CN108717868A - 基于深度学习的青光眼眼底图像筛查方法及系统 - Google Patents

基于深度学习的青光眼眼底图像筛查方法及系统 Download PDF

Info

Publication number
CN108717868A
CN108717868A CN201810384053.6A CN201810384053A CN108717868A CN 108717868 A CN108717868 A CN 108717868A CN 201810384053 A CN201810384053 A CN 201810384053A CN 108717868 A CN108717868 A CN 108717868A
Authority
CN
China
Prior art keywords
fundus image
eye fundus
optic disk
glaucoma
training
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
CN201810384053.6A
Other languages
English (en)
Inventor
吕绍林
于川汇
崔宗会
王茜
何校栋
陈瑞侠
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.)
Bozhon Precision Industry Technology Co Ltd
Original Assignee
Bozhon Precision Industry Technology 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 Bozhon Precision Industry Technology Co Ltd filed Critical Bozhon Precision Industry Technology Co Ltd
Priority to CN201810384053.6A priority Critical patent/CN108717868A/zh
Publication of CN108717868A publication Critical patent/CN108717868A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • G06T2207/30—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)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

一种人工智能技术领域的基于深度学习的青光眼眼底图像筛查方法及系统，获取待识别眼底图像；利用视盘提取FCN模型对待识别眼底图像进行视盘的定位和分割，提取得到视盘子图像；利用分类CNN模型对视盘子图像进行识别，得到青光眼眼底图像分类结果。本发明仅对分割提取的视盘进行识别，降低了信息处理量，能够辅助医生提高青光眼检测效率。

Description

基于深度学习的青光眼眼底图像筛查方法及系统
技术领域
本发明涉及的是一种人工智能领域的技术，具体是一种基于深度学习的青光眼眼底图像筛查方法及系统。
背景技术
青光眼被称为无声的光明偷盗者，因为除了少数病人在青光眼急性发作时会出现眼红、眼痛、视力下降等特征外，绝大部分早期青光眼病人都没有任何突出的症状，等病人察觉视力出现异常时，青光眼已经给视力造成了不可逆的损伤，因此早发现、早治疗是控制青光眼造成失明的有效手段。
当前，大多数体检的项目并不包括青光眼检查，主要是因为判断青光眼需要检查医生丰富的眼科临床经验，而一般体检中心并不具备专业丰富的眼科临床经验，因此青光眼的检查难以普及。
使用计算机辅助检查是普及青光眼筛查的理想选择，但是目前计算机辅助检查实现比较复杂。传统临床检查中判断青光眼的主要依据是杯盘比，然而临床实践证明，仅用杯盘比判别青光眼是不准确的，很多生理性大视杯的眼底也会有很大的杯盘比；故需要引入辅助判断依据，如1)盘沿是否符合ISNT法则，2)下缘比上缘厚原则，3)上缘比鼻侧厚原则，4)颠侧最薄原则等，一方面这些标准转换为计算机程序上可定量描述的特征较困难，另一方面综合利用这些特征需要大量的分支判断条件，极大的增加了模型复杂性，模型及检测结果的稳定性不易保证。
发明内容
本发明针对现有技术存在的上述不足，提出了一种基于深度学习的青光眼眼底图像筛查方法及系统，仅对视盘进行分割识别，降低了信息处理量，能够辅助医生提高青光眼检测效率。
本发明是通过以下技术方案实现的：
本发明涉及一种基于深度学习的青光眼眼底图像筛查方法，包括：
获取待识别眼底图像；
利用视盘提取FCN模型对待识别眼底图像进行视盘的定位和分割，提取得到视盘子图像；
利用分类CNN模型对视盘子图像进行识别，得到青光眼眼底图像分类结果。
所述视盘提取FCN模型通过以下步骤训练得到：
A1，通过像素点标记提取眼底图像中视盘子图像并分为训练集和验证集，所述眼底图像包括青光眼眼底图像和非青光眼眼底图像；
A2，将训练集和验证集输入全卷积神经网络开始训练，使用DICE作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为视盘提取FCN模型。
所述分类CNN模型通过以下步骤训练得到：
B1，对训练集和验证集进行有无青光眼的标记；
B2，抽取所述训练集和验证集中样本输入深度卷积神经网络中结合相应样本有无青光眼的标记进行训练，使用softplus作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为分类CNN模型。
softplus作为训练的代价函数可以解耦sigmoid输出层的梯度饱和现象，使模型更容易训练。
所述训练集和验证集的代价函数均收敛是指到某一训练周期为止训练集对应的损失函数连续下降，而验证集对应的损失函数在此后连续若干个周期未下降。以此决定训练迭代终止的时机，防止过拟合，保证FCN模型和CNN模型的准确性和泛化能力。
一种基于上述方法进行青光眼眼底图像筛查的系统，包括：
视盘提取模块，用于对青光眼眼底图像中的视盘进行识别并分割提取；
分类模块，用于对提取的视盘子图像进行分类。
技术效果
与现有技术相比，本发明具有以下优点：
1)通过视盘提取FCN模型实现了视盘的高效准确提取，提取后的视盘子图像降低了CNN训练及分类的信息处理量；
2)分类CNN模型的输入对象为只截取了视盘局部区域的子图像，去除了干扰信息，使模型更容易训练、分类效率更高，降低了对训练集数据量的需求，减少了对内存需求，提高了模型的泛化能力；
3)通过两个网络模型的结合实现了眼底图像中视盘自动分割和分类的目的。
附图说明
图1为实施例1中方法流程图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细描述。
实施例1
如图1所示，本实施例涉及一种基于深度学习的青光眼眼底图像筛查方法，包括：
获取待识别眼底图像；
利用视盘提取FCN模型对待识别眼底图像进行视盘的定位和分割，提取得到视盘子图像；
利用分类CNN模型对视盘子图像进行识别，得到青光眼眼底图像分类结果。
所述视盘提取FCN模型通过以下步骤训练得到：
A1，通过像素点标记提取眼底图像中视盘子图像并分为训练集和验证集，所述眼底图像包括青光眼眼底图像和非青光眼眼底图像；
A2，将训练集和验证集输入全卷积神经网络开始训练，使用DICE作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为视盘提取FCN模型。
所述DICE代价函数为：
其中，X是输入样本图，Y是输出结果图。
所述分类CNN模型通过以下步骤训练得到：
B1，对训练集和验证集进行有无青光眼的标记；
B2，抽取所述训练集和验证集中样本输入深度卷积神经网络中结合相应样本有无青光眼的标记进行训练，使用softplus作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为分类CNN模型。
本实施例在上述模型进行训练时，监测每个训练周期训练集和验证集的损失函数下降情况，当验证集出现连续10个训练周期都没有下降趋势出现后，停止迭代，并将验证集测试表现最好的模型作为训练结果保存。
本实施例涉及基于上述方法对青光眼眼底图像进行筛查的系统，包括：
视盘提取模块，用于对青光眼眼底图像中的视盘进行识别并分割提取；
分类模块，用于对提取的视盘子图像进行分类。
本实施例可以通过将待识别眼底图像识别后的复核结果加入训练集和验证集中进行模型的修正，持续改善视盘提取FCN模型和分类CNN模型的性能。
本实施例使用了600张已确诊的青光眼眼底图像和600张正常眼底图像进行分类CNN模型的训练；训练后的模型经过对5000张眼底图像的识别分类，敏感性达到88％，特异性达到93％。
训练CNN模型时只将包含视盘得到的子图像作为输入，这样做有两个优点：一是可以减少模型训练时对内存的需求，二是去除了无关信息对模型训练的干扰，降低了训练过程中模型获得无关特征而造成过拟合的几率，从而减少对训练集规模的要求。
另外本实施例能够有效的剔除生理性大视杯的情况，避免对其错误的分类影响医生临床诊断。
需要强调的是：以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种基于深度学习的青光眼眼底图像筛查方法，其特征在于，包括：
获取待识别眼底图像；
利用视盘提取FCN模型对待识别眼底图像进行视盘的定位和分割，提取得到视盘子图像；
利用分类CNN模型对视盘子图像进行识别，得到青光眼眼底图像分类结果。
2.根据权利要求1所述基于深度学习的青光眼眼底图像筛查方法，其特征是，所述视盘提取FCN模型通过以下步骤训练得到：
A1，通过像素点标记提取眼底图像中视盘子图像并分为训练集和验证集，所述眼底图像包括青光眼眼底图像和非青光眼眼底图像；
A2，将训练集和验证集输入全卷积神经网络开始训练，使用DICE作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为视盘提取FCN模型。
3.根据权利要求2所述基于深度学习的青光眼眼底图像筛查方法，其特征是，所述分类CNN模型通过以下步骤训练得到：
B1，对训练集和验证集进行有无青光眼的标记；
B2，抽取所述训练集和验证集中样本输入深度卷积神经网络中结合相应样本有无青光眼的标记进行训练，使用softplus作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为分类CNN模型。
4.根据权利要求2或3所述基于深度学习的青光眼眼底图像筛查方法，其特征是，所述训练集和验证集的代价函数均收敛是指到某一训练周期为止训练集对应的损失函数连续下降，而验证集对应的损失函数在此后连续若干个周期未下降。
5.一种基于上述任一权利要求所述方法进行青光眼眼底图像筛查的系统，其特征在于，包括：
视盘提取模块，用于对青光眼眼底图像中的视盘进行识别并分割提取；
分类模块，用于对提取的视盘子图像进行分类。
CN201810384053.6A 2018-04-26 2018-04-26 基于深度学习的青光眼眼底图像筛查方法及系统 Pending CN108717868A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810384053.6A CN108717868A (zh) 2018-04-26 2018-04-26 基于深度学习的青光眼眼底图像筛查方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810384053.6A CN108717868A (zh) 2018-04-26 2018-04-26 基于深度学习的青光眼眼底图像筛查方法及系统

Publications (1)

Publication Number Publication Date
CN108717868A true CN108717868A (zh) 2018-10-30

Family

ID=63899218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810384053.6A Pending CN108717868A (zh) 2018-04-26 2018-04-26 基于深度学习的青光眼眼底图像筛查方法及系统

Country Status (1)

Country Link
CN (1) CN108717868A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215039A (zh) * 2018-11-09 2019-01-15 浙江大学常州工业技术研究院 一种基于神经网络的眼底图片的处理方法
CN109447169A (zh) * 2018-11-02 2019-03-08 北京旷视科技有限公司 图像处理方法及其模型的训练方法、装置和电子系统
CN109684981A (zh) * 2018-12-19 2019-04-26 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查系统
CN109697716A (zh) * 2018-12-19 2019-04-30 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查系统
CN109744996A (zh) * 2019-01-11 2019-05-14 中南大学 Oct图像的bmo位置定位方法
CN109919938A (zh) * 2019-03-25 2019-06-21 中南大学 青光眼的视盘分割图谱获取方法
CN110327013A (zh) * 2019-05-21 2019-10-15 北京至真互联网技术有限公司 眼底图像检测方法、装置及设备和存储介质
CN110599491A (zh) * 2019-09-04 2019-12-20 腾讯医疗健康(深圳)有限公司 基于先验信息的眼部图像分割方法、装置、设备及介质
CN111080630A (zh) * 2019-12-20 2020-04-28 腾讯医疗健康(深圳)有限公司 眼底图像检测设备、方法、装置及存储介质
CN111863241A (zh) * 2020-07-10 2020-10-30 北京化工大学 一种基于集成深度学习的眼底照分类系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108139A1 (en) * 2016-10-19 2018-04-19 U.S. Department Of Veterans Affairs System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108139A1 (en) * 2016-10-19 2018-04-19 U.S. Department Of Veterans Affairs System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
干能强: "青光眼眼底图像的自动识别与分析方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
詹曙等: "前列腺磁共振图像分割的反卷积神经网络方法", 《中国图像图形学报》 *
黄元康: "基于图像分割的青光眼眼底图识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447169A (zh) * 2018-11-02 2019-03-08 北京旷视科技有限公司 图像处理方法及其模型的训练方法、装置和电子系统
CN109447169B (zh) * 2018-11-02 2020-10-27 北京旷视科技有限公司 图像处理方法及其模型的训练方法、装置和电子系统
CN109215039A (zh) * 2018-11-09 2019-01-15 浙江大学常州工业技术研究院 一种基于神经网络的眼底图片的处理方法
WO2020125318A1 (zh) * 2018-12-19 2020-06-25 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和诊断系统
CN109697716A (zh) * 2018-12-19 2019-04-30 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查系统
WO2020125319A1 (zh) * 2018-12-19 2020-06-25 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查系统
CN109684981A (zh) * 2018-12-19 2019-04-26 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查系统
CN109697716B (zh) * 2018-12-19 2021-04-02 上海鹰瞳医疗科技有限公司 青光眼图像识别方法、设备和筛查系统
CN109744996A (zh) * 2019-01-11 2019-05-14 中南大学 Oct图像的bmo位置定位方法
CN109919938A (zh) * 2019-03-25 2019-06-21 中南大学 青光眼的视盘分割图谱获取方法
CN109919938B (zh) * 2019-03-25 2022-12-09 中南大学 青光眼的视盘分割图谱获取方法
CN110327013A (zh) * 2019-05-21 2019-10-15 北京至真互联网技术有限公司 眼底图像检测方法、装置及设备和存储介质
CN110327013B (zh) * 2019-05-21 2022-02-15 北京至真互联网技术有限公司 眼底图像检测方法、装置及设备和存储介质
CN110599491A (zh) * 2019-09-04 2019-12-20 腾讯医疗健康(深圳)有限公司 基于先验信息的眼部图像分割方法、装置、设备及介质
CN110599491B (zh) * 2019-09-04 2024-04-12 腾讯医疗健康(深圳)有限公司 基于先验信息的眼部图像分割方法、装置、设备及介质
CN111080630A (zh) * 2019-12-20 2020-04-28 腾讯医疗健康(深圳)有限公司 眼底图像检测设备、方法、装置及存储介质
CN111080630B (zh) * 2019-12-20 2024-03-08 腾讯医疗健康(深圳)有限公司 眼底图像检测设备、方法、装置及存储介质
CN111863241B (zh) * 2020-07-10 2023-06-30 北京化工大学 一种基于集成深度学习的眼底照分类系统
CN111863241A (zh) * 2020-07-10 2020-10-30 北京化工大学 一种基于集成深度学习的眼底照分类系统

Similar Documents

Publication Publication Date Title
CN108717868A (zh) 基于深度学习的青光眼眼底图像筛查方法及系统
US11132799B2 (en) Method and system for classifying diabetic retina images based on deep learning
Zhang et al. Development of an automated screening system for retinopathy of prematurity using a deep neural network for wide-angle retinal images
Guo et al. Automated glaucoma screening method based on image segmentation and feature extraction
CN107506770A (zh) 糖尿病视网膜病变眼底照相标准图像生成方法
WO2018201632A1 (zh) 用于识别眼底图像病变的人工神经网络及系统
CN110010219A (zh) 光学相干层析图像视网膜病变智能检测系统及检测方法
CN107564580A (zh) 基于集成学习的胃镜图像辅助处理系统及方法
CN107895367A (zh) 一种骨龄识别方法、系统及电子设备
CN109325942A (zh) 基于全卷积神经网络的眼底图像结构分割方法
CN105005765A (zh) 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法
CN107330876A (zh) 一种基于卷积神经网络的图像自动诊断方法
CN109948719A (zh) 一种基于残差密集模块网络结构的眼底图像质量自动分类方法
CN109615632A (zh) 一种基于半监督条件生成式对抗网络的眼底图视盘和视杯分割方法
CN109635862A (zh) 早产儿视网膜病plus病变分类方法
CN109858540A (zh) 一种基于多模态融合的医学图像识别系统及方法
CN109859172A (zh) 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
CN106980815A (zh) 基于h‑b分级评分监督下的面瘫客观评估方法
CN108009592A (zh) 一种糖尿病性视网膜图像自动分类方法
CN108511055A (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN109464120A (zh) 一种糖尿病视网膜病变筛查方法、装置及存储介质
CN112712122A (zh) 基于神经网络模型的角膜溃疡的分类检测方法及系统
Wang et al. Accurate disease detection quantification of iris based retinal images using random implication image classifier technique
CN109712706A (zh) 一种基于深度学习的望诊方法及装置
CN106355574A (zh) 一种基于深度学习的腹内脂肪分割方法

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: 20181030