别模块，用于在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的卷积神经网络模型；
确定模块，用于根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。
优选地，所述预先确定的识别模型的训练过程如下：
A、为各个预设的视网膜病变程度等级设定对应的预设数量的样本图片，为每个样本图片标注对应的视网膜病变程度等级；
B、将各个样本图片进行图片预处理以获得待模型训练的训练图片；
C、将所有训练图片分为第一比例的训练集和第二比例的验证集；
D、利用所述训练集训练所述预先确定的识别模型；
E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个视网膜病变程度等级对应的样本图片数量并重新执行上述步骤B、C、D、E。
优选地，所述步骤B包括：
将各个样本图片的较短边长缩放到第一预设大小以获得对应的第一图片，在各个第一图片上随机裁剪出一个第二预设大小的第二图片；
根据各个预先确定的预设类型参数对应的标准参数值，将各个第二图片的各个预先确定的预设类型参数值调整为对应的标准参数值，以获得对应的第三图片；
对各个第三图片进行预设方向的翻转操作，及按照预设的扭曲角度对各个第三图片进行扭曲操作，以获得各个第三图片对应的第四图片，将各个第四图片作为待模型训练的训练图片。
优选地，所述深度卷积神经网络模型包括输入层和多个网络层，所述网络层包括卷积层、池化层、全连接层及分类器层，各个所述网络层对应的激活函数f(x)为：
f(x)＝max(α*x,0)
其中，α为预设的泄漏率，x表示所述深度卷积神经网络模型中神经元的一个数值输入。
优选地，各个所述网络层对应的交叉熵H(P,Q)为：
H(P,Q)＝H(P)+DKL(P||Q)
其中，P,Q为两个概率分布，H(P)为概率分布P的期望，H(P)＝-Σx∈XP(x)logP(x)，x为概率分布P的样本空间X中任意一个样本，P(x)表示样本x被选取的概率；DKL(P||Q)的表达式为x为概率分布P和Q公共样本空间X中任意一个样本，P(x)表示样本x在概率分布P上被选取的概率，Q(x)表示样本x在概率分布Q上被选取的概率。
优选地，所述预先确定的识别模型的打分函数为：
其中，Oi,j表示第一次预测为i并且第二次预测为j实际出现的图片数目,O表示一个N*N的矩阵，Oi,j代表矩阵O中的矩阵元素，N表示参与预测的图片数目，预测结果i,j∈{0，1，2，3，4}，Ei,j表示第一次预测为i并且第二次预测为j应该出现的图像数目，E是期望的预测结果的N*N矩阵，Ei,j代表矩阵E中的矩阵元素。
优选地，各个所述网络层对应的交叉熵损失函数L(x，:W)为：
其中，x表示模型的输入，表示输入对应的标签，W表示预设的模型参数，X表示模型输入空间，f(x:W)表示模型对输入x的做了变换后的输出，ζ表示规约化因子，||W||2表示对矩阵元素求和：
Wi+1＝Wi+ΔWi+1
其中，ΔWi+1表示在i+1时刻权值矩阵的更新增量，α为势能项，β为权值衰减系数，γ为模型的学习率，Wi表示在i时刻权值矩阵状态值，Di表示第i批输入，表示第i批输入对应的平均梯度。
优选地，所述预先确定的识别模型包括至少一个全连接层，所述预先确定的识别模型中的各权重的初始值从预设的权重范围进行随机采样确定，所述全连接层的连接权重被丢弃的概率设置为第一预设值,所述交叉熵损失函数中的权值衰减系数设置为第二预设值，所述交叉商损失函数中的势能项设置为第三预设值。
此外，为实现上述目的，本发明还提供一种视网膜病变程度等级的检测方法，所述方法包括以下步骤：
在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的卷积神经网络模型；
根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。
优选地，所述预先确定的识别模型的训练过程如下：
A、为各个预设的视网膜病变程度等级设定对应的预设数量的样本图片，为每个样本图片标注对应的视网膜病变程度等级；
B、将各个样本图片进行图片预处理以获得待模型训练的训练图片；
C、将所有训练图片分为第一比例的训练集和第二比例的验证集；
D、利用所述训练集训练所述预先确定的识别模型；
E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个视网膜病变程度等级对应的样本图片数量并重新执行上述步骤B、C、D、E。
本发明提出的视网膜病变程度等级检测系统及方法，通过基于标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的深度卷积神经网络模型来对收到的视网膜病变图片进行识别，并根据识别结果确定对应的视网膜病变程度等级。由于只需根据预先训练得到的深度卷积神经网络模型对收到的视网膜病变图片进行识别，无需对眼部图像进行复杂的特征提取运算，更加简单，且能根据识别结果确定对应的不同视网膜病变程度等级，能有效地对患者的视网膜病变程度进行精细化识别。
附图说明
图1为本发明视网膜病变程度等级的检测方法一实施例的流程示意图；
图2为本发明视网膜病变程度等级检测系统10较佳实施例的运行环境示意图；
图3为本发明视网膜病变程度等级检测系统一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种视网膜病变程度等级的检测方法。
参照图1，图1为本发明视网膜病变程度等级的检测方法一实施例的流程示意图。
在一实施例中，该视网膜病变程度等级的检测方法包括：
步骤S10、在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的深度卷积神经网络模型。
本实施例中，视网膜病变程度等级检测系统接收用户发出的包含待识别的视网膜病变图片的视网膜病变程度等级检测请求，例如，接收用户通过手机、平板电脑、自助终端设备等终端发送的视网膜病变程度等级检测请求，如接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的视网膜病变程度等级检测请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的视网膜病变程度等级检测请求。
视网膜病变程度等级检测系统在收到用户发出的视网膜病变程度等级检测请求后，利用预先训练好的识别模型对收到的待识别的视网膜病变图片进行识别，识别出收到的待识别的视网膜病变图片在识别模型中的识别结果。该识别模型可预先通过对大量标注有不同视网膜病变程度等级的预设数量样本图片进行识别来不断进行训练、学习、验证、优化等，以将其训练成能准确识别出不同视网膜病变程度等级对应的标注的模型。例如，该识别模型可采用深度卷积神经网络模型(Convolutional Neural Network，CNN)模型等。
步骤S20、根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。
在利用预先训练好的深度卷积神经网络模型对收到的视网膜病变图片进行识别获取到识别结果后，可根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级，确定的视网膜病变程度等级即为收到的视网膜病变图片所对应的视网膜病变程度等级。例如，在一种实施方式中，所述识别结果包括第一识别结果(例如，标注为“0”)、第二识别结果(例如，标注为“1”)、第三识别结果(例如，标注为“2”)、第四识别结果(例如，标注为“3”)及第五识别结果(例如，标注为“4”)，所述视网膜病变程度等级包括第一等级、第二等级、第三等级、第四等级及第五等级。可预先确定不同识别结果与视网膜病变程度等级的映射关系，如所述第一识别结果对应第一等级，第二识别结果对应第二等级，第三识别结果对应第三等级，第四识别结果对应第四等级，第五识别结果对应第五等级。例如，具体地，第一等级可以对应正常和轻度的非增殖性糖尿病视网膜病变，该第一等级对应的视网膜病变图片表现为仅有个别血管瘤，硬性渗出，视网膜出血等。第二等级可以对应无临床意义黄斑水肿的非增殖性糖尿病视网膜病变，该第二等级对应的视网膜病变图片表现有微血管瘤，硬性渗出，视网膜出血，袢状或串珠状静脉。第三等级可以对应有临床意义的黄斑水肿(C SME)的非增殖性糖尿病视网膜病，该第三等级对应的视网膜病变图片表现黄斑区及其附近有视网膜增厚，并有微血管瘤，软性渗出，视网膜出血。第四等级可以对应非高危险期的增生性视网膜病，该第四等级对应的视网膜病变图片表现为视乳头外区有新生血管形成，其他区域内视网膜微血管形成的增殖型改变。第五等级可以对应高危险期的增生性视网膜病，该第五等级对应的视网膜病变图片表现为视乳头区有新生血管形成，玻璃体或视网膜前出血。
这样，在利用预先训练好的识别模型对收到的视网膜病变图片进行识别获取到识别结果后，即可根据获取到的不同识别结果确定对应的不同视网膜病变程度等级，从而实现对多种细化的视网膜病变程度等级的准确识别。
本实施例通过基于标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的深度卷积神经网络模型来对收到的视网膜病变图片进行识别，并根据识别结果确定对应的视网膜病变程度等级。由于只需根据预先训练得到的深度卷积神经网络模型对收到的视网膜病变图片进行识别，无需对眼部图像进行复杂的特征提取运算，更加简单，且能根据识别结果确定对应的不同视网膜病变程度等级，能有效地对患者的视网膜病变程度进行精细化识别。
进一步地，在其他实施例中，所述预先确定的识别模型的训练过程如下：
A、为各个预设的视网膜病变程度等级(如第一等级、第二等级、第三等级、第四等级及第五等级，或轻微、轻度、中度、重度等)准备对应的预设数量的样本图片，为每个样本图片标注对应的视网膜病变程度等级；
B、将各个样本图片进行图片预处理以获得待模型训练的训练图片。通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后才进行模型训练，以有效提高模型训练的真实性及准确率。例如在一种实施方式中，对各个样本图片进行图片预处理可以包括：
将各个样本图片的较短边长缩放到第一预设大小(例如，640像素)以获得对应的第一图片，在各个第一图片上随机裁剪出一个第二预设大小(例如，256*256像素)的第二图片；
根据各个预先确定的预设类型参数(例如，颜色、亮度及/或对比度等)对应的标准参数值(例如，颜色对应的标准参数值为a1，亮度对应的标准参数值为a2，对比度对应的标准参数值为a3)，将各个第二图片的各个预先确定的预设类型参数值调整为对应的标准参数值，获得对应的第三图片，以消除作为医学图片的样本图片在拍摄时外界条件导致的图片不清晰，提高模型训练的有效性；例如，将各个第二图片的亮度值调整为标准参数值a2，将各个第二图片的对比度值调整为标准参数值a3；
对各个第三图片进行预设方向(例如，水平和垂直方向)的翻转，及按照预设的扭曲角度(例如，30度)对各个第三图片进行扭曲操作，获得各个第三图片对应的第四图片，各个第四图片即为对应的样本图片的训练图片。其中，翻转和扭曲操作的作用是模拟实际业务场景下各种形式的图片，通过这些翻转和扭曲操作可以增大数据集的规模，从而提高模型训练的真实性和实用性。
C、将所有训练图片分为第一比例(例如，50％)的训练集、第二比例(例如，25％)的验证集；
D、利用所述训练集训练所述预先确定的识别模型；
E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个视网膜病变程度等级对应的样本图片数量并重新执行上述步骤B、C、D、E，直至训练的识别模型的准确率大于或者等于预设准确率。
进一步地，在其他实施例中，所述预先确定的识别模型即深度卷积神经网络模型包括输入层和多个网络层，所述网络层包括卷积层、池化层、全连接层及分类器层，可选的，深度卷积神经网络模型还可以包括具有随机丢弃某些连接权重机制的网络层(即Dropout层)，该网络层的作用是提升模型的识别精度。
在一种具体的实施方式中，所述深度卷积神经网络模型由1个输入层，11个卷积层，5个池化层，1个具有随机丢弃某些连接权重机制的网络层(即Dropout层)，1个全连接层，1个分类器层构成。该深度卷积神经网络模型的详细结构如下表1所示：
表1
其中：Layer Name表示网络层的名称，Input表示网络的数据输入层，Conv表示模型的卷积层，Conv1表示模型的第1个卷积层，MaxPool表示模型的最大值池化层，MaxPool1表示第一个基于最大值池化层，Dropout表示具有随机丢弃某些连接权重机制的网络层，Avgpool5表示第5个池化层但采用取均值方式进行池化，Fc表示模型中的全连接层，Fc1表示第1个全连接层，Softmax表示Softmax分类器层；Batch Size表示当前层的输入图像数目；Kernel Size表示当前层卷积核的尺度(例如，Kernel Size可以等于3，表示卷积核的尺度为3x 3)；Stride Size表示卷积核的移动步长，即做完一次卷积之后移动到下一个卷积位置的距离；Output Size表示网络层输出特征映射的尺寸。需要说明的是，本实施例中池化层的池化方式包括但不限于Mean pooling(均值采样)、Max pooling(最大值采样)、Overlapping(重叠采样)、L2pooling(均方采样)、Local Contrast Normalization(归一化采样)、Stochasticpooling(随即采样)、Def-pooling(形变约束采样)等等。
进一步地，在其他实施例中，为了提高模型的识别精度，各个所述网络层(例如，卷积层、池化层、具有随机丢弃某些连接权重机制的网络层、全连接层及分类器层等)对应的激活函数f(x)为：
f(x)＝max(α*x,0)
其中，α为泄漏率，x表示该深度卷积神经网络模型中神经元的一个数值输入。在本实施例的一个优选实施方式中，将α设定为0.5。经过相同测试数据集的对比测试，相较于其他现有的激活函数，通过本实施例的激活函数f(x)，该深度卷积神经网络模型的识别准确率大约有3％的提升。
进一步地，在其他实施例中，为了提高模型的识别精度，各个所述网络层(例如，卷积层、池化层、具有随机丢弃某些连接权重机制的网络层、全连接层及分类器层等)对应的交叉熵H(P,Q)为：
H(P,Q)＝H(P)+DKL(P||Q)
其中，P,Q为两个概率分布，H(P)为概率分布P的期望，H(P)＝-∑x∈XP(x)logP(x)，x为概率分布P的样本空间X中任意一个样本，P(x)表示样本x被选取的概率；DKL(P||Q)的表达式为x为概率分布P和Q公共样本空间X中任意一个样本，P(x)表示样本x在概率分布P上被选取的概率，Q(x)表示样本x在概率分布Q上被选取的概率。
进一步地，为了保证模型训练的效率和准确性，各个所述网络层对应的交叉熵损失函数L(x，:W)为：
其中，x表示模型的输入，表示输入对应的标签，W表示预设的模型参数，X表示模型输入空间，f(x:W)表示模型对输入x的做了变换后的输出，ζ表示规约化因子，||W||2表示对矩阵元素求和：
Wi+1＝Wi+ΔWi+1
其中，ΔWi+1表示在i+1时刻权值矩阵的更新增量，α为势能项，β为权值衰减系数，γ为模型的学习率，Wi表示在i时刻权值矩阵状态值，Di表示第i批输入，表示第i批输入对应的平均梯度。
本实施例中，交叉熵可在神经网络(机器学习)中作为损失函数，例如，P表示真实标记的分布，Q则为训练后的模型的预测标记分布，交叉熵损失函数可以衡量P与Q的相似性，以保证模型训练的准确性。而且，交叉熵作为损失函数在梯度下降时能避免均方误差损失函数学习速率降低的问题，因此，能保证模型训练的效率。
进一步地，在其他实施例中，所述深度卷积神经网络模型包括至少一个全连接层，所述预先确定的识别模型中的各权重的初始值从预设的权重范围(例如，(0,1)权重范围)进行随机采样确定，所述全连接层的连接权重被丢弃(Dropout)的概率设置为第一预设值(例如，0.5),所述交叉商损失函数中的权值衰减系数设置为第二预设值(例如，0.0005)，所述交叉商损失函数中的势能项设置为第三预设值(例如，0.9)。
进一步地，在其他实施例中，所述预先确定的识别模型的打分函数为：
其中，Oi,j表示第一次预测为i并且第二次预测为j实际出现的图片数目,O表示一个N*N的矩阵，Oi,j代表矩阵O中的矩阵元素，N表示参与预测的图片数目，预测结果i,j∈{0，1，2，3，4}，Ei,j表示第一次预测为i并且第二次预测为j应该出现的图像数目，E是期望的预测结果的N*N矩阵，Ei,j代表矩阵E中的矩阵元素。
本实施例中通过打分函数来检测所述预先确定的识别模型的识别准确率，以保证训练出的所述预先确定的识别模型的识别准确率保持在较高水平，以保证对患者的视网膜病变程度进行准确地识别。
本发明进一步提供一种视网膜病变程度等级检测系统。请参阅图2，是本发明视网膜病变程度等级检测系统10较佳实施例的运行环境示意图。
在本实施例中，所述的视网膜病变程度等级检测系统10安装并运行于电子装置1中。该电子装置1可包括，但不仅限于，存储器11、处理器12及显示器13。图2仅示出了具有组件11-13的电子装置1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器11在一些实施例中可以是所述电子装置1的内部存储单元，例如该电子装置1的硬盘或内存。所述存储器11在另一些实施例中也可以是所述电子装置1的外部存储设备，例如所述电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括所述电子装置1的内部存储单元也包括外部存储设备。所述存储器11用于存储安装于所述电子装置1的应用软件及各类数据，例如所述视网膜病变程度等级检测系统10的程序代码等。所述存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器11中存储的程序代码或处理数据，例如执行所述视网膜病变程度等级检测系统10等。
所述显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器13用于显示在所述电子装置1中处理的信息以及用于显示可视化的用户界面，例如应用菜单界面、应用图标界面等。所述电子装置1的部件11-13通过系统总线相互通信。
请参阅图3，是本发明视网膜病变程度等级检测系统10较佳实施例的功能模块图。在本实施例中，所述的视网膜病变程度等级检测系统10可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器11中，并由一个或多个处理器(本实施例为所述处理器12)所执行，以完成本发明。例如，在图3中，所述的视网膜病变程度等级检测系统10可以被分割成识别模块01、确定模块02。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述视网膜病变程度等级检测系统10在所述电子装置1中的执行过程。以下描述将具体介绍所述识别模块01、确定模块02的功能。
参照图3，图3为本发明视网膜病变程度等级检测系统一实施例的功能模块示意图。
在一实施例中，该视网膜病变程度等级检测系统包括：
识别模块01，用于在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的卷积神经网络模型。
本实施例中，视网膜病变程度等级检测系统接收用户发出的包含待识别的视网膜病变图片的视网膜病变程度等级检测请求，例如，接收用户通过手机、平板电脑、自助终端设备等终端发送的视网膜病变程度等级检测请求，如接收用户在手机、平板电脑、自助终端设备等终端中预先安装的客户端上发送来的视网膜病变程度等级检测请求，或接收用户在手机、平板电脑、自助终端设备等终端中的浏览器系统上发送来的视网膜病变程度等级检测请求。
视网膜病变程度等级检测系统在收到用户发出的视网膜病变程度等级检测请求后，利用预先训练好的识别模型对收到的待识别的视网膜病变图片进行识别，识别出收到的待识别的视网膜病变图片在识别模型中的识别结果。该识别模型可预先通过对大量标注有不同视网膜病变程度等级的预设数量样本图片进行识别来不断进行训练、学习、验证、优化等，以将其训练成能准确识别出不同视网膜病变程度等级对应的标注的模型。例如，该识别模型可采用深度卷积神经网络模型(Convolutional Neural Network，CNN)模型等。
确定模块02，用于根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。
在利用预先训练好的深度卷积神经网络模型对收到的视网膜病变图片进行识别获取到识别结果后，可根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级，确定的视网膜病变程度等级即为收到的视网膜病变图片所对应的视网膜病变程度等级。例如，在一种实施方式中，所述识别结果包括第一识别结果(例如，标注为“0”)、第二识别结果(例如，标注为“1”)、第三识别结果(例如，标注为“2”)、第四识别结果(例如，标注为“3”)、及第五识别结果(例如，标注为“4”)，所述视网膜病变程度等级包括第一等级、第二等级、第三等级、第四等级及第五等级。可预先确定不同识别结果与视网膜病变程度等级的映射关系，如所述第一识别结果对应第一等级，第二识别结果对应第二等级，第三识别结果对应第三等级，第四识别结果对应第四等级，第五识别结果对应第五等级。例如，具体地，第一等级可以对应正常和轻度的非增殖性糖尿病视网膜病变，该第一等级对应的视网膜病变图片表现为仅有个别血管瘤，硬性渗出，视网膜出血等。第二等级可以对应无临床意义黄斑水肿的非增殖性糖尿病视网膜病变，该第二等级对应的视网膜病变图片表现有微血管瘤，硬性渗出，视网膜出血，袢状或串珠状静脉。第三等级可以对应有临床意义的黄斑水肿(C SME)的非增殖性糖尿病视网膜病，该第三等级对应的视网膜病变图片表现黄斑区及其附近有视网膜增厚，并有微血管瘤，软性渗出，视网膜出血。第四等级可以对应非高危险期的增生性视网膜病，该第四等级对应的视网膜病变图片表现为视乳头外区有新生血管形成，其他区域内视网膜微血管形成的增殖型改变。第五等级可以对应高危险期的增生性视网膜病，该第五等级对应的视网膜病变图片表现为视乳头区有新生血管形成，玻璃体或视网膜前出血。
这样，在利用预先训练好的识别模型对收到的视网膜病变图片进行识别获取到识别结果后，即可根据获取到的不同识别结果确定对应的不同视网膜病变程度等级，从而实现对多种细化的视网膜病变程度等级的准确识别。
本实施例通过基于标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的深度卷积神经网络模型来对收到的视网膜病变图片进行识别，并根据识别结果确定对应的视网膜病变程度等级。由于只需根据预先训练得到的深度卷积神经网络模型对收到的视网膜病变图片进行识别，无需对眼部图像进行复杂的特征提取运算，更加简单，且能根据识别结果确定对应的不同视网膜病变程度等级，能有效地对患者的视网膜病变程度进行精细化识别。
进一步地，在其他实施例中，所述预先确定的识别模型的训练过程如下：
A、为各个预设的视网膜病变程度等级(如第一等级、第二等级、第三等级、第四等级及第五等级，或轻微、轻度、中度、重度等)准备对应的预设数量的样本图片，为每个样本图片标注对应的视网膜病变程度等级；
B、将各个样本图片进行图片预处理以获得待模型训练的训练图片。通过对各个样本图片进行图片预处理如缩放、裁剪、翻转及/或扭曲等操作后才进行模型训练，以有效提高模型训练的真实性及准确率。例如在一种实施方式中，对各个样本图片进行图片预处理可以包括：
将各个样本图片的较短边长缩放到第一预设大小(例如，640像素)以获得对应的第一图片，在各个第一图片上随机裁剪出一个第二预设大小(例如，256*256像素)的第二图片；
根据各个预先确定的预设类型参数(例如，颜色、亮度及/或对比度等)对应的标准参数值(例如，颜色对应的标准参数值为a1，亮度对应的标准参数值为a2，对比度对应的标准参数值为a3)，将各个第二图片的各个预先确定的预设类型参数值调整为对应的标准参数值，获得对应的第三图片，以消除作为医学图片的样本图片在拍摄时外界条件导致的图片不清晰，提高模型训练的有效性；例如，将各个第二图片的亮度值调整为标准参数值a2，将各个第二图片的对比度值调整为标准参数值a3；
对各个第三图片进行预设方向(例如，水平和垂直方向)的翻转，及按照预设的扭曲角度(例如，30度)对各个第三图片进行扭曲操作，获得各个第三图片对应的第四图片，各个第四图片即为对应的样本图片的训练图片。其中，翻转和扭曲操作的作用是模拟实际业务场景下各种形式的图片，通过这些翻转和扭曲操作可以增大数据集的规模，从而提高模型训练的真实性和实用性。
C、将所有训练图片分为第一比例(例如，50％)的训练集、第二比例(例如，25％)的验证集；
D、利用所述训练集训练所述预先确定的识别模型；
E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个视网膜病变程度等级对应的样本图片数量并重新执行上述步骤B、C、D、E，直至训练的识别模型的准确率大于或者等于预设准确率。
进一步地，在其他实施例中，所述预先确定的识别模型即深度卷积神经网络模型包括输入层和多个网络层，所述网络层包括卷积层、池化层、全连接层及分类器层，可选的，深度卷积神经网络模型还可以包括具有随机丢弃某些连接权重机制的网络层(即Dropout层)，该网络层的作用是提升模型的识别精度。
在一种具体的实施方式中，所述深度卷积神经网络模型由1个输入层，11个卷积层，5个池化层，1个具有随机丢弃某些连接权重机制的网络层(即Dropout层)，1个全连接层，1个分类器层构成。该深度卷积神经网络模型的详细结构如下表1所示：
表1
其中：Layer Name表示网络层的名称，Input表示网络的数据输入层，Conv表示模型的卷积层，Conv1表示模型的第1个卷积层，MaxPool表示模型的最大值池化层，MaxPool1表示第一个基于最大值池化层，Dropout表示具有随机丢弃某些连接权重机制的网络层，Avgpool5表示第5个池化层但采用取均值方式进行池化，Fc表示模型中的全连接层，Fc1表示第1个全连接层，Softmax表示Softmax分类器层；Batch Size表示当前层的输入图像数目；Kernel Size表示当前层卷积核的尺度(例如，Kernel Size可以等于3，表示卷积核的尺度为3x3)；Stride Size表示卷积核的移动步长，即做完一次卷积之后移动到下一个卷积位置的距离；Output Size表示网络层输出特征映射的尺寸。需要说明的是，本实施例中池化层的池化方式包括但不限于Mean pooling(均值采样)、Max pooling(最大值采样)、Overlapping(重叠采样)、L2pooling(均方采样)、Local Contrast Normalization(归一化采样)、Stochasticpooling(随即采样)、Def-pooling(形变约束采样)等等。
进一步地，在其他实施例中，为了提高模型的识别精度，各个所述网络层(例如，卷积层、池化层、具有随机丢弃某些连接权重机制的网络层、全连接层及分类器层等)对应的激活函数f(x)为：
f(x)＝max(α*x,0)
其中，α为泄漏率，x表示该深度卷积神经网络模型中神经元的一个数值输入。在本实施例的一个优选实施方式中，将α设定为0.5。经过相同测试数据集的对比测试，相较于其他现有的激活函数，通过本实施例的激活函数f(x)，该深度卷积神经网络模型的识别准确率大约有3％的提升。
进一步地，在其他实施例中，为了提高模型的识别精度，各个所述网络层(例如，卷积层、池化层、具有随机丢弃某些连接权重机制的网络层、全连接层及分类器层等)对应的交叉熵H(P,Q)为：
H(P,Q)＝H(P)+DKL(P||Q)
其中，P,Q为两个概率分布，H(P)为概率分布P的期望，H(P)＝-∑x∈XP(x)logP(x)，x为概率分布P的样本空间X中任意一个样本，P(x)表示样本x被选取的概率；DKL(P||Q)的表达式为x为概率分布P和Q公共样本空间X中任意一个样本，P(x)表示样本x在概率分布P上被选取的概率，Q(x)表示样本x在概率分布Q上被选取的概率。
进一步地，为了保证模型训练的效率和准确性，各个所述网络层对应的交叉熵损失函数L(x，:W)为：
其中，x表示模型的输入，表示输入对应的标签，W表示预设的模型参数，X表示模型输入空间，f(x:W)表示模型对输入x的做了变换后的输出，ζ表示规约化因子，||W||2表示对矩阵元素求和：
Wi+1＝Wi+ΔWi+1
其中，ΔWi+1表示在i+1时刻权值矩阵的更新增量，α为势能项，β为权值衰减系数，γ为模型的学习率，Wi表示在i时刻权值矩阵状态值，Di表示第i批输入，表示第i批输入对应的平均梯度。
本实施例中，交叉熵可在神经网络(机器学习)中作为损失函数，例如，P表示真实标记的分布，Q则为训练后的模型的预测标记分布，交叉熵损失函数可以衡量P与Q的相似性，以保证模型训练的准确性。而且，交叉熵作为损失函数在梯度下降时能避免均方误差损失函数学习速率降低的问题，因此，能保证模型训练的效率。
进一步地，在其他实施例中，所述深度卷积神经网络模型包括至少一个全连接层，所述预先确定的识别模型中的各权重的初始值从预设的权重范围(例如，(0,1)权重范围)进行随机采样确定，所述全连接层的连接权重被丢弃(Dropout)的概率设置为第一预设值(例如，0.5),所述交叉商损失函数中的权值衰减系数设置为第二预设值(例如，0.0005)，所述交叉商损失函数中的势能项设置为第三预设值(例如，0.9)。
进一步地，在其他实施例中，所述预先确定的识别模型的打分函数为：
其中，Oi,j表示第一次预测为i并且第二次预测为j实际出现的图片数目,O表示一个N*N的矩阵，Oi,j代表矩阵O中的矩阵元素，N表示参与预测的图片数目，预测结果i,j∈{0，1，2，3，4}，Ei,j表示第一次预测为i并且第二次预测为j应该出现的图像数目，E是期望的预测结果的N*N矩阵，Ei,j代表矩阵E中的矩阵元素。
本实施例中通过打分函数来检测所述预先确定的识别模型的识别准确率，以保证训练出的所述预先确定的识别模型的识别准确率保持在较高水平，以保证对患者的视网膜病变程度进行准确地识别。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (10)

1.一种视网膜病变程度等级检测系统，其特征在于，所述视网膜病变程度等级检测系统包括：
识别模块，用于在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的卷积神经网络模型；
确定模块，用于根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。
2.如权利要求1所述的视网膜病变程度等级检测系统，其特征在于，所述预先确定的识别模型的训练过程如下：
A、为各个预设的视网膜病变程度等级设定对应的预设数量的样本图片，为每个样本图片标注对应的视网膜病变程度等级；
B、将各个样本图片进行图片预处理以获得待模型训练的训练图片；
C、将所有训练图片分为第一比例的训练集和第二比例的验证集；
D、利用所述训练集训练所述预先确定的识别模型；
E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个视网膜病变程度等级对应的样本图片数量并重新执行上述步骤B、C、D、E。
3.如权利要求2所述的视网膜病变程度等级检测系统，其特征在于，所述步骤B包括：
将各个样本图片的较短边长缩放到第一预设大小以获得对应的第一图片，在各个第一图片上随机裁剪出一个第二预设大小的第二图片；
根据各个预先确定的预设类型参数对应的标准参数值，将各个第二图片的各个预先确定的预设类型参数值调整为对应的标准参数值，以获得对应的第三图片；
对各个第三图片进行预设方向的翻转操作，及按照预设的扭曲角度对各个第三图片进行扭曲操作，以获得各个第三图片对应的第四图片，将各个第四图片作为待模型训练的训练图片。
4.如权利要求1或2所述的视网膜病变程度等级检测系统，其特征在于，所述深度卷积神经网络模型包括输入层和多个网络层，所述网络层包括卷积层、池化层、全连接层及分类器层，各个所述网络层对应的激活函数f(x)为：
f(x)＝max(α*x,0)
其中，α为预设的泄漏率，x表示所述深度卷积神经网络模型中神经元的一个数值输入。
5.如权利要求4所述的视网膜病变程度等级检测系统，其特征在于，各个所述网络层对应的交叉熵H(P,Q)为：
H(P,Q)＝H(P)+DKL(P||Q)
其中，P,Q为两个概率分布，H(P)为概率分布P的期望，H(P)＝-Σx∈XP(x)logP(x)，x为概率分布P的样本空间X中任意一个样本，P(x)表示样本x被选取的概率；DKL(P||Q)的表达式为x为概率分布P和Q公共样本空间X中任意一个样本，P(x)表示样本x在概率分布P上被选取的概率，Q(x)表示样本x在概率分布Q上被选取的概率。
6.如权利要求1或2所述的视网膜病变程度等级检测系统，其特征在于，所述预先确定的识别模型的打分函数为：
其中，Oi,j表示第一次预测为i并且第二次预测为j实际出现的图片数目,O表示一个N*N的矩阵，Oi,j代表矩阵O中的矩阵元素，N表示参与预测的图片数目，预测结果i,j∈{0，1，2，3，4}，Ei,j表示第一次预测为i并且第二次预测为j应该出现的图像数目，E是期望的预测结果的N*N矩阵，Ei,j代表矩阵E中的矩阵元素。
7.如权利要求4所述的视网膜病变程度等级检测系统，其特征在于，各个所述网络层对应的交叉熵损失函数为：
<mrow> <mi>L</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>:</mo> <mi>W</mi> <mo>)</mo> </mrow> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <msub> <mi>&amp;Sigma;</mi> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <mi>X</mi> </mrow> </msub> <mrow> <mo>(</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>*</mo> <mi>log</mi> <mi>f</mi> <mo>(</mo> <mrow> <mi>x</mi> <mo>:</mo> <mi>W</mi> </mrow> <mo>)</mo> <mo>+</mo> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> </mrow> <mo>)</mo> <mo>*</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mrow> <mi>x</mi> <mo>:</mo> <mi>W</mi> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;zeta;</mi> <mo>|</mo> <mo>|</mo> <mi>W</mi> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>
其中，x表示模型的输入，表示输入对应的标签，W表示预设的模型参数，X表示模型输入空间，f(x:W)表示模型对输入x的做了变换后的输出，ζ表示规约化因子，||W||2表示对矩阵元素求和：
<mrow> <msub> <mi>&amp;Delta;W</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <mi>&amp;alpha;</mi> <mo>*</mo> <msub> <mi>&amp;Delta;W</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;beta;</mi> <mo>*</mo> <mi>&amp;gamma;</mi> <mo>*</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;gamma;</mi> <mo>*</mo> <mo>&lt;</mo> <mfrac> <mrow> <mi>d</mi> <mi>L</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mover> <mi>y</mi> <mo>^</mo> </mover> <mo>:</mo> <mi>W</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>d</mi> <mi>W</mi> </mrow> </mfrac> <mo>|</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> <msub> <mo>&gt;</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> </msub> </mrow>
Wi+1＝Wi+ΔWi+1
其中，ΔWi+1表示在i+1时刻权值矩阵的更新增量，α为势能项，β为权值衰减系数，γ为模型的学习率，Wi表示在i时刻权值矩阵状态值，Di表示第i批输入，表示第i批输入对应的平均梯度。
8.如权利要求7所述的视网膜病变程度等级检测系统，其特征在于，所述预先确定的识别模型包括至少一个全连接层，所述预先确定的识别模型中的各权重的初始值从预设的权重范围进行随机采样确定，所述全连接层的连接权重被丢弃的概率设置为第一预设值,所述交叉熵损失函数中的权值衰减系数设置为第二预设值，所述交叉商损失函数中的势能项设置为第三预设值。
9.一种视网膜病变程度等级的检测方法，其特征在于，所述方法包括以下步骤：
在收到待识别的视网膜病变图片后，对收到的视网膜病变图片利用预先确定的识别模型进行识别，并输出识别结果；其中，所述预先确定的识别模型为预先通过对标注有不同视网膜病变程度等级的预设数量样本图片进行训练得到的卷积神经网络模型；
根据预先确定的识别结果与视网膜病变程度等级的映射关系，确定输出的识别结果对应的视网膜病变程度等级。
10.如权利要求9所述的视网膜病变程度等级的检测方法，其特征在于，所述预先确定的识别模型的训练过程如下：
A、为各个预设的视网膜病变程度等级设定对应的预设数量的样本图片，为每个样本图片标注对应的视网膜病变程度等级；
B、将各个样本图片进行图片预处理以获得待模型训练的训练图片；
C、将所有训练图片分为第一比例的训练集和第二比例的验证集；
D、利用所述训练集训练所述预先确定的识别模型；
E、利用所述验证集验证训练的识别模型的准确率，若准确率大于或者等于预设准确率，则训练结束，或者，若准确率小于预设准确率，则增加各个视网膜病变程度等级对应的样本图片数量并重新执行上述步骤B、C、D、E。
CN201710312327.6A 2017-05-05 2017-05-05 视网膜病变程度等级检测系统及方法 Pending CN107203778A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710312327.6A CN107203778A (zh) 2017-05-05 2017-05-05 视网膜病变程度等级检测系统及方法
PCT/CN2017/100044 WO2018201647A1 (zh) 2017-05-05 2017-08-31 视网膜病变程度等级检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710312327.6A CN107203778A (zh) 2017-05-05 2017-05-05 视网膜病变程度等级检测系统及方法

Publications (1)

Publication Number Publication Date
CN107203778A true CN107203778A (zh) 2017-09-26

Family

ID=59905737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710312327.6A Pending CN107203778A (zh) 2017-05-05 2017-05-05 视网膜病变程度等级检测系统及方法

Country Status (2)

Country Link
CN (1) CN107203778A (zh)
WO (1) WO2018201647A1 (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107680684A (zh) * 2017-10-12 2018-02-09 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN107729929A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN108230296A (zh) * 2017-11-30 2018-06-29 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
CN108392174A (zh) * 2018-04-19 2018-08-14 梁建宏 一种早产儿视网膜病变的自动检查方法及系统
CN108564570A (zh) * 2018-03-29 2018-09-21 哈尔滨工业大学（威海） 一种智能化的病变组织定位的方法和装置
CN108595583A (zh) * 2018-04-18 2018-09-28 平安科技（深圳）有限公司 动态图表类页面数据爬取方法、装置、终端及存储介质
CN109034264A (zh) * 2018-08-15 2018-12-18 云南大学 交通事故严重性预测csp-cnn模型及其建模方法
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
CN109567797A (zh) * 2019-01-30 2019-04-05 浙江强脑科技有限公司 癫痫预警方法、装置及计算机可读存储介质
CN109726726A (zh) * 2017-10-27 2019-05-07 北京邮电大学 视频中的事件检测方法及装置
WO2019136908A1 (zh) * 2018-01-12 2019-07-18 平安科技（深圳）有限公司 癌症识别方法、装置及存储介质
CN110097966A (zh) * 2018-01-30 2019-08-06 中国移动通信有限公司研究院 一种信息提醒方法、装置及终端设备
WO2019196268A1 (zh) * 2018-04-13 2019-10-17 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
CN110720888A (zh) * 2019-10-12 2020-01-24 杭州电子科技大学 基于深度学习的眼底图视网膜黄斑水肿病变预测的方法
CN110739071A (zh) * 2019-10-10 2020-01-31 北京致远慧图科技有限公司 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
WO2020061972A1 (zh) * 2018-09-27 2020-04-02 电子科技大学 一种基于卷积神经网络的糖尿病视网膜病变诊断技术
CN110956628A (zh) * 2019-12-13 2020-04-03 广州达安临床检验中心有限公司 图片等级分类方法、装置、计算机设备和存储介质
CN110992364A (zh) * 2019-12-31 2020-04-10 重庆艾可立安医疗器械有限公司 视网膜图像识别方法、装置、计算机设备和存储介质
CN111212591A (zh) * 2017-10-17 2020-05-29 富士胶片株式会社 医疗图像处理装置及内窥镜装置
CN111739616A (zh) * 2020-07-20 2020-10-02 平安国际智慧城市科技股份有限公司 眼部图像的处理方法、装置、设备及存储介质
WO2020200087A1 (en) * 2019-03-29 2020-10-08 Ai Technologies Inc. Image-based detection of ophthalmic and systemic diseases
CN112365535A (zh) * 2019-07-26 2021-02-12 长佳智能股份有限公司 视网膜病变评估模型建立方法及系统
US10963757B2 (en) 2018-12-14 2021-03-30 Industrial Technology Research Institute Neural network model fusion method and electronic device using the same
CN113569612A (zh) * 2021-02-09 2021-10-29 腾讯科技（深圳）有限公司 图像识别神经网络的训练方法和装置、图像识别方法
CN114078112A (zh) * 2020-10-16 2022-02-22 武汉联影医疗科技有限公司 肝脏变性程度的检测方法、装置、计算机设备和存储介质
US20220207732A1 (en) * 2020-12-28 2022-06-30 Seyed Ehsan Vaghefi Rezaei Systems and methods for processing of fundus images
WO2022145541A1 (ko) * 2020-12-30 2022-07-07 주식회사 메디웨일 신장 질병 진단 보조 방법 및 장치
CN117197053A (zh) * 2023-08-21 2023-12-08 浙江大学 基于ai智能模型的静脉炎分级自动识别及处理提示方法

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612021B (zh) * 2019-02-22 2023-10-31 中国移动通信有限公司研究院 一种错误样本识别方法、装置及终端
CN110211109B (zh) * 2019-05-30 2022-12-06 西安电子科技大学 基于深度神经网络结构寻优的图像变化检测方法
CN110517225B (zh) * 2019-07-19 2023-07-11 平安科技（深圳）有限公司 Ai影像识别方法、装置、设备及存储介质
CN110414607A (zh) * 2019-07-31 2019-11-05 中山大学 胶囊内窥镜图像的分类方法、装置、设备及介质
CN110599451B (zh) * 2019-08-05 2023-01-20 平安科技（深圳）有限公司 医学图像病灶检测定位方法、装置、设备及存储介质
CN110555478B (zh) * 2019-09-05 2023-02-03 东北大学 基于难样本挖掘的深度度量网络的风机多故障诊断方法
CN113191478B (zh) * 2020-01-14 2025-02-14 阿里巴巴集团控股有限公司 神经网络模型的训练方法、装置和系统
CN111242933B (zh) * 2020-01-15 2023-06-20 华南理工大学 视网膜图像动静脉的分类装置、设备及存储介质
CN111275121B (zh) * 2020-01-23 2023-07-18 北京康夫子健康技术有限公司 一种医学影像处理方法、装置和电子设备
CN111696101A (zh) * 2020-06-18 2020-09-22 中国农业大学 一种基于SE-Inception的轻量级茄科病害识别方法
CN111754486B (zh) * 2020-06-24 2023-08-15 北京百度网讯科技有限公司 图像处理方法、装置、电子设备及存储介质
CN111914814A (zh) * 2020-09-01 2020-11-10 平安国际智慧城市科技股份有限公司 小麦锈病检测方法、装置及计算机设备
CN112052904A (zh) * 2020-09-09 2020-12-08 陕西理工大学 一种基于迁移学习和卷积神经网络病虫害的识别方法
CN112215239B (zh) * 2020-09-15 2024-11-12 浙江工业大学 一种视网膜病变细粒度分级方法及装置
WO2022120163A1 (en) * 2020-12-04 2022-06-09 Genentech, Inc. Automated screening for diabetic retinopathy severity using color fundus image data
CN112581448A (zh) * 2020-12-17 2021-03-30 中南大学 视网膜图像硬性渗出物识别方法及成像方法
CN112819797B (zh) * 2021-02-06 2023-09-19 国药集团基因科技有限公司 糖尿病性视网膜病变分析方法、装置、系统及存储介质
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
CN113658178B (zh) * 2021-10-14 2022-01-25 北京字节跳动网络技术有限公司 组织图像的识别方法、装置、可读介质和电子设备
CN118345334B (zh) * 2024-06-17 2024-08-23 华兴源创(成都)科技有限公司 膜层厚度的校正方法、装置、计算机设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106231990A (zh) * 2014-03-14 2016-12-14 Lkc科技有限公司 视网膜病变检测系统和方法
CN106295547A (zh) * 2016-08-05 2017-01-04 深圳市商汤科技有限公司 一种图像比对方法及图像比对装置
CN106570530A (zh) * 2016-11-10 2017-04-19 西南交通大学 一种眼底影像中硬性渗出提取的方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10115194B2 (en) * 2015-04-06 2018-10-30 IDx, LLC Systems and methods for feature detection in retinal images
US10405739B2 (en) * 2015-10-23 2019-09-10 International Business Machines Corporation Automatically detecting eye type in retinal fundus images
CN106530295A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种视网膜病变的眼底图像分类方法和装置
CN106934798B (zh) * 2017-02-20 2020-08-21 苏州体素信息科技有限公司 基于深度学习的糖尿病视网膜病变分类分级方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106231990A (zh) * 2014-03-14 2016-12-14 Lkc科技有限公司 视网膜病变检测系统和方法
CN106295547A (zh) * 2016-08-05 2017-01-04 深圳市商汤科技有限公司 一种图像比对方法及图像比对装置
CN106570530A (zh) * 2016-11-10 2017-04-19 西南交通大学 一种眼底影像中硬性渗出提取的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HARRY PRATT等: "《Convolutional Neural Networks for Diabetic Retinopathy》", 《PROCEDIA COMPUTER SCIENCE》 *
冯裕忠: "《计算机导论》", 30 September 2016 *

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729929A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
US10755410B2 (en) 2017-09-30 2020-08-25 Baidu Online Network Technology (Beijing) Co., Ltd. Method and apparatus for acquiring information
CN107680684B (zh) * 2017-10-12 2021-05-07 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN107680684A (zh) * 2017-10-12 2018-02-09 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN111212591B (zh) * 2017-10-17 2022-08-02 富士胶片株式会社 医疗图像处理装置及内窥镜装置
US11574401B2 (en) 2017-10-17 2023-02-07 Fujifilm Corporation Medical image processing apparatus and endoscope apparatus
CN111212591A (zh) * 2017-10-17 2020-05-29 富士胶片株式会社 医疗图像处理装置及内窥镜装置
CN109726726A (zh) * 2017-10-27 2019-05-07 北京邮电大学 视频中的事件检测方法及装置
CN109726726B (zh) * 2017-10-27 2023-06-20 北京邮电大学 视频中的事件检测方法及装置
US11526983B2 (en) 2017-11-30 2022-12-13 Tencent Technology (Shenzhen) Company Limited Image feature recognition method and apparatus, storage medium, and electronic apparatus
CN110349156B (zh) * 2017-11-30 2023-05-30 腾讯科技（深圳）有限公司 眼底图片中病变特征的识别方法和装置、存储介质
CN108230296A (zh) * 2017-11-30 2018-06-29 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
CN108230296B (zh) * 2017-11-30 2023-04-07 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
CN110349156A (zh) * 2017-11-30 2019-10-18 腾讯科技（深圳）有限公司 眼底图片中病变特征的识别方法和装置、存储介质
WO2019105218A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
WO2019136908A1 (zh) * 2018-01-12 2019-07-18 平安科技（深圳）有限公司 癌症识别方法、装置及存储介质
CN110097966B (zh) * 2018-01-30 2021-09-14 中国移动通信有限公司研究院 一种信息提醒方法、装置及终端设备
CN110097966A (zh) * 2018-01-30 2019-08-06 中国移动通信有限公司研究院 一种信息提醒方法、装置及终端设备
CN108564570A (zh) * 2018-03-29 2018-09-21 哈尔滨工业大学（威海） 一种智能化的病变组织定位的方法和装置
US11132799B2 (en) 2018-04-13 2021-09-28 Bozhon Precision Industry Technology Co., Ltd. Method and system for classifying diabetic retina images based on deep learning
WO2019196268A1 (zh) * 2018-04-13 2019-10-17 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
CN108595583A (zh) * 2018-04-18 2018-09-28 平安科技（深圳）有限公司 动态图表类页面数据爬取方法、装置、终端及存储介质
CN108392174A (zh) * 2018-04-19 2018-08-14 梁建宏 一种早产儿视网膜病变的自动检查方法及系统
CN109034264B (zh) * 2018-08-15 2021-11-19 云南大学 交通事故严重性预测csp-cnn模型及其建模方法
CN109034264A (zh) * 2018-08-15 2018-12-18 云南大学 交通事故严重性预测csp-cnn模型及其建模方法
WO2020061972A1 (zh) * 2018-09-27 2020-04-02 电子科技大学 一种基于卷积神经网络的糖尿病视网膜病变诊断技术
US11410306B2 (en) 2018-10-30 2022-08-09 Tencent Technology (Shenzhen) Company Limited Method, apparatus, system, and storage medium for recognizing medical image
CN109427060A (zh) * 2018-10-30 2019-03-05 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗系统
US11610310B2 (en) 2018-10-30 2023-03-21 Tencent Technology (Shenzhen) Company Limited Method, apparatus, system, and storage medium for recognizing medical image
US10963757B2 (en) 2018-12-14 2021-03-30 Industrial Technology Research Institute Neural network model fusion method and electronic device using the same
CN109567797A (zh) * 2019-01-30 2019-04-05 浙江强脑科技有限公司 癫痫预警方法、装置及计算机可读存储介质
WO2020200087A1 (en) * 2019-03-29 2020-10-08 Ai Technologies Inc. Image-based detection of ophthalmic and systemic diseases
CN112365535A (zh) * 2019-07-26 2021-02-12 长佳智能股份有限公司 视网膜病变评估模型建立方法及系统
CN110739071B (zh) * 2019-10-10 2022-05-31 北京致远慧图科技有限公司 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
CN110739071A (zh) * 2019-10-10 2020-01-31 北京致远慧图科技有限公司 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
CN110720888A (zh) * 2019-10-12 2020-01-24 杭州电子科技大学 基于深度学习的眼底图视网膜黄斑水肿病变预测的方法
CN110956628A (zh) * 2019-12-13 2020-04-03 广州达安临床检验中心有限公司 图片等级分类方法、装置、计算机设备和存储介质
CN110992364A (zh) * 2019-12-31 2020-04-10 重庆艾可立安医疗器械有限公司 视网膜图像识别方法、装置、计算机设备和存储介质
CN110992364B (zh) * 2019-12-31 2023-11-28 重庆艾可立安医疗器械有限公司 视网膜图像识别方法、装置、计算机设备和存储介质
CN111739616B (zh) * 2020-07-20 2020-12-01 平安国际智慧城市科技股份有限公司 眼部图像的处理方法、装置、设备及存储介质
CN111739616A (zh) * 2020-07-20 2020-10-02 平安国际智慧城市科技股份有限公司 眼部图像的处理方法、装置、设备及存储介质
CN114078112A (zh) * 2020-10-16 2022-02-22 武汉联影医疗科技有限公司 肝脏变性程度的检测方法、装置、计算机设备和存储介质
US20220207732A1 (en) * 2020-12-28 2022-06-30 Seyed Ehsan Vaghefi Rezaei Systems and methods for processing of fundus images
WO2022145541A1 (ko) * 2020-12-30 2022-07-07 주식회사 메디웨일 신장 질병 진단 보조 방법 및 장치
CN113569612A (zh) * 2021-02-09 2021-10-29 腾讯科技（深圳）有限公司 图像识别神经网络的训练方法和装置、图像识别方法
CN117197053A (zh) * 2023-08-21 2023-12-08 浙江大学 基于ai智能模型的静脉炎分级自动识别及处理提示方法

Also Published As

Publication number Publication date
WO2018201647A1 (zh) 2018-11-08

Similar Documents

Publication Publication Date Title
CN107203778A (zh) 视网膜病变程度等级检测系统及方法
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
CN107766809B (zh) 电子装置、票据信息识别方法和计算机可读存储介质
CN110210286B (zh) 基于眼底图像的异常识别方法、装置、设备及存储介质
US11259718B1 (en) Systems and methods for automated body mass index calculation to determine value
WO2019174130A1 (zh) 票据识别方法、服务器及计算机可读存储介质
EP4024270A1 (en) Gesture recognition method, electronic device, computer-readable storage medium, and chip
CN113056743A (zh) 训练神经网络以用于车辆重新识别
CN110276366A (zh) 使用弱监督模型来检测对象
WO2018205467A1 (zh) 车损部位的识别方法、系统、电子装置及存储介质
WO2022105179A1 (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
US10748217B1 (en) Systems and methods for automated body mass index calculation
WO2019071660A1 (zh) 票据信息识别方法、电子装置及可读存储介质
US20220092353A1 (en) Method and device for training image recognition model, equipment and medium
CN108345641A (zh) 一种爬取网站数据的方法、存储介质和服务器
CN110033018A (zh) 图形相似度判断方法、装置及计算机可读存储介质
CN115082920B (zh) 深度学习模型的训练方法、图像处理方法和装置
EP4492331A1 (en) Image processing method, neural network training method and related device
WO2021189856A1 (zh) 证件校验方法、装置、电子设备及介质
CN114049568B (zh) 基于图像比对的标的物形变检测方法、装置、设备及介质
WO2019056503A1 (zh) 门店监控评价方法、装置及存储介质
WO2023123926A1 (zh) 人工智能任务处理方法、装置、电子设备及可读存储介质
CN110706121B (zh) 确定医保欺诈结果的方法、装置、电子设备及存储介质
CN114519401B (zh) 一种图像分类方法及装置、电子设备、存储介质
US10896339B2 (en) Detecting magnetic ink character recognition codes

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 1244088

Country of ref document: HK

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170926

REG Reference to a national code

Ref country code: HK

Ref legal event code: WD

Ref document number: 1244088

Country of ref document: HK