CN109036550A - 一种基于人工智能的白内障分析方法及装置 - Google Patents
一种基于人工智能的白内障分析方法及装置 Download PDFInfo
- Publication number
- CN109036550A CN109036550A CN201810726512.4A CN201810726512A CN109036550A CN 109036550 A CN109036550 A CN 109036550A CN 201810726512 A CN201810726512 A CN 201810726512A CN 109036550 A CN109036550 A CN 109036550A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- cataract
- intelligence model
- result
- feature
- 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
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于人工智能的白内障分析方法及装置,包括:获取包括白内障信息的病例图片;以人工智能模型为依据,对病例图片进行特征提取,得到至少一个特征;其中,人工智能模型为预先训练好的;以人工智能模型为依据,对至少一个特征进行综合分类处理,得到分类概率结果;以人工智能模型和分类概率结果为依据进行结果匹配,得到分析结果。可见,实施本发明提供的一种基于人工智能的白内障分析方法及装置,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
Description
技术领域
本发明涉及医疗领域,具体而言,涉及一种基于人工智能的白内障分析方法及装置。
背景技术
医疗与人类疾病与生老病死息息相关,因此始终是社会关注的热点问题。在近年来,随着医疗技术的不断发展,医疗卫生服务水平也在不断提高,与此同时,人民群众对健康的需求也越来越高,对医疗机构的要求也随着提高。传统的就医方式是到医疗卫生机构中进行挂号排队,等待求诊。然而,在实践中发现,目前医生的数量供不应求,患者挂号排队就医的方法通常会耗费大量时间,从而降低了就诊的效率;在这其中,很多患者自认为病症并不紧急,因此放弃等待,从而容易错过就医的最佳时机。可见,传统的就医方法效率较低,不能快速地给用户一个准确的答复。其中,在白内障分析方面,专家数量远少于患者的数量,因此上述问题就显得尤为突出,以至于难以快速、准确地给予用户关于白内障的分析结论。
发明内容
鉴于上述问题,本发明提供了一种基于人工智能的白内障分析方法及装置,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
为了实现上述目的,本发明采用如下的技术方案:
第一方面,本发明提供了一种基于人工智能的白内障分析方法,所述方法包括:
获取包括白内障信息的病例图片;
以人工智能模型为依据,对所述病例图片进行特征提取,得到至少一个特征;其中,所述人工智能模型为预先训练好的;
以所述人工智能模型为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果;
以所述人工智能模型和所述分类概率结果为依据进行结果匹配,得到分析结果。
作为一种可选的实施方式,所述人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;所述疾病标签包括白内障不同严重程度对应的透明度标签以及白内障范围大小对应的范围标签。
作为一种可选的实施方式,所述获取包括白内障信息的病例图片之后,所述方法还包括:
以所述白内障信息划分所述病例图片,得到白内障区域图片;
确定所述白内障区域图片为所述病例图片;
执行所述的以所述人工智能模型为依据,对所述病例图片进行特征提取,得到至少一个特征。
作为一种可选的实施方式,所述人工智能模型包括softmax分类器,其中,所述以所述人工智能模型为依据,对所述至少一个特征进行综合分类,得到分类概率结果,包括:
以所述人工智能模型中的softmax分类器为依据,对所述至少一个特征进行综合分类,得到分类概率结果。
作为一种可选的实施方式,所述以所述人工智能模型和所述分类概率结果为依据进行结果匹配,得到分析结果,包括:
以所述人工智能模型和所述分类概率结果为依据获取与所述分类概率结果对应的疾病类型;其中,所述疾病类型至少包括白内障患病与否以及白内障患病程度深浅;
匹配所述疾病类型对应的分析结果。
第二方面,本发明提供了一种基于人工智能的白内障分析装置,包括:
获取模块,用于获取包括白内障信息的病例图片;
人工智能模块,用于以人工智能模型为依据,对所述病例图片进行特征提取,得到至少一个特征;其中,所述人工智能模型为预先训练好的;
所述人工智能模块,还用于以所述人工智能模型为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果;
所述人工智能模块,还用于以所述人工智能模型和所述分类概率结果为依据进行结果匹配,得到分析结果。
作为一种可选的实施方式,所述人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;所述疾病标签包括白内障不同严重程度对应的透明度标签以及白内障范围大小对应的范围标签。
作为一种可选的实施方式,所述深度卷积神经网络的层数为7层,其中所述深度卷积神经网络至少包括卷积层、过采样层以及全连接层;其中,所述人工智能模型还使用了softmax分类器进行训练。
第三方面,本发明提供了一种计算机设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行第一方面公开的白内障分析方法。
第四方面,本发明提供了一种计算机可读存储介质,其存储有上述计算机设备中所使用的所述计算机程序。
根据本发明提供的基于人工智能的白内障分析方法,用户可以输入自己的病例图片,以使分析设备可以对病例进行特征提取,并基于人工智能对特征进行多分类,得到分类概率结果,并在之后以所述人工智能模型为依据对分类概率结果进行结果匹配,得到分析结果,以使用户快速准确地获取到分析结果。可见,实施这种实施方式,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
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本发明范围的限定。
图1是本发明实施例一提供的基于人工智能的白内障分析方法的流程示意图;
图2是本发明实施例二提供的基于人工智能的白内障分析方法的流程示意图;
图3是本发明实施例三提供的基于人工智能的白内障分析装置的结构示意图;
图4是本发明实施例二提供的人工智能模型中基于神经网络的softmax分类器多分类方法的示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
针对现有技术中的问题,本发明提供了一种基于人工智能的白内障分析方法,在该种方法中,用户可以输入或上传自己的病例图片,以使分析设备可以对病例进行特征提取,并基于人工智能对特征进行智能多分类,得到概率结果,并在之后对概率结果进行病例确认与结果匹配,最终得到分析结果并输出该分析结果给用户,以使用户可以快速、准确地获取到分析结果。可见,实施这种实施方式,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率
其中,上述的技术方法还可以采用相关的软件或硬件加以实现,对此本实施例中不再多加赘述。针对该白内障分析方法及装置,下面通过实施例进行描述。
实施例1
请参阅图1,图1是本实施例提供的一种基于人工智能的白内障分析方法的流程示意图。
如图1所示,该种基于人工智能的白内障分析方法包括以下步骤:
S101、获取包括白内障信息的病例图片。
实施这种实施方式,可以避免非白内障信息的病例图片的获取,从而避免了与人工智能模型不匹配的情况出现,进而保证的该分析方法的稳定性与效率。
本实施例中,获取包括白内障信息的病例图片是分析装置发出的,从另一角度来说,用户可以自行上传包括白内障信息的病例图片以使分析装置执行后续的步骤,其中,对于用户上传病例图片的方式不作限定,对于分析装置获取病例图片的方法也不作限定。
本实施例中,白内障是指因各种原因(如老化,遗传、局部营养障碍、免疫与代谢异常,外伤、中毒、辐射等),引起晶状体代谢紊乱,导致晶状体蛋白质变性而发生混浊。此时光线被混浊晶状体阻扰无法投射在视网膜上,导致视物模糊。
本实施例中,白内障信息包括但不限于图片中晶状体是否浑浊,以及晶状体浑浊的程度,对此本实施例中不再多加赘述。
S102、以人工智能模型为依据,对病例图片进行特征提取,得到至少一个特征;人工智能模型为预先训练好的。
本实施例中,人工智能模型为预先训练好的,因此用户可以通过输入病例图片来直接得到分析结果;这种人工智能模型的好处是专业性强,准确度高,效率高。
本实施例中,人工智能模型是白内障人工智能模型,其较强的针对性与判断能力,使得该模型可以有效地进行工作。同时,该人工智能模型是通过算法与大数据训练得到,具体的可以通过人工智能深度神经网络进行自学习得到。其中,大数据包括具有标签的白内障专业图片,该种图片通过人为或机器添加准确的标签以使信息更加明确,从而确定了人工智能模型的学习方向与学成之后的专业方向;另一方面,本实施例中人工智能模型所使用的算法为针对白内障的算法,具体算法可以通过具体实施步骤进行了解。
本实施例中,该人工智能模型的训练在前,其训练方法为神经网络自学习,在本实施例中,该训练方法也可以理解为有人为干涉的智能学习方法,其中人为干涉是指具有相应的标签。而在本方案中,对于人工智能模型的训练进行解释,但是不以此为重点部分,本方案的重点为对人工智能模型(白内障人工智能模型)的使用,以及机器设备对模型的运用方法,对此本实施例中将不再进行赘述。
本实施例中,对病例图片进行特征提取是指获取病例图片中与白内障相关的特征,举例来说,特征提取获得的是病例图片中包括白内障或者可能包括白内障的部分。
在本实施例中,特征提取还可以是一种将病例图片按照白内障病理特征进行分块分区,得到多个特征区域,并按照区域进行特征分析的方法。
实施这种实施方式,可以将病例图片划分为多个具有代表性的特征区域或者多个特征块,以使人工智能模型可以由针对性的对上述特征区域或者特征块进行分析,从而提高了效率;其中,上述代表性的特征区域可以指病例图片中具有病理特征的区域。
本实施例中,特征提取方法由人工智能模型提供,人工智能模型中的特征提取方法是通过人工智能自学习训练得到的,对此本实施例中不再赘述。并且,人工智能自学习是通过多分类算法与代价函数以及梯度下降优化算法共同作用形成的自学习。
S103、以人工智能模型为依据,对至少一个特征进行综合分类处理,得到分类概率结果。
本实施例中,至少一个特征是根据人工智能模型提取出来的。
本实施例中,综合分类处理是指输入一个特征,输出该特征符合各种情况的概率结果。其中,上述各种情况是固定的多种情况,不会随着分类处理而增加减少,同时,分类概率结果意指上述特征对应各种情况的概率结果,即概率越大,符合度越高。
本实施例中,对至少一个特征进行综合分类处理,即要获取到所有特征对于所有情况的概率结果。而本实施例中所描述的分类概率结果即为上述所有情况的概率结果。
本实施例中,当一个特征的多个概率结果中,存在一个概率远大于其他概率时,判定该概率对应的分类为病例分类,该病例分类包括白内障严重程度、白内障范围等信息。
S104、以人工智能模型和分类概率结果为依据进行结果匹配,得到分析结果。
本实施例中,人工智能模型提供匹配方法,分类概率结果提供匹配基础数据,举例来说,分析装置获取到所有的分类概率结果,按照人工智能模型训练出来的方法,对分类概率结果进行总结分析,得到一个最为恰当的对应病例分类。
举例来说,人工智能模型训练出来的算法是取每个特征的最大概率的集合,判断哪一个病例分类所占特征最多,即判定哪一个病例分类是分析得到的病例分类。本方案仅为举例说明,对申请内容不构成限定。
本实施例中,人工智能模型是通过人工智能、机器学习以及神经网络学习得到的,其输入为大量的具有标签的图片,其中标签的标定方式不做任何限定;在接收到大量的具有标签的图片之后,设备对所有图片进行记忆(存储),并根据标签进行理解(特征比对学习),以使设备自身通过大量的学习与自我纠正完成对图片的理解,最终脱离图片形成特定的模型,而此时的模型为学习到的经验与理解,以至于后续再使用该模型的时候可以通过该人工智能模型,借用它所学习到的经验来解决相对应的事物,从而完成人工智能的使用。但是上述的内容为基本理念,而非具体的实施方法,且上述的基本理念是基于本方案的,因此不对本方案造成启发,对此本实施例中将不再赘述。
本实施例中,该技术方法注重于在白内障方面的使用,同时,人工智能模型也为于白内障方面的人工智能模型。但是,该技术方法也可以用于其他可以应用的领域,可见,该技术方法、技术手段可以为其他方面起到引导与启示的作用。
如图1所示,根据本发明提供的基于人工智能的白内障分析方法,用户可以输入自己的病例图片,以使分析设备可以对病例进行特征提取,并基于人工智能对特征进行多分类,得到分类概率结果,并在之后以所述人工智能模型为依据对分类概率结果进行结果匹配,得到分析结果,以使用户快速准确地获取到分析结果。可见,实施图1所描述的方法,能够高效、准确地给用户提供分析结果,以使用户可以根据分析结果来判断自己是否需要进一步就医。可见,实施这种实施方式,能够简单、快速、准确地得到患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
实施例2
请参阅图2,图2是本实施例提供的一种基于人工智能的白内障分析方法的流程示意图。如图2所示,该白内障分析方法包括以下步骤:
S201、获取包括白内障信息的病例图片。
作为一种可选的实施方式,获取包括白内障信息的病例图片,包括:
接收病例图片;判断病例图片是否包括白内障信息;若包括白内障信息,则存储并记录该包括白内障信息的病例图片,并执行步骤S202。
实施这种实施方式,可以避免非白内障信息的病例图片的接收,提高人工智能模型的处理效率。
S202、以白内障信息划分病例图片,得到白内障区域图片。
实施这种实施方式,可以依照白内障信息划分病例图片,使得病例图片可以被划分成多个白内障区域图片,其中每个白内障区域图片都包括白内障信息。可见,实施这种实施方式,可以将无白内障信息的区域图片过滤掉,实现病例图片的预处理,从而减少了后续无用的分析,提高了病例图片后续的分析效率。
S203、确定白内障区域图片为病例图片。
实施这种实施方式,将人工智能的分析对象由原来的完整病体图片替换为准确包括白内障信息的病例图片。
S204、以人工智能模型为依据,对病例图片进行特征提取,得到至少一个特征;人工智能模型为预先训练好的。
本实施例中,人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;其中,上述疾病标签包括白内障不同严重程度对应的透明度标签、白内障范围大小对应的范围标签以及用于表示白内障与视轴区两者相对位置的位置标签。
实施这种实施方式,可以通过人工智能获取到有效的特征,便于后续步骤的执行。
S205、以人工智能模型中的softmax分类器为依据,对至少一个特征进行综合分类,得到分类概率结果。
本实施例中,softmax分类器是指包括softmax函数的一层神经网络,softmax是用来解决多分类的手段,与我们常见的逻辑回归、SVM等常用于解决二分类问题不同。softmax对应的的多分类问题,举例来说,可以抽象认为是识别手写数字需要10个分类(多分类)。
举例来说,人工智能模型中的基于神经网络的softmax分类器多分类方法可以参阅图4,如图4所示,神经网络包括输入层、特征层以,softmax分类器及分类概率结果。人工智能通过对输入层进行判断统计学习,再加以特征层的多重复杂对比学习,以及相应的概率计算,得到对于多结果的概率结果,该概率结果即为分类概率结果。如图4所示,输入层为一层,特征层为两层,softmax分类器为一层,分类概率结果为输出层,其中一共五层,但是,本图仅为举例说明,具体实施方式可以使用于类似的神经网络。上述softmax分类器也为神经网络的一层,用于解决多分类的问题,其中,举例来说,如果有重程度、中程度以及轻程度的话,可以理解为具有四个分类,而对于一个输入,人工智能模型会对该输入进行概率判断,以使概率结果对应上述四个分类,从而完成分类概率结果的输出。然而,在模型(人工智能模型,后续模型可以理解为人工智能模型)学习的过程中,这只是基本的学习方法,而非最终的学习结果,对此本实施例中不再多加赘述。
S206、以人工智能模型和分类概率结果为依据获取与所述分类概率结果对应的疾病类型;疾病类型至少包括白内障患病与否以及白内障患病程度深浅。
本实施例中,疾病类型可以包括是否有白内障、白内障范围大小、程度深浅、白内障位置等,对此本实施例中不作限定。
在本实施例中,白内障患病与否包括用户患有白内障和用户不患有白内障两种情况,而患病程度深浅是指白内障患病程度深,或者白内障患病程度浅,其中患病程度的深浅是预先确定好的。在人工智能模型中,贴有相应的标签,其标签内容为患病程度深,患病程度浅,标签内容可以为机器或者人为干预机器确定的,而本实施例中强调使用人工智能模型,可见,程度深浅是确定好的名词,本实施例中不再赘述;另一方面,对人工智能的建立过程本实施例中不作限定,因此人工智能的建立过程也不应对本方案构成限定。
本实施例中,患病程度深浅可以包括三个方面,其中,第一方面是透明度(透明度还可以分为两类,一类为透明,一类为不透明),第二方面是范围(该范围也可以分为两类,一类为大范围,一类为小范围),第三方面是位置(该位置也可以分为两类,一类为中央,一类为周围)。在本实施例中,患病程度深浅的三个方面,六个子分类可以作为人工智能模型训练的标签,以使人工智能模型可以根据该标签进行自主训练,从而具有对这些方面的理解与判断。
本实施例中,疾病类型中可以具有与之相对应的治疗建议,以使用户在获取到疾病类型的同时还可以得到相应的治疗建议。本实施例中,治疗建议可以包括两个分类,一者为需要手术的建议,一者为需要进行随访的建议。在本实施例中,人工智能模型的训练也可以包括上述两种建议的标签,以使人工智能模型可以建立起与疾病类型相对应的治疗建议数据库,从而得到对应的分析结果。
S207、匹配疾病类型对应的分析结果。
本实施例中,根据疾病类型,匹配内置的与疾病类型对应的分析结果。
实施这种实施方式,可以根据白内障疾病类型来匹配对应的分析结果,从而使得人工智能设备的输出准确且稳定,避免分析结果随着人工智能的迭代发生变化。
本实施例中,人工智能模型可以根据用户输入的病例图片进行分析,并根据分析结果进行人工智能模型的再学习与迭代,从而不断完善该人工智能模型。
在如图2所示的基于人工智能的白内障分析方法,首先获取白内障信息的病例图片,并对该病例图片进行预处理,得到相应的白内障区域图片,以使人工智能模型对白内障区域图片进行处理,得到相应的疾病类型(包括白内障程度深浅等信息),并根据疾病类型匹配得到对应的分析结果,并使用户可以得知分析结果,以便于及时就医或者即时放心。可见,实施图2所描述的方法,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
实施例3
请参阅图3,图3是本发明实施例提供的一种基于人工智能的白内障分析装置的结构示意图。
如图3所示,该基于人工智能的白内障分析装置,包括:
获取模块301,用于获取包括白内障信息的病例图片。
人工智能模块302,用于以人工智能模型为依据,对病例图片进行特征提取,得到至少一个特征;人工智能模型为预先训练好的。
人工智能模块302,还用于以人工智能模型为依据,对至少一个特征进行综合分类处理,得到分类概率结果。
人工智能模块302,还用于以人工智能模型和分类概率结果为依据进行结果匹配,得到分析结果。
作为一种可选的实施方式,人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;疾病标签包括白内障不同严重程度对应的透明度标签以及白内障范围大小对应的范围标签。
实施这种实施方式,可以具体化人工智能模型的来源,使得本方案不仅包括人工智能模型的使用,还包括人工智能模型的训练方法。
作为一种可选的实施方式,深度卷积神经网络的层数为7层,其中深度卷积神经网络至少包括卷积层、过采样层以及全连接层;其中,人工智能模型还使用了softmax分类器进行训练。
实施这种实施方式,可以通过7层神经网络来有效地进行智能学习,从而提高效率并且提高准确程度。
可见,本实施例所描述的基于人工智能的白内障分析装置,能够简单、快速、准确地确定出患者的白内障情况,并给予用户相应的答复,从而提高了用户就医的效率。
此外,本发明还提供了另外一种计算机设备,该计算机设备可以包括智能电话、平板电脑、车载电脑、智能穿戴设备等。该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行上述计算机程序,从而使计算机设备执行上述方法或者上述装置中的各个单元的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质,用于储存上述计算机设备中使用的计算机程序。
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,附图中的流程图和结构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,上述模块、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,结构图和/或流程图中的每个方框、以及结构图和/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或单元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,也可以两个或更多个模块集成形成一个独立的部分。
所描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(可以是智能手机、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描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-OnlyMemory)、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。
以上所描述的内容,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于人工智能的白内障分析方法,其特征在于,所述方法包括:
获取包括白内障信息的病例图片;
以人工智能模型为依据,对所述病例图片进行特征提取,得到至少一个特征;其中,所述人工智能模型为预先训练好的;
以所述人工智能模型为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果;
以所述人工智能模型和所述分类概率结果为依据进行结果匹配,得到分析结果。
2.根据权利要求1所述的白内障分析方法,其特征在于,所述人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;所述疾病标签包括白内障不同严重程度对应的透明度标签以及白内障范围大小对应的范围标签。
3.根据权利要求1所述的白内障分析方法,其特征在于,所述获取包括白内障信息的病例图片之后,所述方法还包括:
以所述白内障信息划分所述病例图片,得到白内障区域图片;
确定所述白内障区域图片为所述病例图片;
执行所述的以所述人工智能模型为依据,对所述病例图片进行特征提取,得到至少一个特征。
4.根据权利要求1所述的白内障分析方法,其特征在于,所述人工智能模型包括softmax分类器,其中,所述以所述人工智能模型为依据,对所述至少一个特征进行综合分类,得到分类概率结果,包括:
以所述人工智能模型中的softmax分类器为依据,对所述至少一个特征进行综合分类,得到分类概率结果。
5.根据权利要求1所述的白内障分析方法,其特征在于,所述以所述人工智能模型和所述分类概率结果为依据进行结果匹配,得到分析结果,包括:
以所述人工智能模型和所述分类概率结果为依据获取与所述分类概率结果对应的疾病类型;其中,所述疾病类型至少包括白内障患病与否以及白内障患病程度深浅;
匹配所述疾病类型对应的分析结果。
6.一种基于人工智能的白内障分析装置,其特征在于,所述白内障分析装置包括:
获取模块,用于获取包括白内障信息的病例图片;
人工智能模块,用于以人工智能模型为依据,对所述病例图片进行特征提取,得到至少一个特征;其中,所述人工智能模型为预先训练好的;
所述人工智能模块,还用于以所述人工智能模型为依据,对所述至少一个特征进行综合分类处理,得到分类概率结果;
所述人工智能模块,还用于以所述人工智能模型和所述分类概率结果为依据进行结果匹配,得到分析结果。
7.根据权利要求6所述的白内障分析装置,其特征在于,所述人工智能模型是依据多幅具有疾病标签的病例图片进行深度卷积神经网络训练形成的;所述疾病标签包括白内障不同严重程度对应的透明度标签以及白内障范围大小对应的范围标签。
8.根据权利要求7所述的白内障分析装置,其特征在于,所述深度卷积神经网络的层数为7层,其中所述深度卷积神经网络至少包括卷积层、过采样层以及全连接层;其中,所述人工智能模型还使用了softmax分类器进行训练。
9.一种计算机设备,其特征在于,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行根据权利要求1至5中任一项所述的白内障分析方法。
10.一种计算机可读存储介质,其特征在于,其存储有权利要求9所述的计算机设备中所使用的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726512.4A CN109036550A (zh) | 2018-07-04 | 2018-07-04 | 一种基于人工智能的白内障分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810726512.4A CN109036550A (zh) | 2018-07-04 | 2018-07-04 | 一种基于人工智能的白内障分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109036550A true CN109036550A (zh) | 2018-12-18 |
Family
ID=65521658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810726512.4A Pending CN109036550A (zh) | 2018-07-04 | 2018-07-04 | 一种基于人工智能的白内障分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109036550A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636796A (zh) * | 2018-12-19 | 2019-04-16 | 中山大学中山眼科中心 | 一种人工智能眼部图片分析方法、服务器和系统 |
CN111710396A (zh) * | 2020-06-05 | 2020-09-25 | 武汉华瓴医疗科技有限公司 | 一种医联体内白内障患者的控制系统与方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881683A (zh) * | 2015-05-26 | 2015-09-02 | 清华大学 | 基于组合分类器的白内障眼底图像分类方法及分类装置 |
CN107688815A (zh) * | 2017-08-31 | 2018-02-13 | 京东方科技集团股份有限公司 | 医学图像的分析方法和分析系统以及存储介质 |
CN108171707A (zh) * | 2018-01-23 | 2018-06-15 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的Mura缺陷等级评判方法及装置 |
-
2018
- 2018-07-04 CN CN201810726512.4A patent/CN109036550A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881683A (zh) * | 2015-05-26 | 2015-09-02 | 清华大学 | 基于组合分类器的白内障眼底图像分类方法及分类装置 |
CN107688815A (zh) * | 2017-08-31 | 2018-02-13 | 京东方科技集团股份有限公司 | 医学图像的分析方法和分析系统以及存储介质 |
CN108171707A (zh) * | 2018-01-23 | 2018-06-15 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的Mura缺陷等级评判方法及装置 |
Non-Patent Citations (1)
Title |
---|
ERPING LONG 等: "An artificial intelligence platform for the multihospital collaborative management of congenital cataracts", 《NATURE BIOMEDICAL ENGINEERING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636796A (zh) * | 2018-12-19 | 2019-04-16 | 中山大学中山眼科中心 | 一种人工智能眼部图片分析方法、服务器和系统 |
CN111710396A (zh) * | 2020-06-05 | 2020-09-25 | 武汉华瓴医疗科技有限公司 | 一种医联体内白内障患者的控制系统与方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tseng et al. | DNetUnet: a semi-supervised CNN of medical image segmentation for super-computing AI service | |
CN110689025B (zh) | 图像识别方法、装置、系统及内窥镜图像识别方法、装置 | |
CN109102494A (zh) | 一种后发性白内障图像分析方法及装置 | |
Vankdothu et al. | Adaptive features selection and EDNN based brain image recognition on the internet of medical things | |
Xu et al. | Fully deep learning for slit-lamp photo based nuclear cataract grading | |
Meena et al. | Image-based sentiment analysis using InceptionV3 transfer learning approach | |
CN112419326A (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
Ali et al. | Classification of glaucoma based on elephant-herding optimization algorithm and deep belief network | |
CN106709431A (zh) | 虹膜识别方法及装置 | |
CN114743037A (zh) | 一种基于多尺度结构学习的深度医学图像聚类方法 | |
Bhimavarapu et al. | Analysis and characterization of plant diseases using transfer learning | |
CN109036550A (zh) | 一种基于人工智能的白内障分析方法及装置 | |
Palaniswamy et al. | Internet of Things and Deep Learning Enabled Diabetic Retinopathy Diagnosis Using Retinal Fundus Images | |
Riaz et al. | A comprehensive joint learning system to detect skin cancer | |
Maitra et al. | Impact of convolutional neural network input parameters on classification performance | |
Nawaz et al. | Multi-class retinal diseases detection using deep CNN with minimal memory consumption | |
CN108806778A (zh) | 一种白内障病情监察方法及系统 | |
Dong et al. | White blood cell classification based on a novel ensemble convolutional neural network framework | |
Hao et al. | Iris segmentation using feature channel optimization for noisy environments | |
Anggoro et al. | Classification of Solo Batik patterns using deep learning convolutional neural networks algorithm | |
Hemanth et al. | Diabetic retinopathy diagnosis in retinal images using hopfield neural network | |
Obaid et al. | Age and Gender Classification from Retinal Fundus Using Deep Learning | |
Muthuraja et al. | An Explainable Approach for Detecting Potato Leaf Disease Using Ensemble Model | |
CN113378794A (zh) | 一种眼象与症状信息的信息关联方法 | |
Santos et al. | Generating photorealistic images of people's eyes with strabismus using Deep Convolutional Generative Adversarial Networks |
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: 20181218 |
|
RJ01 | Rejection of invention patent application after publication |