CN109447962A - 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 - Google Patents
一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 Download PDFInfo
- Publication number
- CN109447962A CN109447962A CN201811226566.0A CN201811226566A CN109447962A CN 109447962 A CN109447962 A CN 109447962A CN 201811226566 A CN201811226566 A CN 201811226566A CN 109447962 A CN109447962 A CN 109447962A
- Authority
- CN
- China
- Prior art keywords
- image
- eye fundus
- fundus image
- network
- hard exudate
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 46
- 210000000416 exudates and transudate Anatomy 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 title claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims 1
- 238000007906 compression Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 23
- 238000012545 processing Methods 0.000 abstract description 8
- 229920000742 Cotton Polymers 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 7
- 238000012216 screening Methods 0.000 abstract description 7
- 210000003733 optic disk Anatomy 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 6
- 231100000915 pathological change Toxicity 0.000 description 6
- 230000036285 pathological change Effects 0.000 description 6
- 208000017442 Retinal disease Diseases 0.000 description 3
- 206010038923 Retinopathy Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 208000006550 Mydriasis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
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
-
- G06T5/92—
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于卷积神经网络的眼底图像硬性渗出物检测方法，该方法包括：1)对眼底图像进行预处理，通过Gamma校正算法增强图像对比度；2)对图像进行分块处理以扩充数据；3)将DRIVE、MESSIDOR数据库中专家手动标注的病变结果作为监督数据，使用调整后的VGG‑16网络对分块图像进行训练，同时引入通道加权模块，以学习的方式显式地建立特征通道的依赖关系；4)用训练好的网络模型对眼底图像中硬性渗出物病变进行检测。与传统方案相比，本发明方法避免了复杂的图像处理过程，不会受到眼底视盘和棉絮斑对硬性渗出物病变的影响，实现了硬性渗出物病变高精度检测，可广泛地用于眼底硬性渗出物自动筛查领域。
Description
技术领域
本发明涉及一种基于卷积神经网络的眼底图像硬性渗出物检测方法，在灵敏度、特异性以及准确性方面比传统算法更优，具有较好的眼底硬性渗出物病变检测性能，属于图像处理、医学病变检测、深度学习领域。
背景技术
糖尿病性视网膜病变(Diabetic retinopathy，DR)是糖尿病最为常见的眼部并发症，是目前20-65岁成人出现新型失明的主要原因，对糖尿病患者而言，由于疾病初期征兆无明显症状，直至患者自觉不适就诊时大多已视觉受损，因此视网膜病变的及早发现对降低患者眼部失明几率至关重要。然而目前医学眼科专家较少，检查效率低下，未能全面筛查。计算机辅助筛查系统是提高眼底病变筛查效率的有利工具，其中视网膜病变特征检测是关键环节，硬性渗出物(hard exudates，HE)是视网膜病变中早期较为明显的病变特征，也是计算机辅助筛查系统中需要检测的关键部分。
目前HE的检测算法主要分为两类：一类是先分割眼底图像关键结构，然后检测HE病变。包括基于阈值的方法、基于形态学的方法、基于纹理分割的方法、基于水平集方法等；另一类是先提取图像特征，利用机器学习算法对目标进行分类，从而检出HE病变结构，主要包括贝叶斯分类器、支持向量机、传统神经网络等方法。但现有的算法存在两个较大的问题。首先，眼底图像中视盘和棉絮斑严重干扰HE检测，多数算法仅考虑其中一个结构对HE检测的影响，无法同时解决视盘和棉絮斑等对HE的影响，算法准确性难以提升。其次，很多算法能够定位到HE，但对HE的分割精度不高，因此这些算法只做出了图像级的结果评测，针对像素级的检测精度难以提高。
深度学习是机器学习的一个分支，其在图像识别、目标侦测等领域的应用发展迅速，表现出惊人的准确性。与传统算法相比，基于深度学习方法效率高、可靠性好、可塑性强。针对目前医院眼底病变筛查效率低下、传统算法精确度低等缺点，将深度学习方法应用于眼底图像硬性渗出物检测，对提高眼底硬性渗出物病变检测的准确性具有重要意义。
本发明运用深度学习方法，对VGG-16网络进行适当调整，将图像级别的分类进一步延伸到像素级别分类，保证了检测目标的准确性，重点区分硬性渗出物与视盘和其他病变，提高病变像素级别分割精度，为眼底图像的硬性渗出物病变检测自动筛查提供可靠方案。
发明内容
本发明提出了一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，该方法引进了Gamma校正算法，通过Gamma校正算法增强眼底图像对比度；引进了调整后的VGG-16网络结构，考虑到特征通道之间的相互依赖关系，引入通道加权模块，以学习的方式显示地建立特征通道的依赖关系；提取多尺度超列特征并优化网络残差模块，通过训练获得更优的网络模型；用训练好的网络模型对眼底图像进行硬性渗出物病变检测，结果可得，该网络避免了复杂的图像处理过程，不会受到眼底视盘和棉絮斑对硬性渗出物病变的影响，达到硬性渗出物病变高精度检测。实现本发明的技术方案，包括下列步骤：
步骤1：为全面检测不同眼底图像中的硬性渗出物，首先收集正常眼底图像和带有不同种类不同病变程度的眼底图像，包括DRIVE和MESSIDOR数据库的眼底病变图像和通过眼底相机随机采集的正常眼底图像作为样本数据，图像中的病变种类有出血点、棉絮斑、硬性渗出物，图像的病变程度包括轻度、中度、重度；
步骤2：对DRIVE、MESSIDOR数据库中眼底硬性渗出物病变图像与正常眼底图像进行初步整理，包括专家手动标注与病变分级，通过Gamma校正对眼底图像进行对比度增强达到眼底图像预处理；
步骤3：对预处理后的眼底病变与非病变图像进行分块处理，归一化为224×224的相同尺寸，作为后续网络训练数据；
步骤4：通过引入通道加权结构、多尺度特征结构与优化的残差模块来改进VGG-16网络结构，其中训练图像中的原图为归一化的眼底图像，专家手动标注的眼底图像作为训练监督图像，将其输入到优化后的VGG-16网络中，训练时通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；
步骤5：用训练好的网络模型对眼底图像中硬性渗出物病变进行检测，输出检测结果。
与现有技术相比，本发明的有益效果是：
通过深度学习方法，避免了复杂的图像处理过程，不会受到眼底视盘结构或者棉絮斑病变对眼底硬性渗出物检测的影响，且对新样本的适应能力强，可以实现高精度分类。
另外，与传统算法相比，不仅简化了图像处理过程，其准确率达到0.9877，高于Fraz传统算法(0.8772)和传统CNN算法(0.9446)的精确率。测试结果表明，本发明对眼底图像中硬性渗出物病变具有良好的检测效果。
附图说明
图1总体框架示意图，即摘要附图；
图2Gamma校正算法处理原图与结果图；
图2(a)为原始图像；
图2(b)为Gamma校正算法处理结果图像；
图3归一化分块处理的眼底病变图像与专家手动标注图像(224×224)；
图3(a)为眼底原始分块图像；
图3(b)为专家手动标注病变分块图像；
图4网络测试结果图像；
图4(a)为拼接后测试图像原图；
图4(b)为拼接后测试图像结果图；
图5SE模块示意图；
图6改进的VGG-16网络结构图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细地描述。
本发明的总体框架示意图如图1所示，首先对DRIVE、MESSIDOR数据库和眼底相机采集的图像进行初步整理、专家手动病变标注与病变分级，通过Gamma校正增强图像对比度使图像更适应于网络训练；对预处理图像进行归一化裁剪以适应网络训练数据规模，增强准确性；通过引入通道加权结构、多尺度特征结构与优化的残差模块来改进VGG-16网络结构，其中训练图像中的原图为归一化的眼底图像，专家手动标注的眼底图像作为训练监督图像，将其输入到优化后的VGG-16网络中，训练时通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；利用最优网络训练模型，对未经过训练的眼底图像进行测试，将眼底硬性渗出物病变检测结果与专家标注图像比对，检验该网络对眼底图像中硬性渗出物病变的检测性能。
下面结合附图，对本发明技术方案的具体实施过程加以说明。
1.实验对象
本发明的眼底图像数据集包括公开数据库DRIVE、MESSIDOR数据库的眼底图像和免散瞳眼底相机随机采集的眼底图像，共有213张图像。图像尺寸大小不一，具体眼底尺寸包括：1060×960、1500×1152、1360×1024、1444×1444、1588×1488、1636×1536(单位为像素)，每张测试集与训练集图像都经过专家指导标注病变区域且病变标注细化到像素级别。训练集中原始图像与病变标注图像都输入到网络中，检测图像不作为训练集图像进行训练，通过网络模型将网络输出结果与专家标注图像进行比对，判断该网络对眼底图像中硬性渗出物病变的检测性能。
2.图像预处理
2.1图像校正
如说明附图中图2所示，图像校正算法旨在提升图像质量，使图像内容更加清晰，为后续工作做好准备。在采集的213幅眼底图像中，由于光照不均衡以及拍摄过程中眼部移动导致图像质量不佳、图像过暗且对比度低的情况，通过Gamma校正算法，提高图像的动态范围，实现对比度拉伸并增强图像对比度。
2.2数据分块
数据规模对训练网络的性能影响很大，为了眼底图像更加适应于网络训练要求，将每幅图像进行分块，归一化为224×224的相同尺寸，作为后续网络训练数据。如说明附图3所示，图3(a)为训练图像中部分已分块为224×224的眼底原图，图3(b)为训练图像中专家手动标注的分块为224×224的眼底标注图。
3.改进的VGG-16网络
3.1通道加权结构
为了提升网络性能，在VGG-16网络的基础上引入通道加权模块(Squeeze-and-Excitation Module，SE)，通过显式地建立特征通道之间的相互依赖关系。通道加权模块不用引入新的空间维度来进行特征通道间的融合，而是采用一种全新的“特征重标定”策略，即通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。
SE模块的具体实现介绍如下：1)利用全局平均池化(global average pooling)对卷积层输出的各个通道特征进行压缩，得到输入特征的全局感受野信息；2)采用含有sigmoid激活函数的门限机制，在门限机制中设置两个全连接层(fully connected layer，FC)，第一个FC将输入特征降维至原来的1/16，然后通过一个修正线性单元(RectifiedLinear Units，ReLU)进行修正，将修正后结果利用第二个FC恢复网络维度。两个全连接层与一个全连接层相比，不仅引入了非线性结构增加了非线性信息，并且减少了参数量与计算量，减少了网络的参数负荷；3)将全连接层与sigmoid函数相连，通过sigmoid函数将权重归一化到0至1之间，最后加权到每个特征通道的原始特征上，完成对原始特征的重新标定。SE模块结构图如图5所示。
SE模块相比其他网络结构模块更加简单且容易与深度卷积网络相连，不需要引入新的层或者函数，通过特征通道之间的依赖关系进行建模，以学习的方式对各个特征通道进行调整，在模型和计算复杂度上都表现出了良好的性能。
3.2多尺度特征
由于神经网络中的较高的卷积层通常与捕获高级全局上下文的接受域相关联，大多使用网络最后一层的输出作为特征表示。但是这些特征通常会丢失低级细节，针对此问题，改进方法为从多个层中提取多尺度特征的预测器。
hp(X)＝[c1(p)，c2(p)，...，cM(p)]表示针对像素p计算的多尺度超列特征，其中ci(p)表示以像素p为中心的第i层卷积响应的特征向量，并且将其显式地依赖于X以减少噪声，用移位与缝合将卷积滤波器转换为扩张、去卷积操作，利用多尺度特征以及滤波器相应的稀疏按需上采样，可以减少学习期间的内存占用。
3.3改进的VGG-16网络结构
本发明以VGG-16网络为基础，VGG-16网络具有13个卷积层和3个全连接层，卷积层被表示为{11，12，21，22，31，32，33，41，42，43，51，52，53}，本发明将VGG-16网络与SE模块相结合，身份特征映射可以避免梯度的消失或者爆炸，将网络进行深化可以提取更高层次的特征并考虑信道间的关系对信道进行加权。
在眼底硬性渗出物病变检测中，由于目标数据集相对较小，预训练的VGG-16在许多分割任务中都有较强的能力，因此本文采用迁移学习对眼底病变进行训练。利用VGG-16的卷积层对预训练模型进行加载，在此基础上添加5个SE模块，分别表示为{61，62，63，71，72，73，81，82，83，91，92，93，101，102，103}。
本发明同样优化了残差模块，引入通道加权内，将两个卷积层替换，即两个3×3的卷积层被替换成1×1+3×3+1×1，替换后的卷积层维数先减小到1×1，然后再进行卷积恢复，在保证精度的前提下也减少了复杂的计算。由于相邻层内容有很强的相关性，我们在构造多尺度特征来建立预测时可以间隔地将其插入网络中，本发明从{conv13，conv23，conv33，conv43，conv53，SERes63，SERes73，SERes83，SERes93，SERes103}中提取超列特征。改进的VGG-16网络结构如图6所示。
本发明将通道加权结构和优化的残差模块应用于VGG-16网络中，通过验证可以得出该结构对眼底图像中硬性渗出物病变的分割具有良好的分辨性，实现了硬性渗出物病变高精度检测，可广泛地用于眼底硬性渗出物自动筛查领域。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (6)
1.一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，包括下列步骤：
步骤1：收集眼底图像作为样本数据；
步骤2：利用Gamma校正算法对眼底样本数据进行预处理；
步骤3：分块处理眼底图像，归一化为224×224的相同尺寸，作为后续网络训练数据；
步骤4：设置损失函数理想值，通过引入通道加权、多尺度特征结构与优化的残差模块来改进VGG-16网络结构，将原图与监督图像输入网络中，训练中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；
步骤5：利用最优网络模型对眼底图像中硬性渗出物病变进行检测，输出检测结果。
2.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤1中，为全面检测不同眼底图像中的硬性渗出物病变，首先收集正常眼底图像和带有不同种类不同病变程度的眼底图像，并将DRIVE和MESSIDOR数据库中专家手动标注的眼底硬性渗出物病变图像作为监督样本数据。
3.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤2中，利用Gamma校正算法提高图像的动态范围，增强图像对比度。
4.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤4中，1)通道加权模块利用全局平均池化对卷积层输出的各个通道特征进行压缩，得到输入特征的全局感受野信息；2)采用含有sigmoid激活函数的门限机制，为了增强网络的泛化能力，在门限机制中设置两个全连接层FC，第一个FC将输入特征降维至原来的1/16，通过一个线性修正单元ReLU进行修正，将修正后结果利用第二个FC恢复网络维度；3)将全连接层与sigmoid函数相连，通过sigmoid函数将权重归一化到0至1之间，最后加权到每个特征通道的原始特征上，完成对原始特征的重新标定。
5.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤4中，从多个卷积层中针对相同像素p计算多尺度超列特征hp(X)，hp(X)＝[c1(p)，c2(p)，...，cM(p)]，ci(p)表示以像素p为中心的第i层卷积响应的特征向量，利用多尺度特征以及滤波器相应的稀疏按需上采样，减少学习期间的内存占用。
6.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤4中，以VGG-16网络为基础，通过将残差模块中两个3×3的卷积层替换成1×1+3×3+1×1进行残差优化，替换后的卷积层维数先减小到1×1再进行卷积恢复，以减少计算；在构造多尺度特征建立预测时，通过按需插值从{conv13，conv23，conv33，conv43，conv53，SERes63，SERes73，SERes83，SERes93，SERes103}中提取超列特征，减少网络复杂度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811226566.0A CN109447962A (zh) | 2018-10-22 | 2018-10-22 | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811226566.0A CN109447962A (zh) | 2018-10-22 | 2018-10-22 | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447962A true CN109447962A (zh) | 2019-03-08 |
Family
ID=65547682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811226566.0A Pending CN109447962A (zh) | 2018-10-22 | 2018-10-22 | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447962A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934823A (zh) * | 2019-03-25 | 2019-06-25 | 天津工业大学 | 一种基于深度学习的dr眼底图像黄斑水肿分级方法 |
| CN109948719A (zh) * | 2019-03-26 | 2019-06-28 | 天津工业大学 | 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 |
| CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
| CN110298849A (zh) * | 2019-07-02 | 2019-10-01 | 电子科技大学 | 基于眼底图像的硬性渗出分割方法 |
| CN110298831A (zh) * | 2019-06-25 | 2019-10-01 | 暨南大学 | 一种基于分块深度学习的医学图像处理系统及其方法 |
| CN110490876A (zh) * | 2019-03-12 | 2019-11-22 | 珠海上工医信科技有限公司 | 一种用于图像分割的轻量级神经网络 |
| CN111445418A (zh) * | 2020-03-31 | 2020-07-24 | 联想(北京)有限公司 | 图像去雾处理方法、装置及计算机设备 |
| CN111753820A (zh) * | 2019-03-27 | 2020-10-09 | 天津工业大学 | 一种基于深度学习的彩色眼底图像视杯分割方法 |
| CN112101117A (zh) * | 2020-08-18 | 2020-12-18 | 长安大学 | 一种高速公路拥堵识别模型构建方法和装置及识别方法 |
| CN112950737A (zh) * | 2021-03-17 | 2021-06-11 | 中国科学院苏州生物医学工程技术研究所 | 基于深度学习的眼底荧光造影图像生成方法 |
| CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679502A (zh) * | 2017-10-12 | 2018-02-09 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像语义分割的人数估计方法 |
| CN108133235A (zh) * | 2017-12-21 | 2018-06-08 | 中通服公众信息产业股份有限公司 | 一种基于神经网络多尺度特征图的行人检测方法 |
| CN108229381A (zh) * | 2017-12-29 | 2018-06-29 | 湖南视觉伟业智能科技有限公司 | 人脸图像生成方法、装置、存储介质和计算机设备 |
| CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
-
2018
- 2018-10-22 CN CN201811226566.0A patent/CN109447962A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679502A (zh) * | 2017-10-12 | 2018-02-09 | 南京行者易智能交通科技有限公司 | 一种基于深度学习图像语义分割的人数估计方法 |
| CN108133235A (zh) * | 2017-12-21 | 2018-06-08 | 中通服公众信息产业股份有限公司 | 一种基于神经网络多尺度特征图的行人检测方法 |
| CN108229381A (zh) * | 2017-12-29 | 2018-06-29 | 湖南视觉伟业智能科技有限公司 | 人脸图像生成方法、装置、存储介质和计算机设备 |
| CN108446729A (zh) * | 2018-03-13 | 2018-08-24 | 天津工业大学 | 基于卷积神经网络的鸡蛋胚胎分类方法 |
Non-Patent Citations (5)
| Title |
|---|
| AAYUSH BANSAL，ET AL: "PixelNet: Representation of the pixels, by the pixels, and for the pixels", 《ARXIV:1702.06506V1 [CS.CV]》 * |
| JIE HU，ET AL: "Squeeze-and-Excitation Networks", 《ARXIV:1709.01507V2 [CS.CV]》 * |
| 王新立 等: "基于改进卷积神经网络的船舶目标检测", 《中国航海》 * |
| 颜廷玉: "基于深度学习的鸡蛋胚胎分类方法研究", 《中国优秀硕士论文全文数据库 医药卫生科技辑》 * |
| 马文婷: "面向眼科医学图像的病变检测研究", 《中国优秀硕士论文全文数据库 医药卫生科技辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490876A (zh) * | 2019-03-12 | 2019-11-22 | 珠海上工医信科技有限公司 | 一种用于图像分割的轻量级神经网络 |
| CN110490876B (zh) * | 2019-03-12 | 2022-09-16 | 珠海全一科技有限公司 | 一种基于轻量级神经网络的图像分割方法 |
| CN109934823A (zh) * | 2019-03-25 | 2019-06-25 | 天津工业大学 | 一种基于深度学习的dr眼底图像黄斑水肿分级方法 |
| CN109948719A (zh) * | 2019-03-26 | 2019-06-28 | 天津工业大学 | 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 |
| CN109948719B (zh) * | 2019-03-26 | 2023-04-18 | 天津工业大学 | 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 |
| CN111753820A (zh) * | 2019-03-27 | 2020-10-09 | 天津工业大学 | 一种基于深度学习的彩色眼底图像视杯分割方法 |
| CN110236483B (zh) * | 2019-06-17 | 2021-09-28 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
| CN110236483A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 一种基于深度残差网络的糖尿病性视网膜病变检测的方法 |
| CN110298831A (zh) * | 2019-06-25 | 2019-10-01 | 暨南大学 | 一种基于分块深度学习的医学图像处理系统及其方法 |
| CN110298849A (zh) * | 2019-07-02 | 2019-10-01 | 电子科技大学 | 基于眼底图像的硬性渗出分割方法 |
| CN111445418A (zh) * | 2020-03-31 | 2020-07-24 | 联想(北京)有限公司 | 图像去雾处理方法、装置及计算机设备 |
| CN112101117A (zh) * | 2020-08-18 | 2020-12-18 | 长安大学 | 一种高速公路拥堵识别模型构建方法和装置及识别方法 |
| CN112950737A (zh) * | 2021-03-17 | 2021-06-11 | 中国科学院苏州生物医学工程技术研究所 | 基于深度学习的眼底荧光造影图像生成方法 |
| CN112950737B (zh) * | 2021-03-17 | 2024-02-02 | 中国科学院苏州生物医学工程技术研究所 | 基于深度学习的眼底荧光造影图像生成方法 |
| CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
| CN116433644B (zh) * | 2023-04-22 | 2024-03-08 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447962A (zh) | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 | |
| US20220076420A1 (en) | Retinopathy recognition system | |
| CN108771530B (zh) | 基于深度神经网络的眼底病变筛查系统 | |
| CN111476283A (zh) | 基于迁移学习的青光眼眼底图像识别方法 | |
| CN109948719B (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 | |
| CN109345538A (zh) | 一种基于卷积神经网络的视网膜血管分割方法 | |
| CN108095683A (zh) | 基于深度学习的处理眼底图像的方法和装置 | |
| CN108537282A (zh) | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 | |
| CN108108757A (zh) | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 | |
| CN112446860B (zh) | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 | |
| CN112101424A (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
| CN112085745A (zh) | 基于均衡采样拼接的多通道u型全卷积神经网络的视网膜血管图像分割方法 | |
| CN110415245A (zh) | 眼部数据确定方法、模型训练方法及设备 | |
| Qomariah et al. | Segmentation of microaneurysms for early detection of diabetic retinopathy using MResUNet | |
| CN114881962A (zh) | 一种基于改进U-Net网络的视网膜图像血管分割方法 | |
| Firke et al. | Convolutional neural network for diabetic retinopathy detection | |
| CN117058676B (zh) | 一种基于眼底检查影像的血管分割方法、装置和系统 | |
| Miao et al. | Classification of Diabetic Retinopathy Based on Multiscale Hybrid Attention Mechanism and Residual Algorithm | |
| Sallam et al. | Diabetic retinopathy grading using resnet convolutional neural network | |
| Triyadi et al. | Deep learning in image classification using vgg-19 and residual networks for cataract detection | |
| TWI663960B (zh) | 足畸形檢測模型、足畸形檢測系統及足畸形檢測方法 | |
| CN116092667A (zh) | 基于多模态影像的疾病检测方法、系统、装置及存储介质 | |
| Purwanithami et al. | Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation | |
| CN114372985A (zh) | 适应多中心图像的糖尿病视网膜病变病灶分割方法及系统 | |
| Taş et al. | Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture. |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |
|
| WD01 | Invention patent application deemed withdrawn after publication |