CN107330876A - 一种基于卷积神经网络的图像自动诊断方法 - Google Patents
一种基于卷积神经网络的图像自动诊断方法 Download PDFInfo
- Publication number
- CN107330876A CN107330876A CN201710438482.2A CN201710438482A CN107330876A CN 107330876 A CN107330876 A CN 107330876A CN 201710438482 A CN201710438482 A CN 201710438482A CN 107330876 A CN107330876 A CN 107330876A
- Authority
- CN
- China
- Prior art keywords
- eye fundus
- fundus image
- grader
- image
- neural networks
- 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
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
- 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
Abstract
本发明提供一种基于卷积神经网络的图像自动诊断方法,属于图片诊断技术领域,本发明主要利用对空间结构特征具有较强学习能力的卷积神经网络CNN组成分类器,对眼底图像进行特征学习,通过迁移学习和有监督学习训练该分类器,达到对DR进行自动诊断分级的目的。
Description
技术领域
本发明涉及图片诊断技术,尤其涉及一种基于卷积神经网络的图像自动诊断方法。
背景技术
DR是一种由糖尿病引起的视网膜神经的微血管病变,能够严重损害患者视力甚至致盲,临床检查以眼底照相为主。如果血糖长时间停留在较高水平,就会对视网膜造成持续破坏,引起视网膜病变或加重病情。但是病变早期几乎不会产生可察觉的症状,等到患者发现视觉受到影响之后,已经到了比较严重的程度,因此定期做眼科检查是预防和诊断DR的常规方法。
无论I型还是II型糖尿病,都有引起视网膜病变的风险。发病初期,患者视野出现小块的轻度模糊,随着病情的恶化,逐渐模糊,出现黑块,最后致盲。对 DR的病变程度,一般分为5级:0、无病变,1、轻度,2、中度,3、重度,4、增生性。临床检查手段以眼底照相为主。
传统的眼底检查由经验医师进行,但一方面医生和患者数量不成比例,另一方面人工检查依赖大量经验,且工作量大,长时间工作易疲劳出错,诊断结果也受情绪影响。近年来提出的一些DR自动化诊断方法,首先在眼底图像上提取感兴趣区域,即寻找病变区域,然后再综合病变区域信息判断DR程度。提取感兴趣区域的方法往往是借鉴医师的经验,利用图像处理技术,将病变区域的特点转化成图像或信号特征,然后训练分类器对DR分级。这些提取感兴趣区域的方法实际上并未完全自动化,诊断分级效果依赖于特征的选取,泛化性能也较差。
发明内容
为了解决以上技术问题,本发明提出了一种基于卷积神经网络的图像自动诊断方法。
由于深度学习技术的发展极大促进了特征学习方法的进步,本发明主要利用对空间结构特征具有较强学习能力的卷积神经网络CNN组成分类器,对眼底图像进行特征学习,通过迁移学习和有监督学习训练该分类器,达到对DR进行自动诊断分级的目的。
本发明的技术方案是:
一种基于深度卷积神经网络的自动诊断方法,利用深度神经网络对特征自动学习的能力和迁移能力,微调VGG16网络分类器,利用现有DR数据库的标注数据训练分类器,然后利用分类器对眼底图像进行DR分级。
具体来说,分类器的神经网络主体由VGG16的结构微调而成,输入层输入经过裁剪、归一化处理的眼底图像,采用迁移学习和有监督学习方式对训练集的眼底图像进行特征学习,输出层有5个神经元,输出眼底图像的DR等级概率,概率最大者即为该眼底图像对应的DR等级。参数大部分使用预训练好的参数,从而降低训练难度,然后利用带标注的DR数据集(Kaggle、Messidor等)训练整个网络,提高自动诊断的正确率。
神经网络的卷积层部分的参数使用经过ImageNet数据集训练的参数进行初始化,其他部分采取随机初始化的策略。损失函数设定为交叉熵损失函数,采用批量随机梯度下降法训练优化。
本发明的有益效果是
对眼底照片进行糖尿病视网膜病变自动分级,实现对糖尿病视网膜病变的完全自动化诊断,提高了自动诊断的正确率。
附图说明
附图1是眼底图像边缘检测、裁剪示意图;
附图2是VGG16神经网络图。
具体实施方式
下面结合附图对本发明的内容进行更加详细的阐述:
本发明使用卷积神经网络设计分类器,并利用迁移学习方法、有监督学习等方法训练分类器,对眼底照片进行糖尿病视网膜病变自动分级。
1、眼底图像裁剪去背景。除眼底影像外还含有部分黑色背景,这部分像素不包含任何有用信息,为减小计算量,需要裁剪掉黑色背景。
设原始眼底图像为img,首先转换成灰度图像img_gray,然后使用Canny边缘检测算法(最低阈值100,最高阈值300)检测img_gray边缘,得到img_canny。接下来由左至由检查img_canny每一列像素,如附图2中的红色矩形框所示,检测到有像素值为255的像素点停止,令x_left的值为该像素点x坐标。同理,由右至左,由上至下,由下至上分别得到x_right、y_top、y_bottom。然后,按照左上角(x_left,y_top)和右下角(x_right,y_bottom)裁剪img,得到img_crop。
2、眼底图像归一化。由于成像设备、环境和操作的不同,眼底图像在色调、饱和度、亮度等方面存在差距,为了减小这种差距造成的影响,需要对裁剪后的图像进行归一化。
首先在眼底图像数据库中选取成像质量较好的参考图像裁剪后得到img_std,转换成HSV格式的图像img_std_hsv,计算在H通道上的最大值、最小值,平均值,分别记为hmax,hmin,havg。对任意一张图像img裁剪后,在H通道上的归一化使用如下公式:
其中,h′为图像任意像素在H通道上的值,h′max、h′min和h′avg
分别是图像在H通道上的最大值、最小值和平均值。
在S、V通道上的归一化采用相同方法,即可得到归一化后的图像img_hsv_reg,最后转换成为RGB格式图像img_reg。
3、神经网络分类器架构。神经网络在本专利用作为分类器,卷积层与附图2 中的VGG16保持一致,即stage-1到stage-5保持不变。根据眼底图像分辨率,将输入层大小修改为512 x 512大小。卷积层后面为三层全连接层,每层神经元个数分别为2048、2048和5,最后输出层为soft-max层,对输入的眼底图像的DR级别的概率进行预测。
4、迁移学习和训练。
神经网络的卷积层部分的参数使用经过ImageNet数据集训练的参数进行初始化,其他部分采取随机初始化的策略。损失函数设定为交叉熵损失函数,采用批量随机梯度下降法训练优化。
Claims (3)
1.一种基于卷积神经网络的图像自动诊断方法,其特征在于,
对眼底图像去除无关背景、归一化,利用卷积神经网络组成分类器,对眼底图像进行特征学习;利用深度神经网络对特征自动学习的能力和迁移能力,微调分类器,利用现有DR数据库的标注数据训练分类器,然后利用分类器对眼底图像进行DR分级。
2.根据权利要求1所述的方法,其特征在于,
分类器的神经网络主体由VGG16的结构微调而成,输入层输入经过裁剪、归一化处理的眼底图像,采用迁移学习和有监督学习方式对训练集的眼底图像进行特征学习,输出层有5个神经元,输出眼底图像的DR等级概率,概率最大者即为该眼底图像对应的DR等级;一半以上的参数使用预训练好的参数,然后利用带标注的DR数据集训练整个网络。
3.根据权利要求1或2所述的方法,其特征在于,
神经网络的卷积层部分的参数使用经过ImageNet数据集训练的参数进行初始化,其他部分采取随机初始化的策略;损失函数设定为交叉熵损失函数,采用批量随机梯度下降法训练优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438482.2A CN107330876A (zh) | 2017-06-12 | 2017-06-12 | 一种基于卷积神经网络的图像自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710438482.2A CN107330876A (zh) | 2017-06-12 | 2017-06-12 | 一种基于卷积神经网络的图像自动诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330876A true CN107330876A (zh) | 2017-11-07 |
Family
ID=60195386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710438482.2A Pending CN107330876A (zh) | 2017-06-12 | 2017-06-12 | 一种基于卷积神经网络的图像自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330876A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107945870A (zh) * | 2017-12-13 | 2018-04-20 | 四川大学 | 基于深度神经网络的早产儿视网膜病变检测方法及装置 |
CN108010581A (zh) * | 2017-12-01 | 2018-05-08 | 中南大学 | 一种脂溢性角化和扁平疣病种分类方法 |
CN109161932A (zh) * | 2018-10-22 | 2019-01-08 | 中南大学 | 一种铝电解槽火眼视频动态特征的提取方法 |
CN109325942A (zh) * | 2018-09-07 | 2019-02-12 | 电子科技大学 | 基于全卷积神经网络的眼底图像结构分割方法 |
CN109464120A (zh) * | 2018-10-31 | 2019-03-15 | 深圳市第二人民医院 | 一种糖尿病视网膜病变筛查方法、装置及存储介质 |
CN109686444A (zh) * | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
CN110084803A (zh) * | 2019-04-29 | 2019-08-02 | 南京星程智能科技有限公司 | 基于人类视觉系统的眼底图像质量评估方法 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110648303A (zh) * | 2018-06-08 | 2020-01-03 | 上海市第六人民医院 | 眼底图像分析方法、计算机设备和存储介质 |
CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
CN112489769A (zh) * | 2019-08-22 | 2021-03-12 | 浙江远图互联科技股份有限公司 | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 |
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
CN112489769B (zh) * | 2019-08-22 | 2024-05-17 | 浙江远图技术股份有限公司 | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 |
-
2017
- 2017-06-12 CN CN201710438482.2A patent/CN107330876A/zh active Pending
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010581A (zh) * | 2017-12-01 | 2018-05-08 | 中南大学 | 一种脂溢性角化和扁平疣病种分类方法 |
CN108010581B (zh) * | 2017-12-01 | 2021-12-10 | 中南大学 | 一种脂溢性角化和扁平疣病种分类方法 |
CN107945870A (zh) * | 2017-12-13 | 2018-04-20 | 四川大学 | 基于深度神经网络的早产儿视网膜病变检测方法及装置 |
CN107945870B (zh) * | 2017-12-13 | 2020-09-01 | 四川大学 | 基于深度神经网络的早产儿视网膜病变检测方法及装置 |
CN110648303B (zh) * | 2018-06-08 | 2022-07-26 | 上海市第六人民医院 | 眼底图像分析方法、计算机设备和存储介质 |
US11315241B2 (en) | 2018-06-08 | 2022-04-26 | Shanghai Sixth People's Hospital | Method, computer device and storage medium of fundus oculi image analysis |
CN110648303A (zh) * | 2018-06-08 | 2020-01-03 | 上海市第六人民医院 | 眼底图像分析方法、计算机设备和存储介质 |
CN109325942A (zh) * | 2018-09-07 | 2019-02-12 | 电子科技大学 | 基于全卷积神经网络的眼底图像结构分割方法 |
CN109325942B (zh) * | 2018-09-07 | 2022-03-25 | 电子科技大学 | 基于全卷积神经网络的眼底图像结构分割方法 |
CN109161932A (zh) * | 2018-10-22 | 2019-01-08 | 中南大学 | 一种铝电解槽火眼视频动态特征的提取方法 |
CN109464120A (zh) * | 2018-10-31 | 2019-03-15 | 深圳市第二人民医院 | 一种糖尿病视网膜病变筛查方法、装置及存储介质 |
US10963757B2 (en) | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
CN109686444A (zh) * | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
US11145405B2 (en) | 2018-12-27 | 2021-10-12 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for grading a medical image |
US11742073B2 (en) | 2018-12-27 | 2023-08-29 | Shanghai United Imaging Intelligence Co., Ltd. | Methods and devices for grading a medical image |
CN110163839B (zh) * | 2019-04-02 | 2022-02-18 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110084803A (zh) * | 2019-04-29 | 2019-08-02 | 南京星程智能科技有限公司 | 基于人类视觉系统的眼底图像质量评估方法 |
CN110084803B (zh) * | 2019-04-29 | 2024-02-23 | 靖松 | 基于人类视觉系统的眼底图像质量评估方法 |
CN112489769A (zh) * | 2019-08-22 | 2021-03-12 | 浙江远图互联科技股份有限公司 | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 |
CN112489769B (zh) * | 2019-08-22 | 2024-05-17 | 浙江远图技术股份有限公司 | 基于深度神经网络的慢性病智慧中医诊断与药物推荐系统 |
CN111079861A (zh) * | 2019-12-31 | 2020-04-28 | 国网北京市电力公司 | 一种基于图像快速处理技术的配电网电压异常诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330876A (zh) | 一种基于卷积神经网络的图像自动诊断方法 | |
US11132799B2 (en) | Method and system for classifying diabetic retina images based on deep learning | |
CN108021916B (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
Tan et al. | Automated segmentation of exudates, haemorrhages, microaneurysms using single convolutional neural network | |
US10413180B1 (en) | System and methods for automatic processing of digital retinal images in conjunction with an imaging device | |
EP3659067B1 (en) | Method of modifying a retina fundus image for a deep learning model | |
CN110276356A (zh) | 基于r-cnn的眼底图像微动脉瘤识别方法 | |
CN106530283A (zh) | 一种基于svm的医疗图像血管识别方法 | |
Jamal et al. | Retinal image preprocessing: background and noise segmentation | |
CN106408564A (zh) | 一种基于深度学习的眼底图像处理方法、装置及系统 | |
CN108876775A (zh) | 糖尿病性视网膜病变的快速检测方法 | |
CN108185984A (zh) | 眼底彩照进行眼底病灶识别的方法 | |
CN110084803A (zh) | 基于人类视觉系统的眼底图像质量评估方法 | |
CN110648344B (zh) | 一种基于局部病灶特征的糖尿病视网膜病变分类装置 | |
RAJA et al. | Screening diabetic retinopathy in developing countries using retinal images | |
Lyu et al. | Deep tessellated retinal image detection using Convolutional Neural Networks | |
CN109410191B (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
Iqbal et al. | Automatic diagnosis of diabetic retinopathy using fundus images | |
Venkatalakshmi et al. | Graphical user interface for enhanced retinal image analysis for diagnosing diabetic retinopathy | |
CN106846301A (zh) | 视网膜图像分类方法及装置 | |
CN111292285A (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
CN114359104A (zh) | 一种基于分级生成的白内障眼底图像增强方法 | |
Smits et al. | Machine learning in the detection of the glaucomatous disc and visual field | |
Mahmud et al. | Diabetic Retinopathy Classification from Retinal Images using Machine Learning Approaches | |
Sindhusaranya et al. | Hybrid algorithm for retinal blood vessel segmentation using different pattern recognition techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |