CN109344763A - 一种基于卷积神经网络的斜眼检测方法 - Google Patents

一种基于卷积神经网络的斜眼检测方法 Download PDF

Info

Publication number
CN109344763A
CN109344763A CN201811127832.4A CN201811127832A CN109344763A CN 109344763 A CN109344763 A CN 109344763A CN 201811127832 A CN201811127832 A CN 201811127832A CN 109344763 A CN109344763 A CN 109344763A
Authority
CN
China
Prior art keywords
strabismus
convolutional neural
neural networks
image
ocular
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
CN201811127832.4A
Other languages
English (en)
Inventor
范衠
黄龙涛
朱贵杰
郑策
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.)
Shanghai City Children Hospital
Original Assignee
Shantou University
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 Shantou University filed Critical Shantou University
Priority to CN201811127832.4A priority Critical patent/CN109344763A/zh
Publication of CN109344763A publication Critical patent/CN109344763A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种基于卷积神经网络的斜眼检测方法，包括：搜集斜眼图像，并建立由斜眼图像组成的斜眼图像库；利用常见的人脸数据库训练一个用于定位眼部区域的卷积神经网络，并确定卷积神经网络中的学习参数；利用东方人脸数据集OFD和斜眼图像库训练一个用于斜眼识别的卷积神经网络，并确定卷积神经网络中的学习参数；利用训练好的用于定位眼部区域的卷积神经网络定位斜眼图像库中斜眼图像的眼部区域；利用训练好的用于斜眼识别的卷积神经网络识别裁剪得到的眼部区域图像，输出斜眼检测的结果。本发明充分利用卷积神经网络的特征提取及特征学习能力，可以高效准确地判断人是否患有斜眼，有助于医生对斜眼疾病的诊断和治疗。

Description

一种基于卷积神经网络的斜眼检测方法
技术领域
本发明涉及图像处理及模式识别领域，特别是涉及基于卷积神经网络的斜眼检测方法。
背景技术
斜眼是一种眼部疾病，且多发生在幼年时期，它一般是由于眼部神经，大脑或者眼外肌发生问题而产生。斜眼对人的生活有严重的影响。一般患有斜眼的患者若没有得到合理的医治，会恶化发展成弱视眼，且一旦退化则会导致失明。同时，斜眼严重影响美观，可能使斜眼患者产生孤僻、自卑及反常的心理。
从上可知，斜眼检测对预防和治疗斜眼十分重要。目前，主要是人工实施对受试者斜眼的检测，一般受过训练的临床医师常使用“赫斯伯格测试法(Hirschberg test)”对受试者的眼睛进行评估，“赫斯伯格测试法”是用于检查眼睛的瞳孔在聚焦和注视到置于其正前方的目标上时是否对称的一项公认的、但是一种粗略的测试法。但是当受试者的每只眼睛具有很小的差异时，即使有经验的临床医师也容易将其忽视，而产生误判误诊等情况，且人工检测的方法效率不高。
在现有斜眼检测方法中，也存在利用基于传统图像处理的方法进行斜眼疾病的检测的报导，但利用传统图像处理的方法存在以下缺点：对斜眼图像条件要求苛刻，必须要有光线在瞳孔上反射产生焦点才可以进行斜眼识别；采用传统图像处理的方法，其过程较为复杂，效率偏低；斜眼识别的准确率低，可靠性差。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于卷积神经网络的斜眼检测方法，利用卷积神经网络的特征提取和特征学习能力对斜眼图像进行斜眼识别，以帮助提高医生对斜眼疾病的诊断效率。
为了解决上述技术问题，本发明实施例提供了一种基于卷积神经网络的斜眼检测方法，所述方法包括以下步骤：
S1：搜集斜眼图像，并建立由所述斜眼图像组成的斜眼图像库；
S2：利用常见的人脸数据库训练一个用于定位眼部区域的卷积神经网络，并确定所述卷积神经网络中的学习参数；
S3：利用东方人脸数据集OFD和所述斜眼图像库训练一个用于斜眼识别的卷积神经网络，并确定所述卷积神经网络中的学习参数；
S4：利用步骤S2中所述训练好的用于定位眼部区域的卷积神经网络定位所述斜眼图像库中斜眼图像的眼部区域；
S5：完成步骤S1中斜眼图像的眼部区域定位后，根据步骤S4中所得到的含有眼部区域定位框的四个顶点坐标，对框内图像沿四个顶点组成的四条外边进行裁剪，得到眼部区域图像；
S6：利用步骤S3中训练好的用于斜眼识别的卷积神经网络识别步骤S5中裁剪得到的眼部区域图像，输出斜眼检测的结果。
进一步的，所述步骤S2以及步骤S3中，用于定位眼部区域以及斜眼识别的卷积神经网络的训练，包括：
卷积神经网络的结构建立和卷积神经网络的参数学习；步骤S2中训练所采用的图像样本来源于Labeled Faces in the Wild，LPFW24，Helen25和AFW四个人脸数据库；步骤S3中训练采用的图像样本来源于东方人脸数据集OFD和斜眼图像库两个数据库。
其中，卷积神经网络的结构建立，包括：
确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。
其中，卷积神经网络的参数学习，是指：
通过不断降低损失函数的函数值来学习深度卷积神经网络的参数，其中，用于定位眼部区域的卷积神经网络的损失函数L({pi}，{ti})为：
其中，i表示卷积神经网络中第i个锚点，pi为第i个锚点为眼部区域的预测概率，如果锚点为正则标签的真实值为1，锚点为负则为0，当为1时，回归损失函数Lreg被激活；ti为包含定位框四个顶点坐标参数的向量，为定位框的真实值；Lcls为两个类(目标以及非目标)的log损失函数；Lreg表示定位框的回归损失函数取为其中R为1范数损失函数。
用于斜眼识别的卷积神经网络的损失函数l为：
其中，g和分别表示图像属于斜眼的真实值和预测值，g＝1表示图像属于斜眼，g＝0则为非斜眼，预测值表示属于斜眼的预测概率，分布在[0，1]之间；每张图像的大小为N×W×H，其中N表示输出的类别数目，W和H表示图像的宽和高，n表示像素(i，j)的真实标记。
进一步的，所述步骤S6中，针对步骤S4中利用训练好的用于定位眼部区域的卷积神经网络对图像进行眼部区域定位后，得到一个含有眼部区域的定位框。所述步骤S5中裁剪所述斜眼图像的眼部区域，具体为根据步骤S4中所得到的含有眼部区域定位框的四个顶点坐标，对框内图像沿四个顶点组成的四条外边进行裁剪，得到眼部区域图像。
实施本发明实施例，具有如下有益效果：本发明基于卷积神经网络的斜眼检测方法在训练用于定位眼部区域的卷积神经网络使用到了Labeled Faces in the Wild，LPFW24，Helen25和AFW四个常见的人脸数据库，保证了数据的多样性，用于提高卷积神经网络定位眼部区域的准确性；在训练用于斜眼识别的卷积神经网络时使用了东方人脸数据集OFD，以提高对东方人种的斜眼检测结果的可靠性。本发明结合两种不同的卷积神经网络，利用卷积神经网络的强有的特征学习和特征提取能力，可以高效准确地判断人是否患有斜眼，从而帮助医生提高诊断斜眼疾病的效率。
附图说明
图1为本发明基于卷积神经网络的斜眼检测方法的流程图；
图2为本发明的方法进行眼部裁剪的流程示意图；
图3为本发明实施例所使用的用于定位眼部区域的卷积神经网络的整体结构图；
图4为本发明实施例所使用的用于斜眼识别的卷积神经网络的整体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
请参阅图1，本发明提供基于卷积神经网络的斜眼检测方法，该方法包括以下步骤：
S1：整理从某医院拍摄、网上斜眼社区等途径搜集的斜眼图像，并建立由斜眼图像组成的斜眼图像库。在本实施例中，斜眼图像库包含1148张斜眼患者的图像，东方人脸数据集OFD包含1245张正常人的图像。
S2：利用Labeled Faces in the Wild，LPFW24，Helen25和AFW四个常见的人脸数据库训练一个用于定位眼部区域的卷积神经网络，利用东方人脸数据集OFD和斜眼图像库训练一个用于斜眼识别的卷积神经网络，并确定所述两个卷积神经网络中的学习参数。
两种卷积神经网络的训练均包括卷积神经网络的结构建立和卷积神经网络的参数学习；训练用于定位眼部区域的网络采用的图像样本来源于Labeled Faces in theWild，LPFW24，Helen25和AFW四个人脸数据库，训练用于斜眼识别的网络采用的图像样本来源于东方人脸数据集OFD和斜眼图像库。用于定位眼部区域的卷积神经网络完成对图像中眼部区域的定位，并把定位框内图像进行裁剪，得到眼部区域图像，输入到用于斜眼识别的卷积神经网络，输出斜眼检测结果。两种卷积神经网络的结构建立均包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。
本发明实施例所使用的用于定位眼部区域的卷积神经网络结构请参阅图3，其所使用的目标检测方法为Faster－RCNN，主要结构为眼部区域候选框网络，用于眼部区域的定位，向该卷积神经网络输入斜眼图像库中的斜眼图像，输出为带有眼部区域定位框的斜眼图像；利用用于斜眼识别的卷积神经网络进行斜眼识别的流程图请参阅图4，其使用GoogLenet Inception＿V3卷积神经网络结构，向该卷积神经网络输入上述眼部区域定位框内裁剪得到的眼部区域图像，输出为是否患有斜眼的检测结果。
卷积神经网络的参数学习是指通过不断降低损失函数的函数值来学习深度卷积神经网络的参数，其中，用于定位眼部区域的卷积神经网络的损失函数L({vt}，{lt})为：
其中，i表示卷积神经网络中第i个锚点，pi为第i个锚点为眼部区域的预测概率，如果锚点为正则标签的真实值为1，锚点为负则为0，当为1时，回归损失函数Lrag被激活；ti为包含定位框四个顶点坐标参数的向量，为定位框的真实值；Lcls为两个类(目标以及非目标)的log损失函数；LroB表示定位框的回归损失函数取为其中R为1范数损失函数。用于定位眼部区域的卷积神经网络的学习速率设为0.001，迭代的次数设为100000。
用于斜眼识别的卷积神经网络的损失函数l为：
其中，g和分别表示图像属于斜眼的真实值和预测值，g＝1表示图像属于斜眼，g＝0则为非斜眼，预测值表示属于斜眼的预测概率，分布在[0，1]之间；每张图像的大小为N×W×H，其中N表示输出的类别数目，W和H表示图像的宽和高，n表示像素(t，f)的真实标记。用于斜眼识别的卷积神经网络的学习速率设为0.001，迭代的次数设为100000。
S3：利用东方人脸数据集OFD和所述斜眼图像库训练一个用于斜眼识别的卷积神经网络，并确定所述卷积神经网络中的学习参数针对东方人的特点，在本实施例中，在训练用于斜眼识别的卷积神经网络时使用了东方人脸数据集OFD，以提高对东方人种的斜眼检测结果的可靠性。
S4：利用步骤S2中所述训练好的用于定位眼部区域的卷积神经网络定位所述斜眼图像库中斜眼图像的眼部区域；
S5：完成步骤S1中斜眼图像的眼部区域定位后，根据步骤S4中所得到的含有眼部区域定位框的四个顶点坐标，对框内图像沿四个顶点组成的四条外边进行裁剪，得到眼部区域图像；
S6：利用步骤S3中训练好的用于斜眼识别的卷积神经网络识别步骤S5中裁剪得到的眼部区域图像，输出斜眼检测的结果。本发明实施例在斜眼数据库上进行了测试，测试结果为：准确率为0.9853，召回率(也称为敏感度)为1，其中准确率用于描述方法的整体效果，召回率用于描述方法对斜眼案例的查全效果。
从最终的结果显示，利用本发明能够有效地进行斜眼检测，提高医生诊断斜眼的效率。为了准确高效地裁剪斜眼图像中的眼部区域，在本发明中，我们使用了两个卷积神经网络，第一个卷积神经网络利用了四个人脸数据库训练了一个用于定位眼部区域的卷积神经网络实现对眼部区域的定位，并把定位框内图像裁剪得到眼部区域图像，输入到第二个卷积神经网络，第二个卷积神经网络利用了从上海儿童医院拍摄、网上斜眼社区等途径搜集的斜眼图像数据库和东方人脸数据集OFD训练了一个用于斜眼识别的卷积神经网络实现斜眼识别，可以很好地判断图像是否属于斜眼。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于卷积神经网络的斜眼检测方法，其特征在于，包括以下步骤：
S1：搜集斜眼图像，并建立由所述斜眼图像组成的斜眼图像库；
S2：利用常见的人脸数据库训练一个用于定位眼部区域的卷积神经网络，并确定所述卷积神经网络中的学习参数；
S3：利用东方人脸数据集和所述斜眼图像库训练一个用于斜眼识别的卷积神经网络，并确定所述卷积神经网络中的学习参数；
S4：利用步骤S2中所述训练好的用于定位眼部区域的卷积神经网络定位所述斜眼图像库中斜眼图像的眼部区域；
S5：对步骤S4中所得到的眼部区域进行裁剪；
S6：利用步骤S3中训练好的用于斜眼识别的卷积神经网络识别步骤S5中裁剪得到的眼部区域图像，输出斜眼检测的结果。
2.根据权利要求1所述基于卷积神经网络的斜眼检测方法，其特征在于：所述搜集斜眼图像所得到的图像为含有人脸正面照的图像，所述人脸正面照中眼部区域含有一只或两只眼睛。
3.根据权利要求1所述基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S2以及步骤S3中，用于定位眼部区域以及斜眼识别的两个卷积神经网络的训练均包括卷积神经网络的结构建立和卷积神经网络的参数学习。
4.根据权利要求3所述基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S2中，所述的神经网络是用于对眼部区域的定位；所述步骤S4中对斜眼图像的眼部区域进行定位，并在步骤S5中把定位框内眼部区域图像进行裁剪，得到眼部区域图像；所述步骤S6中利用步骤S3中的训练好的卷积神经网络对眼部区域图像进行斜眼识别。
5.根据权利要求3所述基于卷积神经网络的斜眼检测方法，其特征在于：用于定位眼部区域以及用于斜眼识别的卷积神经网络的结构建立均包括确定神经网络卷积层的层数和每个卷积层的特征图数、反卷积层的层数和每个反卷积层的特征图数、全连接层的层数和每个全连接层的特征图数、池化层的层数、卷积层所用的卷积核的大小、反卷积层所用的反卷积核的大小、池化层所用的采样核的大小，还有训练步长。
6.根据权利要求3所述基于卷积神经网络的斜眼检测方法，其特征在于：用于定位眼部区域以及用于斜眼识别的卷积神经网络的参数学习均是通过不断降低损失函数的函数值来学习得到深度卷积神经网络的参数，其中，用于定位眼部区域的卷积神经网络的损失函数L({pi}，{ti})为：
其中，i表示卷积神经网络中第i个锚点，pi为第i个锚点为眼部区域的预测概率，如果锚点为正则标签的真实值为1，锚点为负则为0，当为1时，回归损失函数Lreg被激活；ti为包含定位框四个顶点坐标参数的向量，为定位框的真实值；Lcls为两个类(目标以及非目标)的log损失函数；Lreg表示定位框的回归损失函数，取为其中R为1范数损失函数。
用于斜眼识别的卷积神经网络的损失函数l为：
其中，g和分别表示图像属于斜眼的真实值和预测值，
g＝1表示图像属于斜眼，g＝0则为非斜眼，预测值表示属于斜眼的预测概率，分布在[0，1]之间；每张图像的大小为N×W×H，其中N表示输出的类别数目，W和H表示图像的宽和高，
n表示像素(i，j)的真实标记。
7.根据权利要求1－6任一项所述的基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S4中利用训练好的用于定位眼部区域的卷积神经网络对斜眼图像进行眼部区域定位后，得到一个含有眼部区域的定位框。
8.根据权利要求7所述的基于卷积神经网络的斜眼检测方法，其特征在于：所述步骤S5中裁剪所述斜眼图像的眼部区域，具体为根据步骤S4中所得到的含有眼部区域定位框的四个顶点坐标，对框内图像沿四个顶点组成的四条外边进行裁剪，得到眼部区域图像。
CN201811127832.4A 2018-09-26 2018-09-26 一种基于卷积神经网络的斜眼检测方法 Pending CN109344763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811127832.4A CN109344763A (zh) 2018-09-26 2018-09-26 一种基于卷积神经网络的斜眼检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811127832.4A CN109344763A (zh) 2018-09-26 2018-09-26 一种基于卷积神经网络的斜眼检测方法

Publications (1)

Publication Number Publication Date
CN109344763A true CN109344763A (zh) 2019-02-15

Family

ID=65307054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811127832.4A Pending CN109344763A (zh) 2018-09-26 2018-09-26 一种基于卷积神经网络的斜眼检测方法

Country Status (1)

Country Link
CN (1) CN109344763A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084191A (zh) * 2019-04-26 2019-08-02 广东工业大学 一种眼部遮挡检测方法及系统
CN110111316A (zh) * 2019-04-26 2019-08-09 广东工业大学 基于眼部图像识别弱视的方法及系统
CN110929723A (zh) * 2019-11-20 2020-03-27 汕头大学 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN112381012A (zh) * 2020-11-18 2021-02-19 中山大学中山眼科中心 眼部图像中目标区域的识别方法、装置及电子设备
CN112560709A (zh) * 2020-12-18 2021-03-26 汕头大学 一种基于辅助学习的瞳孔检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140044321A1 (en) * 2012-08-10 2014-02-13 EyeVerify LLC Spoof Detection for Biometric Authentication
CN107194346A (zh) * 2017-05-19 2017-09-22 福建师范大学 一种汽车疲劳驾驶预测方法
CN108416772A (zh) * 2018-03-07 2018-08-17 汕头大学 一种基于级联卷积神经网络的斜眼检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140044321A1 (en) * 2012-08-10 2014-02-13 EyeVerify LLC Spoof Detection for Biometric Authentication
CN107194346A (zh) * 2017-05-19 2017-09-22 福建师范大学 一种汽车疲劳驾驶预测方法
CN108416772A (zh) * 2018-03-07 2018-08-17 汕头大学 一种基于级联卷积神经网络的斜眼检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084191A (zh) * 2019-04-26 2019-08-02 广东工业大学 一种眼部遮挡检测方法及系统
CN110111316A (zh) * 2019-04-26 2019-08-09 广东工业大学 基于眼部图像识别弱视的方法及系统
CN110084191B (zh) * 2019-04-26 2024-02-23 广东工业大学 一种眼部遮挡检测方法及系统
CN110929723A (zh) * 2019-11-20 2020-03-27 汕头大学 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN110929723B (zh) * 2019-11-20 2022-12-02 汕头大学 一种基于卷积神经网络的变电站指针式仪表的识别方法
CN112381012A (zh) * 2020-11-18 2021-02-19 中山大学中山眼科中心 眼部图像中目标区域的识别方法、装置及电子设备
CN112560709A (zh) * 2020-12-18 2021-03-26 汕头大学 一种基于辅助学习的瞳孔检测方法及系统
CN112560709B (zh) * 2020-12-18 2023-07-25 汕头大学 一种基于辅助学习的瞳孔检测方法及系统

Similar Documents

Publication Publication Date Title
CN110010219B (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
CN109344763A (zh) 一种基于卷积神经网络的斜眼检测方法
CN108416772A (zh) 一种基于级联卷积神经网络的斜眼检测方法
CN110570421B (zh) 多任务的眼底图像分类方法和设备
CN104809480B (zh) 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法
CN110097545A (zh) 基于深度学习的眼底图像生成方法
CN110516685A (zh) 基于卷积神经网络的晶状体浑浊程度检测方法
CN110428421A (zh) 黄斑图像区域分割方法和设备
Kauppi Eye fundus image analysis for automatic detection of diabetic retinopathy
CN106060142A (zh) 一种能够检查视力的手机及使用其进行视力检查的方法
CN109508644A (zh) 基于深度视频数据分析的面瘫等级评估系统
CN107403142A (zh) 一种微表情的检测方法
CN102567734B (zh) 基于比值的视网膜细小血管分割方法
CN112101424B (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN107007257A (zh) 面部不自然度的自动评级方法和装置
KR20190105180A (ko) 합성곱 신경망 기반의 병변 진단 장치 및 방법
CN109961848A (zh) 黄斑图像分类方法和设备
CN110309813A (zh) 一种基于深度学习的人眼状态检测的模型训练方法、检测方法、装置、移动端设备及服务器
Firke et al. Convolutional neural network for diabetic retinopathy detection
CN110599480A (zh) 多源输入的眼底图像分类方法和设备
CN111179258A (zh) 一种识别视网膜出血图像的人工智能方法及系统
CN110415245A (zh) 眼部数据确定方法、模型训练方法及设备
CN114445666A (zh) 基于深度学习眼底图像左右眼及视野位置分类方法及系统
CN114334124A (zh) 一种基于深度神经网络的病理性近视检测系统
Sadhukhan et al. Optic disc localization in retinal fundus images using faster R-CNN

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zheng Ce

Inventor after: Fan Xiao

Inventor after: Huang Longtao

Inventor after: Zhu Guijie

Inventor before: Fan Xiao

Inventor before: Huang Longtao

Inventor before: Zhu Guijie

Inventor before: Zheng Ce

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20191115

Address after: 200062 No. 355, Luding Road, Shanghai, Putuo District

Applicant after: Shanghai City Children Hospital

Applicant after: Shantou Univ.

Address before: 515000 No. 243, University Road, Shantou, Guangdong

Applicant before: Shantou Univ.

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

Application publication date: 20190215