CN108154505A - 基于深度神经网络的糖尿病视网膜病变检测方法及装置 - Google Patents
基于深度神经网络的糖尿病视网膜病变检测方法及装置 Download PDFInfo
- Publication number
- CN108154505A CN108154505A CN201711439401.7A CN201711439401A CN108154505A CN 108154505 A CN108154505 A CN 108154505A CN 201711439401 A CN201711439401 A CN 201711439401A CN 108154505 A CN108154505 A CN 108154505A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- network model
- data
- color 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
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的基于深度神经网络的糖尿病视网膜病变检测方法及装置,属于图像处理领域。该方法包括采集多张眼底彩照图像数据;将所述多张眼底彩照图像数据输入到预设的深度神经网络模型;获取所述深度神经网络模型输出的分类结果及所述分类结果对应的置信度;判断所述分类结果是否有效;若是,查找所述分类结果所对应的糖尿病视网膜病变程度;基于所述糖尿病视网膜病变程度输出检测结果。从而使得用户只需要上传眼底图像,就能够获取检测结果,并且在有效提高了准确率的同时,还能够为用户带来方便以及成本低的技术效果。以及在没有或者缺少专业医师的情况下,可以大幅提高诊断效率,为患者节省宝贵的时间。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及基于深度神经网络的糖尿 病视网膜病变检测方法及装置。
背景技术
糖尿病性视网膜病变(diabeticretinopathy,DR)是目前世界上增 长最快的致盲原因,是糖尿病患者的并发症之一,每位患者都有可能因为 糖尿病视网膜病变而失明。据国际糖尿病联合会IDF发布的《糖尿病地图》 数据显示,2015年,全球20-79岁的人中约有4.15亿人患有糖尿病。我国 糖尿病患者数量全球第一,而且糖尿病的发病情况呈现出快速上升和年轻 化的趋势。
糖尿病性视网膜病变在出现不可逆的视觉损伤前,没有任何临床症状。 目前防止失明的主要手段是定期检查,通过使用特制设备,采集患者眼底 图片,由专业眼科医生对采集的图像进行诊断。然而,在许多地方,并没 有足够的医生来做这些工作的,差不多一半的患者还没来得及确诊就已经 失明了。因此,随着糖尿病发病率的不断攀升,对糖尿病性视网膜病变进 行低成本地自动诊断至关重要。
发明内容
本发明提供的基于深度神经网络的糖尿病视网膜病变检测方法及装置, 旨在改善上述问题。
本发明提供的基于深度神经网络的糖尿病视网膜病变检测方法,包括: 采集多张眼底彩照图像数据;将所述多张眼底彩照图像数据输入到预设的 深度神经网络模型;获取所述深度神经网络模型输出的分类结果及所述分 类结果对应的置信度;判断所述分类结果是否有效;若是,查找所述分类 结果所对应的糖尿病视网膜病变程度;基于所述糖尿病视网膜病变程度输 出检测结果。
可选地,所述的预设的深度神经网络模型通过以下方式建立:将所述 多张眼底彩照图像数据进行处理,以获取待处理数据;基于反向传播算法 对所述待处理数据进行深度神经网络训练,得到预设的深度神经网络模型, 其中,所述深度神经网络模型包括:多组交替叠加的卷积和池化层,在网 络模型的中间包含多个跨层的短路连接用以将浅层提取到的特征无损传递 给深层网络,在网络的末端使用Softmax分类器对样本进行分类。
可选地,所述的将所述多张眼底彩照图像数据进行处理,以获取待处 理数据,包括:对所述多张眼底彩照图像数据进行标注,以得到每张所述 眼底彩照图像数据的病变类型及病变程度的准确标签;基于所述每张眼底 彩照图像数据和所述准确标签,生成样本集;将所述样本集为训练集和测 试集;对所述训练集中的每张所述眼底彩照图像数据进行数据增广;将增 广后的所述训练集以及所述测试集作为所述待处理数据。
可选地,所述训练集满足: TrainSet={(X(1),Y(1)),(X(2),Y(2)),…,(X(m),Y(m))};所述测试集满足: TestSet={(X(m+1),Y(m+1)),(X(m+2),Y(m+2)),…,(X(n),Y(n))};其中, X(i)∈R3×H×W为3通道彩色图像,Y(i)∈RN为N维标签向量,n为所述样本 的个数,所述m为所述训练集中的样本个数,n-m为所述测试集中的样本个 数。
可选地,所述的基于反向传播算法对所述待处理数据进行深度神经网 络训练,得到预设的深度神经网络模型,之后还包括:获取所述深度神经 网络模型输出的测试结果;将所述测试结果与预设的比对标签进行匹配; 当所述测试结果与所述比对标签匹配时,将所述深度神经网络模型发送至 服务器,以进行部署。
本发明提供的基于深度神经网络的糖尿病视网膜病变检测装置,包括: 数据采集单元,用于采集多张眼底彩照图像数据;数据处理单元,用于将 所述多张眼底彩照图像数据输入到预设的深度神经网络模型;数据输出单 元,用于获取所述深度神经网络模型输出的分类结果及所述分类结果对应 的置信度;第一判断单元,用于判断所述分类结果是否有效;第一执行单 元,用于若是,查找所述分类结果所对应的糖尿病视网膜病变程度;结果获取单元,用于基于所述糖尿病视网膜病变程度输出检测结果。
可选地,所述的预设的深度神经网络模型通过以下子单元建立:数据 处理子单元,用于将所述多张眼底彩照图像数据进行处理,以获取待处理 数据;模型建立单元,用于基于反向传播算法对所述待处理数据进行深度 神经网络训练,得到预设的深度神经网络模型,其中,所述深度神经网络 模型包括:多组交替叠加的卷积和池化层,在网络模型的中间包含多个跨 层的短路连接用以将浅层提取到的特征无损传递给深层网络,在网络的末端使用Softmax分类器对样本进行分类。
可选地,所述数据处理子单元具体用于:对所述多张眼底彩照图像数 据进行标注,以得到每张所述眼底彩照图像数据的病变类型及病变程度的 准确标签;基于所述每张眼底彩照图像数据和所述准确标签,生成样本集; 将所述样本集为训练集和测试集;对所述训练集中的每张所述眼底彩照图 像数据进行数据增广;将增广后的所述训练集以及所述测试集作为所述待 处理数据。
可选地,所述训练集满足: TrainSet={(X(1),Y(1)),(X(2),Y(2)),…,(X(m),Y(m))};所述测试集满足: TestSet={(X(m+1),Y(m+1)),(X(m+2),Y(m+2)),…,(X(n),Y(n))};其中, X(i)∈R3×H×W为3通道彩色图像,Y(i)∈RN为N维标签向量,n为所述样本 的个数,所述m为所述训练集中的样本个数,n-m为所述测试集中的样本个 数。
可选地,所述模型建立单元,之后还包括:数据获取子单元,用于获 取所述深度神经网络模型输出的测试结果;数据匹配单元,用于将所述测 试结果与预设的比对标签进行匹配;部署单元,用于当所述测试结果与所 述比对标签匹配时,将所述深度神经网络模型发送至服务器,以进行部署。
上述本发明提供的基于深度神经网络的糖尿病视网膜病变检测方法及 装置,通过采集多张眼底彩照图像数据;将所述多张眼底彩照图像数据输 入到预设的深度神经网络模型;获取所述深度神经网络模型输出的分类结 果及所述分类结果对应的置信度;判断所述分类结果是否有效;若是,查 找所述分类结果所对应的糖尿病视网膜病变程度;基于所述糖尿病视网膜 病变程度输出检测结果。从而使得用户只需要上传眼底图像,就能够获取 检测结果,并且在有效提高了准确率的同时,还能够为用户带来方便以及 成本低的技术效果。以及在没有或者缺少专业医师的情况下,可以大幅提 高诊断效率,为患者节省宝贵的时间。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实 施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需 要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些 实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲, 在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种电子设备的结构框图;
图2为本发明第一实施例提供的基于深度神经网络的糖尿病视网膜病 变检测方法的流程图;
图3为本发明第二实施例提供的基于深度神经网络的糖尿病视网膜病 变检测装置的功能模块示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。因此,以下对在 附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
如图1所示,为本发明实施例提供的一种电子设备的结构框图。所述 电子设备300包括基于深度神经网络的糖尿病视网膜病变检测装置400、存 储器302、存储控制器303、处理器304及外设接口305。
所述存储器302、存储控制器303、处理器304及外设接口305各元件 相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些 元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基 于深度神经网络的糖尿病视网膜病变检测装置400包括至少一个可以软件 或固件(firmware)的形式存储于所述存储器302中或固化在所述电子设 备300的操作系统(operating system,OS)中的软件功能模块。所述处 理器304用于执行存储器302中存储的可执行模块,例如所述基于深度神 经网络的糖尿病视网膜病变检测装置400包括的软件功能模块或计算机程 序。
其中,存储器302可以是,但不限于,随机存取存储器 (Random Access Memory,RAM),只读存储器(Read Only Memory,ROM), 可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只 读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦 除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器302用于存储程序,所述处理器304在接收到 执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程 定义的服务器100所执行的方法可以应用于处理器304中,或者由处理器 304实现。
处理器304可能是一种集成电路芯片,具有信号的处理能力。上述的 处理器304可以是通用处理器,包括中央处理器 (Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用 集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分 立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施 例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者 该处理器也可以是任何常规的处理器等。
所述外设接口305将各种输入/输入装置耦合至处理器304以及存储器 302。在一些实施例中,外设接口305、处理器304以及存储控制器303可 以在单个芯片中实现。在其他一些实例中,他们可以分别由独立的芯片实 现。
请参阅图2,是本发明第一实施例提供的基于深度神经网络的糖尿病视 网膜病变检测方法的流程图。下面将对图2所示的具体流程进行详细阐述。
步骤S101,采集多张眼底彩照图像数据。
其中,所述眼底彩照图像数据为用户或医生基于用户终端上传的。
步骤S102,将所述多张眼底彩照图像数据输入到预设的深度神经网络 模型。
其中,所述深度神经网络模型为预先建立的。所述深度神经网络模型 通过以下方式建立:
将所述多张眼底彩照图像数据进行处理,以获取待处理数据;
基于反向传播算法对所述待处理数据进行深度神经网络训练,得到预 设的深度神经网络模型,其中,所述深度神经网络模型包括:多组交替叠 加的卷积和池化层,在网络模型的中间包含多个跨层的短路连接用以将浅 层提取到的特征无损传递给深层网络,在网络的末端使用Softmax分类器 对样本进行分类。
其中,所述反向传播算法包括如下步骤:
1、前向计算:从输入层开始逐层计算网络模型每一层的输出,直至最 后的分类器层。
2、反向计算:根据分类器层指定的损失函数,计算最后一层的误差, 并使用链式法则将该误差逐层传回,直至输入层,用以计算损失函数对于 网络中权值的梯度。
3、采用随机梯度下降算法更新网络中的参数。循环迭代以上几步直至 网络中的权值收敛或网络的误差降低到指定的指标。
在本实施例中,所述的将所述多张眼底彩照图像数据进行处理,以获 取待处理数据,包括:对所述多张眼底彩照图像数据进行标注,以得到每 张所述眼底彩照图像数据的病变类型及病变程度的准确标签;基于所述每 张眼底彩照图像数据和所述准确标签,生成样本集;将所述样本集为训练 集和测试集;对所述训练集中的每张所述眼底彩照图像数据进行数据增广; 将增广后的所述训练集以及所述测试集作为所述待处理数据。例如,可以通过随机旋转,将样本图像随机旋转任意角度的方式来增广数据,或者是 通过尺度缩放,如将训练样本在一个固定范围内进行随机的等比例缩放的 方式来增广数据,又或者是通过水平翻转,如对图像进行水平镜像翻转的 方式来增广数据,以及通过添加随机噪声,如给图像中的每一个像素添加 一个小的随机值的方式来增广数据。在此,不作具体限定。
在本实施例中,优选地,在对数据进行增广后,为了使数据更加利于 训练,还包括对训练集中的数据做零均值处理,如从样本中减去训练集所 有样本的均值以及单位方差处理,如将零均值后数据的方差缩放为1。
作为一种实施方式,优选地,在得到预设的深度神经网络模型之后, 再获取所述深度神经网络模型输出的测试结果;将所述测试结果与预设的 比对标签进行匹配;当所述测试结果与所述比对标签匹配时,将所述深度 神经网络模型发送至服务器,以进行部署,从而将准确的深度神经网络模 型进行部署在服务器,或者是用户终端上。在此,不作具体限定。
步骤S103,获取所述深度神经网络模型输出的分类结果及所述分类结 果对应的置信度。
其中,所述分类结果包括病变程度,如糖尿病视网膜病变初级、糖尿 病视网膜病变中级或糖尿病视网膜病变终极等,在此,不作具体限定。
其中,所述置信度用于判断所述分类结果的准确性。
步骤S104,判断所述分类结果是否有效。
在本实施例中,根据置信度的范围来判断所述分类结果是否有效,例 如,将置信度低的结果判定为无效,从而直接舍弃。其中,所述置信度低 是指置信度低于预设值,例如,所述预设值的选取可以根据实际情况来选 取,在此,不作具体限定。
步骤S105,若是,查找所述分类结果所对应的糖尿病视网膜病变程度。
作为一种实施方式,当分类结果正确时,查找数据库中与所述分类结 果对应的糖尿病视网膜病变程度。
步骤S105,基于所述糖尿病视网膜病变程度输出检测结果。
所述检测结果包括病变类型以及诊断信息。
作为一种实施方式,服务器基于所述糖尿病视网膜病变程度将诊断结 果处理成诊断日志存储到数据库,并生成诊断报告,以使用户基于诊断报 告查看诊断结果。
请参阅图3,是本发明第二实施例提供的基于深度神经网络的糖尿病视 网膜病变检测装置的功能模块示意图。所述基于深度神经网络的糖尿病视 网膜病变检测装置400包括数据采集单元410、数据处理单元420、数据输 出单元430、第一判断单元440、第一执行单元450和结果获取单元460。
数据采集单元410,用于采集多张眼底彩照图像数据。
数据处理单元420,用于将所述多张眼底彩照图像数据输入到预设的深 度神经网络模型。
其中,所述的预设的深度神经网络模型通过以下子单元建立:数据处 理子单元,用于将所述多张眼底彩照图像数据进行处理,以获取待处理数 据;模型建立单元,用于基于反向传播算法对所述待处理数据进行深度神 经网络训练,得到预设的深度神经网络模型,其中,所述深度神经网络模 型包括:多组交替叠加的卷积和池化层,在网络模型的中间包含多个跨层 的短路连接用以将浅层提取到的特征无损传递给深层网络,在网络的末端使用Softmax分类器对样本进行分类。
其中,所述数据处理子单元具体用于:对所述多张眼底彩照图像数据 进行标注,以得到每张所述眼底彩照图像数据的病变类型及病变程度的准 确标签;基于所述每张眼底彩照图像数据和所述准确标签,生成样本集; 将所述样本集为训练集和测试集;对所述训练集中的每张所述眼底彩照图 像数据进行数据增广;将增广后的所述训练集以及所述测试集作为所述待 处理数据。
所述训练集满足:TrainSet={(X(1),Y(1)),(X(2),Y(2)),…,(X(m),Y(m))}; 所述测试集满足: TestSet={(X(m+1),Y(m+1)),(X(m+2),Y(m+2)),…,(X(n),Y(n))};其中, X(i)∈R3×H×W为3通道彩色图像,Y(i)∈RN为N维标签向量,n为所述样本 的个数,所述m为所述训练集中的样本个数,n-m为所述测试集中的样本个 数。
所述模型建立单元,之后还包括:数据获取子单元、数据匹配单元和 部署单元。
数据获取子单元,用于获取所述深度神经网络模型输出的测试结果。
数据匹配单元,用于将所述测试结果与预设的比对标签进行匹配。
部署单元,用于当所述测试结果与所述比对标签匹配时,将所述深度 神经网络模型发送至服务器,以进行部署。
数据输出单元430,用于获取所述深度神经网络模型输出的分类结果及 所述分类结果对应的置信度。
第一判断单元440,用于判断所述分类结果是否有效。
第一执行单元450,用于若是,查找所述分类结果所对应的糖尿病视网 膜病变程度。
结果获取单元460,用于基于所述糖尿病视网膜病变程度输出检测结果。
综上所述,本发明提供的基于深度神经网络的糖尿病视网膜病变检测 方法及装置,通过采集多张眼底彩照图像数据;将所述多张眼底彩照图像 数据输入到预设的深度神经网络模型;获取所述深度神经网络模型输出的 分类结果及所述分类结果对应的置信度;判断所述分类结果是否有效;若 是,查找所述分类结果所对应的糖尿病视网膜病变程度;基于所述糖尿病 视网膜病变程度输出检测结果。从而使得用户只需要上传眼底图像,就能够获取检测结果,并且在有效提高了准确率的同时,还能够为用户带来方 便以及成本低的技术效果。以及在没有或者缺少专业医师的情况下,可以 大幅提高诊断效率,为患者节省宝贵的时间。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法, 也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的, 例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方 法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流 程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所 述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标 注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方 框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依 所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及 框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的 基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个 独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集 成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使 用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的 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 介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服 务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步 骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘 等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和 第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作 区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际 的关系或者顺序。而且,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 设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的 情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素 的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于 本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精 神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明 的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似 项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对 其进行进一步定义和解释。
Claims (10)
1.一种基于深度神经网络的糖尿病视网膜病变检测方法,其特征在于,包括:
采集多张眼底彩照图像数据;
将所述多张眼底彩照图像数据输入到预设的深度神经网络模型;
获取所述深度神经网络模型输出的分类结果及所述分类结果对应的置信度;
判断所述分类结果是否有效;
若是,查找所述分类结果所对应的糖尿病视网膜病变程度;
基于所述糖尿病视网膜病变程度输出检测结果。
2.根据权利要求1所述的方法,其特征在于,所述的预设的深度神经网络模型通过以下方式建立:
将所述多张眼底彩照图像数据进行处理,以获取待处理数据;
基于反向传播算法对所述待处理数据进行深度神经网络训练,得到预设的深度神经网络模型,其中,所述深度神经网络模型包括:多组交替叠加的卷积和池化层,在网络模型的中间包含多个跨层的短路连接用以将浅层提取到的特征无损传递给深层网络,在网络的末端使用Softmax分类器对样本进行分类。
3.根据权利要求2所述的方法,其特征在于,所述的将所述多张眼底彩照图像数据进行处理,以获取待处理数据,包括:
对所述多张眼底彩照图像数据进行标注,以得到每张所述眼底彩照图像数据的病变类型及病变程度的准确标签;
基于所述每张眼底彩照图像数据和所述准确标签,生成样本集;
将所述样本集为训练集和测试集;
对所述训练集中的每张所述眼底彩照图像数据进行数据增广;
将增广后的所述训练集以及所述测试集作为所述待处理数据。
4.根据权利要求3所述的方法,其特征在于,所述训练集满足:TrainSet={(X(1),Y(1)),(X(2),Y(2)),...,(X(m),Y(m))};所述测试集满足:TestSet={(X(m+1),Y(m+1)),(X(m+2),Y(m +2)),...,(X(n),Y(n))};其中,X(i)∈R3×H×W为3通道彩色图像,Y(i)∈RN为N维标签向量,n为所述样本的个数,所述m为所述训练集中的样本个数,n-m为所述测试集中的样本个数。
5.根据权利要求2所述的方法,其特征在于,所述的基于反向传播算法对所述待处理数据进行深度神经网络训练,得到预设的深度神经网络模型,之后还包括:
获取所述深度神经网络模型输出的测试结果;
将所述测试结果与预设的比对标签进行匹配;
当所述测试结果与所述比对标签匹配时,将所述深度神经网络模型发送至服务器,以进行部署。
6.一种基于深度神经网络的糖尿病视网膜病变检测装置,其特征在于,包括:
数据采集单元,用于采集多张眼底彩照图像数据;
数据处理单元,用于将所述多张眼底彩照图像数据输入到预设的深度神经网络模型;
数据输出单元,用于获取所述深度神经网络模型输出的分类结果及所述分类结果对应的置信度;
第一判断单元,用于判断所述分类结果是否有效;
第一执行单元,用于若是,查找所述分类结果所对应的糖尿病视网膜病变程度;
结果获取单元,用于基于所述糖尿病视网膜病变程度输出检测结果。
7.根据权利要求6所述的装置,其特征在于,所述的预设的深度神经网络模型通过以下子单元建立:
数据处理子单元,用于将所述多张眼底彩照图像数据进行处理,以获取待处理数据;
模型建立单元,用于基于反向传播算法对所述待处理数据进行深度神经网络训练,得到预设的深度神经网络模型,其中,所述深度神经网络模型包括:多组交替叠加的卷积和池化层,在网络模型的中间包含多个跨层的短路连接用以将浅层提取到的特征无损传递给深层网络,在网络的末端使用Softmax分类器对样本进行分类。
8.根据权利要求7所述的装置,其特征在于,所述数据处理子单元具体用于:
对所述多张眼底彩照图像数据进行标注,以得到每张所述眼底彩照图像数据的病变类型及病变程度的准确标签;
基于所述每张眼底彩照图像数据和所述准确标签,生成样本集;
将所述样本集为训练集和测试集;
对所述训练集中的每张所述眼底彩照图像数据进行数据增广;
将增广后的所述训练集以及所述测试集作为所述待处理数据。
9.根据权利要求8所述的装置,其特征在于,所述训练集满足:TrainSet={(X(1),Y(1)),(X(2),Y(2)),...,(X(m),Y(m))};所述测试集满足:TestSet={(X(m+1),Y(m+1)),(X(m+2),Y(m +2)),...,(X(n),Y(n))};其中,X(i)∈R3×H×W为3通道彩色图像,Y(i)∈RN为N维标签向量,n为所述样本的个数,所述m为所述训练集中的样本个数,n-m为所述测试集中的样本个数。
10.根据权利要求7所述的装置,其特征在于,所述模型建立单元,之后还包括:
数据获取子单元,用于获取所述深度神经网络模型输出的测试结果;
数据匹配单元,用于将所述测试结果与预设的比对标签进行匹配;
部署单元,用于当所述测试结果与所述比对标签匹配时,将所述深度神经网络模型发送至服务器,以进行部署。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711439401.7A CN108154505A (zh) | 2017-12-26 | 2017-12-26 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711439401.7A CN108154505A (zh) | 2017-12-26 | 2017-12-26 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108154505A true CN108154505A (zh) | 2018-06-12 |
Family
ID=62462280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711439401.7A Pending CN108154505A (zh) | 2017-12-26 | 2017-12-26 | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154505A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109411086A (zh) * | 2018-12-26 | 2019-03-01 | 深圳硅基智能科技有限公司 | 眼底图像病变的筛查系统 |
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 |
CN109671062A (zh) * | 2018-12-11 | 2019-04-23 | 成都智能迭迦科技合伙企业(有限合伙) | 超声图像检测方法、装置、电子设备及可读存储介质 |
CN109800789A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 基于图网络的糖尿病视网膜病变分类方法及装置 |
CN109886143A (zh) * | 2019-01-29 | 2019-06-14 | 上海鹰瞳医疗科技有限公司 | 多标签分类模型训练方法和设备 |
CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110490138A (zh) * | 2019-08-20 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 一种数据处理方法及装置、存储介质、电子设备 |
CN110729044A (zh) * | 2019-10-08 | 2020-01-24 | 腾讯医疗健康(深圳)有限公司 | 糖网病变阶段识别模型的训练方法及糖网病变识别设备 |
WO2020200087A1 (en) * | 2019-03-29 | 2020-10-08 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
CN112598086A (zh) * | 2021-03-04 | 2021-04-02 | 四川大学 | 基于深度神经网络的常见结肠部疾病分类方法及辅助系统 |
CN113425248A (zh) * | 2021-06-24 | 2021-09-24 | 平安科技(深圳)有限公司 | 医疗影像评估方法、装置、设备及计算机存储介质 |
CN117038088A (zh) * | 2023-10-09 | 2023-11-10 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934798A (zh) * | 2017-02-20 | 2017-07-07 | 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 |
CN107358605A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的深度神经网络及系统 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
-
2017
- 2017-12-26 CN CN201711439401.7A patent/CN108154505A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934798A (zh) * | 2017-02-20 | 2017-07-07 | 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 |
CN107358605A (zh) * | 2017-05-04 | 2017-11-17 | 深圳硅基智能科技有限公司 | 用于识别糖尿病视网膜病变的深度神经网络及系统 |
CN107423571A (zh) * | 2017-05-04 | 2017-12-01 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
Non-Patent Citations (3)
Title |
---|
林剑等: "《多光谱遥感图像土地利用分类方法》", 31 May 2011, 中南大学出版社 * |
梁平等: "糖尿病视网膜病变眼底图像分类方法", 《深圳大学学报理工版》 * |
郭庆春: "《人工神经网络应用研究》", 31 October 2016, 吉林大学出版社 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109671062A (zh) * | 2018-12-11 | 2019-04-23 | 成都智能迭迦科技合伙企业(有限合伙) | 超声图像检测方法、装置、电子设备及可读存储介质 |
CN109800789A (zh) * | 2018-12-18 | 2019-05-24 | 中国科学院深圳先进技术研究院 | 基于图网络的糖尿病视网膜病变分类方法及装置 |
CN109411086A (zh) * | 2018-12-26 | 2019-03-01 | 深圳硅基智能科技有限公司 | 眼底图像病变的筛查系统 |
CN109886143A (zh) * | 2019-01-29 | 2019-06-14 | 上海鹰瞳医疗科技有限公司 | 多标签分类模型训练方法和设备 |
WO2020200087A1 (en) * | 2019-03-29 | 2020-10-08 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
CN110101361A (zh) * | 2019-04-23 | 2019-08-09 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110101361B (zh) * | 2019-04-23 | 2022-07-12 | 深圳市新产业眼科新技术有限公司 | 基于大数据在线智能诊断平台及其运行方法和存储介质 |
CN110490138A (zh) * | 2019-08-20 | 2019-11-22 | 北京大恒普信医疗技术有限公司 | 一种数据处理方法及装置、存储介质、电子设备 |
CN110729044A (zh) * | 2019-10-08 | 2020-01-24 | 腾讯医疗健康(深圳)有限公司 | 糖网病变阶段识别模型的训练方法及糖网病变识别设备 |
CN110729044B (zh) * | 2019-10-08 | 2023-09-12 | 腾讯医疗健康(深圳)有限公司 | 糖网病变阶段识别模型的训练方法及糖网病变识别设备 |
CN112598086A (zh) * | 2021-03-04 | 2021-04-02 | 四川大学 | 基于深度神经网络的常见结肠部疾病分类方法及辅助系统 |
CN113425248A (zh) * | 2021-06-24 | 2021-09-24 | 平安科技(深圳)有限公司 | 医疗影像评估方法、装置、设备及计算机存储介质 |
CN113425248B (zh) * | 2021-06-24 | 2024-03-08 | 平安科技(深圳)有限公司 | 医疗影像评估方法、装置、设备及计算机存储介质 |
CN117038088A (zh) * | 2023-10-09 | 2023-11-10 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
CN117038088B (zh) * | 2023-10-09 | 2024-02-02 | 北京鹰瞳科技发展股份有限公司 | 糖尿病视网膜病变的发病确定方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154505A (zh) | 基于深度神经网络的糖尿病视网膜病变检测方法及装置 | |
Mishra et al. | Diabetic retinopathy detection using deep learning | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN109390053A (zh) | 眼底图像处理方法、装置、计算机设备和存储介质 | |
US20240164691A1 (en) | Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, and electrocardiogram analysis assistance system | |
CN113158821B (zh) | 基于多模态的眼部检测数据的处理方法、装置及终端设备 | |
Sanjana et al. | Automated diabetic retinopathy detection using transfer learning models | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
Pujari et al. | Detection and classification of fungal disease with radon transform and support vector machine affected on cereals | |
US20240164692A1 (en) | Electrocardiogram analysis assistance device, program, electrocardiogram analysis assistance method, electrocardiogram analysis assistance system, peak estimation model generation method, and segment estimation model generation method | |
CN110414562A (zh) | X光片的分类方法、装置、终端及存储介质 | |
CN113425248B (zh) | 医疗影像评估方法、装置、设备及计算机存储介质 | |
AU2022313781A1 (en) | Systems and methods for processing images for image matching | |
Bidwai et al. | Detection of Diabetic Retinopathy using Deep Learning | |
BalaKrishna et al. | Autism spectrum disorder detection using machine learning | |
Biswas et al. | Estimating Risk Levels and Epidemiology of Diabetic Retinopathy using Transfer Learning | |
TW202228150A (zh) | 情緒指標預測方法與系統 | |
Tan et al. | Deep learning for identification of peripheral retinal degeneration using ultra-wide-field fundus images: is it sufficient for clinical translation? | |
Abinaya et al. | Detection and Classification Of Diabetic Retinopathy Using Machine Learning–A Survey | |
Raghav et al. | Autism Spectrum Disorder Detection in Children Using Transfer Learning Techniques | |
Sree et al. | Diabetic Retinopathy Detection using Deep Learning | |
Liu et al. | Improved PSP-net segmentation network for automatic detection of neovascularization in color fundus images | |
Mahesh et al. | Identification and classification of scoliosis using CNN and SVM algorithms | |
Das Adhikari et al. | Computer Vision-Aided Diabetic Retinopathy Detection Using Cloud-Deployed Deep Learning Framework | |
Bhowmick et al. | Attention Based CNN to Improve Identification of Ischaemia and Infection in DFU |
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 |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |