CN109602391A - 眼底出血点的自动检测方法、装置及计算机可读存储介质 - Google Patents
眼底出血点的自动检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109602391A CN109602391A CN201910008187.2A CN201910008187A CN109602391A CN 109602391 A CN109602391 A CN 109602391A CN 201910008187 A CN201910008187 A CN 201910008187A CN 109602391 A CN109602391 A CN 109602391A
- Authority
- CN
- China
- Prior art keywords
- fundus
- hemorrhage point
- training
- eye
- fundus hemorrhage
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Abstract
本发明涉及一种人工智能技术,揭露了一种眼底出血点的自动检测方法,该方法包括:采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作;利用所述眼底图像数据制作训练样本;利用上述得到的训练样本执行眼底出血点检测模型的训练;及利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测。本发明还提出一种装置以及一种计算机可读存储介质。本发明可以实现眼底出血点的自动检测。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种眼底出血点的自动检测方法、装置及计算机可读存储介质。
背景技术
糖尿病视网膜病变是一种主要的致盲疾病,然而糖尿病患者如果能及时发现并且获得规范的治疗,多数可以摆脱失明的危险。几乎所有的眼病都可能发生在糖尿病患者身上。如眼底血管瘤、眼底出血、泪囊炎、青光眼、白内障、玻璃体浑浊、视神经萎缩、黄斑变性、视网膜脱落。而眼底出血点是判断糖尿病视网膜病严重程度重要的一个指标,出血点的判断是糖尿病视网膜病变自动筛选的关键第一步。
目前,已有很多学者对出血点的检测进行了研究,主要方法有3种:一是数学形态学方法,首先利用形态学填充的方法检测红色病灶,后使用形态学高帽变换方法得到出血点;二是分类器方法,Li等科学研究者提出了一种基于网格特征分类的视网膜大面积出血的检测方法,首先对眼底图像中每个像素进行分类,分割出血管和红色病灶,再利用K近邻分类得到真正的红色病灶区;三是灰度分析方法,利用基于背景估计的方法及欧氏距离分类器检测出血点,再使用背景估计建立了一个DR自动诊断系统,最后使用局部灰度分析的方法找到红色病灶的候选区,然后利用分类器实现红色病灶的自动检测。
虽然上述方法均实现了出血点的自动检测,但存在误检率高、漏检率高、运算复杂等问题。此外,时间复杂度高,窗口冗余,且手工设计的特征对于多样性的变化并没有很好的鲁棒性,总体来说,对眼底出血点的检测难以达到较高的准确率。
发明内容
本发明提供一种眼底出血点的自动检测方法、装置及计算机可读存储介质,其主要目的在于提供一种实现眼底出血点的自动检测方案。
本发明所述眼底出血点的自动检测包括:
采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作;
利用所述眼底图像数据制作训练样本;
利用上述得到的训练样本执行眼底出血点检测模型的训练;及
利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测。
可选地,所述数据处理操作包括:
通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像及对所述目标区域进行归一化处理,其中:
所述通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像包括:
A、随机选择一个初始估计阈值T;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值u1和u2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,并根据该阈值T,得到所述眼底图像中的背景图像和目标区域;及
对所述目标区域进行归一化处理是采用线性函数转换法:
y=(x-MinValue)/(MaxValue-MinValue),
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。
可选地,所述利用所述眼底图像数据制作训练样本包括:
利用卷积神经网络的滤波器初次过滤训练样本图像,得到更多的训练图片输出,并将有出血点病灶的眼底训练图片放入正样本训练集,将没有出血点病灶的眼底训练图片放入负样本训练集;
利用卷积神经网络的滤波器再次过滤正负样本训练集,得到更多的正负样本输出;及
对所述正负样本训练集执行镜面处理。
可选地,所述眼底出血点检测模型的训练的方法包括:
对所述正负样本训练集执行上下采样处理;
用上下采样后的正负样本训练集训练所述眼底出血点检测模型,包括:
利用卷积神经网络模型提取眼底出血点病灶的特征向量;
根据上述眼底出血点病灶的特征向量,利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片;
对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。
可选地,所述利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测,包括:
对所述眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底出血点检测模型得到该图像块可能是出血点的概率,统计出概率分布图,判断眼底是否有出血点,完成自动检测过程。
此外,为实现上述目的,本发明还提供一种装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的眼底出血点的自动检测程序,所述眼底出血点的自动检测程序被所述处理器执行时实现如下步骤:
采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作;
利用所述眼底图像数据制作训练样本;
利用上述得到的训练样本执行眼底出血点检测模型的训练;及
利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测。
可选地,所述数据处理操作包括:
通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像及对所述目标区域进行归一化处理,其中:
所述通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像包括:
A、随机选择一个初始估计阈值T;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值μ1和μ2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,并根据该阈值T,得到所述眼底图像中的背景图像和目标区域;及
对所述目标区域进行归一化处理是采用线性函数转换法:
y=(x-MinValue)/(MaxValue-MinValue),
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。
可选地,所述利用所述眼底图像数据制作训练样本包括:
利用卷积神经网络的滤波器初次过滤训练样本图像,得到更多的训练图片输出,并将有出血点病灶的眼底训练图片放入正样本训练集,将没有出血点病灶的眼底训练图片放入负样本训练集;
利用卷积神经网络的滤波器再次过滤正负样本训练集,得到更多的正负样本输出;及
对所述正负样本训练集执行镜面处理。
可选地,所述眼底出血点检测模型的训练的方法包括:
对所述正负样本训练集执行上下采样处理;
用上下采样后的正负样本训练集训练所述眼底出血点检测模型,包括:
利用卷积神经网络模型提取眼底出血点病灶的特征向量;
根据上述眼底出血点病灶的特征向量,利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片;
对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有眼底出血点的自动检测程序,所述眼底出血点的自动检测程序可被一个或者多个处理器执行,以实现如上所述的眼底出血点的自动检测方法的步骤。
本发明提出的眼底出血点的自动检测方法、装置及计算机可读存储介质采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作;利用所述眼底图像数据制作训练样本;利用上述得到的训练样本执行眼底出血点检测模型的训练;及利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测。因此,本发明可以实现眼底出血点的自动检测。
附图说明
图1为本发明一实施例提供的眼底出血点的自动检测方法的流程示意图;
图2为本发明一实施例提供的装置的内部结构示意图;
图3为本发明一实施例提供的装置中眼底出血点的自动检测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有做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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,所述“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
进一步地,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提供一种眼底出血点的自动检测方法。
详细地,参照图1所示,为本发明一实施例提供的眼底出血点的自动检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
S1、采集眼球的眼底图像数据,并对所采集的眼底图像数据执行清理操作。
本发明较佳实施例使用50度视场(FOV)的数字眼底相机(如Kowa VX-10α)采集眼球的眼底图像,采集的正负样本为1:1,即分别采集有眼底出血点病灶的人眼的眼底图像和健康人眼的眼底图像,所有眼底图像都要求居中且靠近黄斑。如果数字眼底相机采集的眼球图片非居中且不靠近黄斑,需重新采集。较佳地,本发明使用数字眼底相机采集的眼底图像的分辨率为4288×2848像素,且以jpg文件格式存储在计算机中。本发明较佳实施例中,眼底图像的数量可以是一百张。
眼底图像数据执行清理操作可以为后期模型训练提供更优质的数据。本方法主要通过裁减背景得到目标区域、并对目标区域进行归一化这两个步骤,进行图像数据清洗处理。
优选地,本发明利用迭代选择阈值法裁减背景,得到目标区域。所述迭代选择阈值法的基本思想是:开始选择一个阈值作为初始估计阈值,然后按照迭代规则不断地更新这一估计阈值,直到满足给定的条件为止。迭代选择阈值法关键在于选择迭代规则。一个好的迭代规则必须既能够快速收敛,又能够在每一个迭代过程中产生优于上次迭代的结果。详细地,本发明所述利用迭代选择阈值法裁减背景,得到目标区域包括:
A、选择一个初始估计阈值T,对于阈值T的取值没有要求,可随意选择;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值μ1和μ2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,然后根据该阈值T,得到背景图像和包含目标区域的眼底图像。
上述得到的包含目标区域的眼底图像像素范围太大,不易于模型训练,本发明利用归一化的思想,将像素范围映射到在0-1内。
优选地,本发明采用线性函数转换法归一化眼底图像:
y=(x-MinValue)/(MaxValue-MinValue)
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。由此可将眼底图像像素转换成在0-1范围内。
S2、利用上述眼底图像数据制作眼底出血点检测模型的训练样本。
如上所述,本发明采集的眼底图像仅一百张,这么少的训练样本数据量不足以用深度学习方法取得良好效果,模型很容易发生过拟合。为了解决训练样本数据量少的问题,本发明使用卷积神经网络的滤波器对训练样本进行过滤操作,以达到增强训练数据量的目的。
所述使用卷积神经网络的滤波器对训练数据进行过滤操作包括:
Ⅰ、利用卷积神经网络的滤波器初次过滤训练样本图像。如上所述,训练样本图像具有高分辨率的特性,图片像素数量多,所以本发明首先制作64*64像素规格的滤波器,步长为3个像素,对所述训练样本图像进行过滤,得到更多的训练图片输出,对于有出血点的眼底图片,如果该图像块包含有病灶,本发明将其放入正样本的训练集,如果该图像块没有包含任何病灶,本发明将其放入负样本的训练集。
Ⅱ、利用卷积神经网络的滤波器再次过滤正负样本训练集。初次过滤得到的训练图片,会将原始的训练样本图像数量扩大几十倍,至几万张,且分为了正负样本。本次将滤波器调整为16*16像素规格,步长为1个像素,分别过滤正负样本,最后达到10万数量级训练样本,完成训练样本的制作。
Ⅲ、对训练样本执行所述镜面处理。为了进一步增加训练样本的数据量,提高模型的泛化能力,本发明较佳实施例对得到的训练样本做数据增强处理,通过对训练样本的图像执行90、180和270度的随机旋转,可得到更多不同类型的眼底的训练样本。
S3、利用上述得到的训练样本执行眼底出血点检测模型的训练。
训练样本制作完成后,本发明对所述训练样本分别上采样和下采样处理后得到两个不同的训练样本,然后分别将所述两个不同的训练样本放入眼底出血点检测模型中进行训练。在整个训练过程中,眼底出血点检测模型主要检查图片是否有眼底出血点的病灶,若有则标记眼底出血点的病灶位置。
所述眼底出血点检测模型的训练的方法主要包括如下步骤:
a、对所述训练样本执行上下采样。上下采样步骤是为了提高眼底出血点检测模型在不同环境下,对出血点病症的侦测能力。本发明所述下采样(subsampled)是缩小训练样本的图像,上采样(upsampling)是放大训练样本的图像。
b、用上下采样后的训练样本训练所述眼底出血点检测模型。本发明所述眼底出血点检测模型使用RCNN(Regions with CNN features)算法对眼底出血点的病灶进行检测。所述RCNN是将卷积神经网络方法应用到目标检测问题上的算法,借助卷积神经网络良好的特征提取和分类性能,通过区域提名(RegionProposal)方法实现目标检测问题的转化。
所述用上下采样后的训练样本训练所述眼底出血点检测模型包括:
b1、利用卷积神经网络模型提取眼底出血点病灶的特征向量。本发明使用的卷积神经网络模型是VGG(Visual Geometry Group),VGG的卷积核较小,是3x3规格,因为使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层,一方面可以减少参数,另一方面相当于是进行了更多的非线性映射,可以增加卷积神经网络模型对眼底出血点病灶的特征提取能力,卷积层步长设置为1。每层卷积核后紧跟池化层。但本发明只使用VGG模型前13层的卷积层和池化层是提取特征,舍去后面的全连层。
b2、对上一步输出的眼底出血点病灶的特征向量,本发明利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片。
b3、对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。针对于含有出血点的图片,通过边界回归(bounding-box regression),使用四维向量(x,y,w,h)表示出血点病灶位置,其中,x,y表示窗口的中心点坐标,w,h表示宽高,得到准确的眼底出血点病灶区域。
S4、利用所述眼底出血点检测模型执行眼底出血点的自动检测。
眼底出血点检测模型训练好后,本发明将该模型应用于眼底出血点的自动检测中。在检测过程中,本发明对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底出血点检测模型得到该图像块可能是出血点的概率,最后统计出概率分布图,判断眼底是否有出血点,完成自动检测过程。
本发明还提供一种执行眼底出血点的自动检测的装置。参照图2所示,为本发明一实施例提供的装置的内部结构示意图。
在本实施例中,所述装置1可以是智能手机、平板电脑、便携计算机等终端设备,可以是PC(PersonalComputer,个人电脑),也可以是服务器、服务器群组等。该装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是装置1的内部存储单元,例如该装置1的硬盘。存储器11在另一些实施例中也可以是装置1的外部存储设备,例如装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于装置1的应用软件及各类数据,例如眼底出血点的自动检测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行眼底出血点的自动检测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及眼底出血点的自动检测程序01的装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有眼底出血点的自动检测程序01;处理器12执行存储器11中存储的眼底出血点的自动检测程序01时实现如下步骤:
步骤一、采集眼球的眼底图像数据,并对所采集的眼底图像数据执行清理操作。
本发明较佳实施例使用50度视场(FOV)的数字眼底相机(如Kowa VX-10α)采集眼球的眼底图像,采集的正负样本为1:1,即分别采集有眼底出血点病灶的人眼的眼底图像和健康人眼的眼底图像,所有眼底图像都要求居中且靠近黄斑。如果数字眼底相机采集的眼球图片非居中且不靠近黄斑,需重新采集。较佳地,本发明使用数字眼底相机采集的眼底图像的分辨率为4288×2848像素,且以jpg文件格式存储在计算机中。本发明较佳实施例中,眼底图像的数量可以是一百张。
眼底图像数据执行清理操作可以为后期模型训练提供更优质的数据。本发明主要通过裁减背景得到目标区域、并对目标区域进行归一化这两个步骤,进行图像数据清洗处理。
优选地,本发明利用迭代选择阈值法裁减背景,得到目标区域。所述迭代选择阈值法的基本思想是:开始选择一个阈值作为初始估计阈值,然后按照迭代规则不断地更新这一估计阈值,直到满足给定的条件为止。迭代选择阈值法关键在于选择迭代规则。一个好的迭代规则必须既能够快速收敛,又能够在每一个迭代过程中产生优于上次迭代的结果。详细地,本发明所述利用迭代选择阈值法裁减背景,得到目标区域包括:
A、选择一个初始估计阈值T,对于阈值T的取值没有要求,可随意选择;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值μ1和μ2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,然后根据该阈值T,得到背景图像和包含目标区域的眼底图像。
上述得到的包含目标区域的眼底图像像素范围太大,不易于模型训练,本发明利用归一化的思想,将像素范围映射到在0-1内。
优选地,本发明采用线性函数转换法归一化眼底图像:
y=(x-MinValue)/(MaxValue-MinValue),
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。由此可将眼底图像像素转换成在0-1范围内。
步骤二、利用上述眼底图像数据制作眼底出血点检测模型的训练样本。
如上所述,本发明采集的眼底图像仅一百张,这么少的训练样本数据量不足以用深度学习方法取得良好效果,模型很容易发生过拟合。为了解决训练样本数据量少的问题,本发明使用卷积神经网络的滤波器对训练样本进行过滤操作,以达到增强训练数据量的目的。
所述使用卷积神经网络的滤波器对训练数据进行过滤操作包括:
Ⅰ、利用卷积神经网络的滤波器初次过滤训练样本图像。如上所述,训练样本图像具有高分辨率的特性,图片像素数量多,所以本发明首先制作64*64像素规格的滤波器,步长为3个像素,对所述训练样本图像进行过滤,得到更多的训练图片输出,对于有出血点的眼底图片,如果该图像块包含有病灶,本发明将其放入正样本的训练集,如果该图像块没有包含任何病灶,本发明将其放入负样本的训练集。
Ⅱ、利用卷积神经网络的滤波器再次过滤正负样本训练集。初次过滤得到的训练图片,会将原始的训练样本图像数量扩大几十倍,至几万张,且分为了正负样本。本次将滤波器调整为16*16像素规格,步长为1个像素,分别过滤正负样本,最后达到10万数量级训练样本,完成训练样本的制作。
Ⅲ、对训练样本执行所述镜面处理。为了进一步增加训练样本的数据量,提高模型的泛化能力,本发明较佳实施例对得到的正负样本训练集做数据增强处理,通过对训练样本的图像执行90、180和270度的随机旋转,可得到更多不同类型的眼底的训练样本。
步骤三、利用上述得到的训练样本执行眼底出血点检测模型的训练。
训练样本制作完成后,本发明对所述正负样本训练集分别上采样和下采样处理后得到两个不同的训练样本,然后分别将所述两个不同的训练样本放入眼底出血点检测模型中进行训练。在整个训练过程中,眼底出血点检测模型主要检查图片是否有眼底出血点的病灶,若有则标记眼底出血点的病灶位置。
所述眼底出血点检测模型的训练的方法主要包括如下步骤:
a、对所述正负样本训练集执行上下采样。上下采样步骤是为了提高眼底出血点检测模型在不同环境下,对出血点病症的侦测能力。本发明所述下采样(subsampled)是缩小训练样本的图像,上采样(upsampling)是放大训练样本的图像。
b、用上下采样后的正负样本训练集训练所述眼底出血点检测模型。本发明所述眼底出血点检测模型使用RCNN(Regions with CNN features)算法对眼底出血点的病灶进行检测。所述RCNN是将卷积神经网络方法应用到目标检测问题上的算法,借助卷积神经网络良好的特征提取和分类性能,通过区域提名(RegionProposal)方法实现目标检测问题的转化。
所述用上下采样后的训练样本训练所述眼底出血点检测模型包括:
b1、利用卷积神经网络模型提取眼底出血点病灶的特征向量。本发明使用的卷积神经网络模型是VGG(Visual Geometry Group),VGG的卷积核较小,是3x3规格,因为使用多个较小卷积核的卷积层代替一个卷积核较大的卷积层,一方面可以减少参数,另一方面相当于是进行了更多的非线性映射,可以增加卷积神经网络模型对眼底出血点病灶的特征提取能力,卷积层步长设置为1。每层卷积核后紧跟池化层。但本发明只使用VGG模型前13层的卷积层和池化层是提取特征,舍去后面的全连层。
b2、对上一步输出的眼底出血点病灶的特征向量,本发明利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片。
b3、对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。针对于含有出血点的图片,通过边界回归(bounding-box regression),使用四维向量(x,y,w,h)表示出血点病灶位置,其中,x,y表示窗口的中心点坐标,w,h表示宽高,得到准确的眼底出血点病灶区域。
步骤四、利用所述眼底出血点检测模型执行眼底出血点的自动检测。
眼底出血点检测模型训练好后,本发明将该模型应用于眼底出血点的自动检测中。在检测过程中,本发明对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底出血点检测模型得到该图像块可能是出血点的概率,最后统计出概率分布图,判断眼底是否有出血点,完成自动检测过程。
可选地,在本发明实施例中,所述眼底出血点的自动检测程序01还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述眼底出血点的自动检测程序在所述装置中的执行过程。
例如,参照图3所示,为本发明装置一实施例中的眼底出血点的自动检测程序的程序模块示意图,该实施例中,眼底出血点的自动检测程序01可以被分割为数据采集模块10、样本数据制作模块20、模型训练模块30、及出血点检测模块40。示例性地:
所述数据采集模块10用于:采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作。
本发明所述数据清理操作包括:
通过裁减背景得到目标区域;
对目标区域进行归一化。
其中,所述通过裁减背景得到目标区域包括:
A、随机选择一个初始估计阈值T;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值μ1和μ2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,然后根据该阈值T,得到背景图像和包含目标区域的眼底图像。
其中,对目标区域进行归一化包括:
采用线性函数转换法归一化眼底图像:
y=(x-MinValue)/(MaxValue-MinValue),
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。由此可将眼底图像像素转换成在0-1范围内。
所述样本数据制作模块20用于:利用上述眼底图像数据制作眼底出血点检测模型的训练样本。
优选地,本发明使用卷积神经网络的滤波器对训练样本进行过滤操作,进行数据增强,以制作所述眼底出血点检测模型的训练样本,包括:
Ⅰ、利用卷积神经网络的滤波器初次过滤训练样本图像;
Ⅱ、利用卷积神经网络的滤波器再次过滤正负样本训练集;及
Ⅲ、对训练样本执行所述镜面处理。为了进一步增加训练样本的数据量,提高模型的泛化能力,本发明较佳实施例对得到的训练样本做数据增强处理,通过对训练样本的图像执行90、180和270度的随机旋转,可得到更多不同类型的眼底的训练样本。
所述模型训练模块30用于:利用上述得到的训练样本执行眼底出血点检测模型的训练。
优选地,所述眼底出血点检测模型的训练的方法包括:
a、对所述训练样本执行上下采样;
b、用上下采样后的训练样本训练所述眼底出血点检测模型,包括:
b1、利用卷积神经网络模型提取眼底出血点病灶的特征向量;
b2、根据上述眼底出血点病灶的特征向量,利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片;
b3、对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。
所述出血点检测模块40用于:利用上述训练好的眼底出血点检测模型对眼底图像进行出血点检测,输出出血点的概率值。
优选地,本发明对眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底出血点检测模型得到该图像块可能是出血点的概率,最后统计出概率分布图,判断眼底是否有出血点,完成自动检测过程。
上述数据采集模块10、样本数据制作模块20、模型训练模块30及出血点检测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有眼底出血点的自动检测程序,所述眼底出血点的自动检测程序可被一个或多个处理器执行,以实现如下操作:
采集眼底图像数据,并对所述图像数据进行预处理操作;
利用经上述预处理操作之后的眼底图像数据训练眼底出血点检测模型;及
利用上述训练好的眼底出血点检测模型对眼底图像进行出血点检测,输出出血点的概率值。
本发明计算机可读存储介质具体实施方式与上述眼底出血点的自动检测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种眼底出血点的自动检测方法,其特征在于,所述方法包括:
采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作;
利用所述眼底图像数据制作训练样本;
利用上述得到的训练样本执行眼底出血点检测模型的训练;及
利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测。
2.如权利要求1所述的眼底出血点的自动检测方法,其特征在于,所述数据处理操作包括:
通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像及对所述目标区域进行归一化处理,其中:
所述通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像包括:
A、随机选择一个初始估计阈值T;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值u1和u2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,并根据该阈值T,得到所述眼底图像中的背景图像和目标区域;及
对所述目标区域进行归一化处理是采用线性函数转换法:
y=(x-MinValue)/(MaxValue-MinValue),
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。
3.如权利要求1所述的眼底出血点的自动检测方法,其特征在于,所述利用所述眼底图像数据制作训练样本包括:
利用卷积神经网络的滤波器初次过滤训练样本图像,得到更多的训练图片输出,并将有出血点病灶的眼底训练图片放入正样本训练集,将没有出血点病灶的眼底训练图片放入负样本训练集;
利用卷积神经网络的滤波器再次过滤正负样本训练集,得到更多的正负样本输出;及
对所述正负样本训练集执行镜面处理。
4.如权利要求1至3中任意一项所述的眼底出血点的自动检测方法,其特征在于,所述眼底出血点检测模型的训练的方法包括:
对所述正负样本训练集执行上下采样处理;
用上下采样后的正负样本训练集训练所述眼底出血点检测模型,包括:
利用卷积神经网络模型提取眼底出血点病灶的特征向量;
根据上述眼底出血点病灶的特征向量,利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片;
对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。
5.如权利要求1所述的眼底出血点的自动检测方法,其特征在于,所述利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测,包括:
对所述眼底图像以32步长均匀地产生图像块,对每个图像块运用所述眼底出血点检测模型得到该图像块可能是出血点的概率,统计出概率分布图,判断眼底是否有出血点,完成自动检测过程。
6.一种眼底出血点的自动检测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的眼底出血点的自动检测程序,所述眼底出血点的自动检测程序被所述处理器执行时实现如下步骤:
采集眼球的眼底图像数据,并对所采集的眼底图像执行数据处理操作;
利用所述眼底图像数据制作训练样本;
利用上述得到的训练样本执行眼底出血点检测模型的训练;及
利用上述训练好的眼底出血点检测模型计算眼底图像中眼底出血点的概率值,执行眼底图像的出血点检测。
7.如权利要求6所述的眼底出血点的自动检测装置,其特征在于,所述数据处理操作包括:
通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像及对所述目标区域进行归一化处理,其中:
所述通过裁减所述眼底图像中的背景,得到包含目标区域的眼底图像包括:
A、随机选择一个初始估计阈值T;
B、利用所述初始估计阈值T,根据像素分布,把眼底图像分为R1和R2两个像素区域;
C、对区域R1和R2中的所有像素计算平均灰度值u1和u2;
D、由公式:计算出新的阈值;
E、重复上述的步骤B-D,直到逐次迭代所得的阈值T值小于预先定义的参数,并根据该阈值T,得到所述眼底图像中的背景图像和目标区域;及
对所述目标区域进行归一化处理是采用线性函数转换法:
y=(x-MinValue)/(MaxValue-MinValue),
其中,x、y分别为转换前、后的像素值,MaxValue、MinValue分别为样本的最大像素值和最小值像素值。
8.如权利要求6所述的眼底出血点的自动检测装置,其特征在于,所述利用所述眼底图像数据制作训练样本包括:
利用卷积神经网络的滤波器初次过滤训练样本图像,得到更多的训练图片输出,并将有出血点病灶的眼底训练图片放入正样本训练集,将没有出血点病灶的眼底训练图片放入负样本训练集;
利用卷积神经网络的滤波器再次过滤正负样本训练集,得到更多的正负样本输出;及
对所述正负样本训练集执行镜面处理。
9.如权利要求6至8中任意一项所述的眼底出血点的自动检测装置,其特征在于,所述眼底出血点检测模型的训练的方法包括:
对所述正负样本训练集执行上下采样处理;
用上下采样后的正负样本训练集训练所述眼底出血点检测模型,包括:
利用卷积神经网络模型提取眼底出血点病灶的特征向量;
根据上述眼底出血点病灶的特征向量,利用softmax分类器进行分类判别,若图片中无眼底出血点病灶的特征向量,则判别为正常眼睛,当检查到眼底出血点病灶的特征,则标记为有出血点的图片;
对于含有出血点的图片,通过边界回归确定眼底出血点病灶位置。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有眼底出血点的自动检测程序,所述眼底出血点的自动检测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的眼底出血点的自动检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008187.2A CN109602391A (zh) | 2019-01-04 | 2019-01-04 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
PCT/CN2019/088641 WO2020140370A1 (zh) | 2019-01-04 | 2019-05-27 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910008187.2A CN109602391A (zh) | 2019-01-04 | 2019-01-04 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109602391A true CN109602391A (zh) | 2019-04-12 |
Family
ID=66015745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910008187.2A Pending CN109602391A (zh) | 2019-01-04 | 2019-01-04 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109602391A (zh) |
WO (1) | WO2020140370A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110246158A (zh) * | 2019-07-19 | 2019-09-17 | 上海交通大学医学院附属第九人民医院 | 眼疾检测装置、方法、电子终端、及存储介质 |
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 |
CN110348543A (zh) * | 2019-06-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底图像识别方法、装置、计算机设备及存储介质 |
CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
CN111179258A (zh) * | 2019-12-31 | 2020-05-19 | 中山大学中山眼科中心 | 一种识别视网膜出血图像的人工智能方法及系统 |
WO2020140370A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
CN112767378A (zh) * | 2021-01-28 | 2021-05-07 | 佛山科学技术学院 | 一种基于Dense-Unet的玻璃体浑浊程度评级方法 |
CN117158919A (zh) * | 2023-10-25 | 2023-12-05 | 深圳大学 | 出血点检测方法和计算机可读存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116385812B (zh) * | 2023-06-06 | 2023-08-25 | 依未科技(北京)有限公司 | 图像分类方法及装置、电子设备及存储介质 |
CN116682564B (zh) * | 2023-07-27 | 2023-10-27 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
CN117297554A (zh) * | 2023-11-16 | 2023-12-29 | 哈尔滨海鸿基业科技发展有限公司 | 一种淋巴成像装置控制系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN108615051A (zh) * | 2018-04-13 | 2018-10-02 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
CN108876776A (zh) * | 2018-06-13 | 2018-11-23 | 东软集团股份有限公司 | 一种分类模型生成方法、眼底图像分类方法及装置 |
CN108960257A (zh) * | 2018-07-06 | 2018-12-07 | 东北大学 | 一种基于深度学习的糖尿病视网膜病变等级分级方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0902280D0 (en) * | 2009-02-12 | 2009-03-25 | Univ Aberdeen | Disease determination |
WO2018200840A1 (en) * | 2017-04-27 | 2018-11-01 | Retinopathy Answer Limited | System and method for automated funduscopic image analysis |
CN107680683A (zh) * | 2017-10-09 | 2018-02-09 | 上海睦清视觉科技有限公司 | 一种ai眼部健康评估方法 |
CN109602391A (zh) * | 2019-01-04 | 2019-04-12 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
-
2019
- 2019-01-04 CN CN201910008187.2A patent/CN109602391A/zh active Pending
- 2019-05-27 WO PCT/CN2019/088641 patent/WO2020140370A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN108615051A (zh) * | 2018-04-13 | 2018-10-02 | 博众精工科技股份有限公司 | 基于深度学习的糖尿病视网膜图像分类方法及系统 |
CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
CN108876776A (zh) * | 2018-06-13 | 2018-11-23 | 东软集团股份有限公司 | 一种分类模型生成方法、眼底图像分类方法及装置 |
CN108960257A (zh) * | 2018-07-06 | 2018-12-07 | 东北大学 | 一种基于深度学习的糖尿病视网膜病变等级分级方法 |
Non-Patent Citations (3)
Title |
---|
丁蓬莉: "基于深度学习的糖尿病性视网膜图像分析算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
刘峰: "《视频图像编码技术及国际标准》", 31 July 2005, 北京邮电大学出版社 * |
吴娱: "《数字图像处理》", 31 October 2017, 北京邮电大学出版社 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020140370A1 (zh) * | 2019-01-04 | 2020-07-09 | 平安科技(深圳)有限公司 | 眼底出血点的自动检测方法、装置及计算机可读存储介质 |
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 |
CN110348543A (zh) * | 2019-06-10 | 2019-10-18 | 腾讯医疗健康(深圳)有限公司 | 眼底图像识别方法、装置、计算机设备及存储介质 |
CN110348543B (zh) * | 2019-06-10 | 2023-01-06 | 腾讯医疗健康(深圳)有限公司 | 眼底图像识别方法、装置、计算机设备及存储介质 |
CN110246158A (zh) * | 2019-07-19 | 2019-09-17 | 上海交通大学医学院附属第九人民医院 | 眼疾检测装置、方法、电子终端、及存储介质 |
CN110786824A (zh) * | 2019-12-02 | 2020-02-14 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
CN110786824B (zh) * | 2019-12-02 | 2021-06-15 | 中山大学 | 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统 |
CN111179258A (zh) * | 2019-12-31 | 2020-05-19 | 中山大学中山眼科中心 | 一种识别视网膜出血图像的人工智能方法及系统 |
CN112767378A (zh) * | 2021-01-28 | 2021-05-07 | 佛山科学技术学院 | 一种基于Dense-Unet的玻璃体浑浊程度评级方法 |
CN117158919A (zh) * | 2023-10-25 | 2023-12-05 | 深圳大学 | 出血点检测方法和计算机可读存储介质 |
CN117158919B (zh) * | 2023-10-25 | 2024-03-15 | 深圳大学 | 出血点检测装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020140370A1 (zh) | 2020-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109602391A (zh) | 眼底出血点的自动检测方法、装置及计算机可读存储介质 | |
Wu et al. | NFN+: A novel network followed network for retinal vessel segmentation | |
Martinez-Murcia et al. | Deep residual transfer learning for automatic diagnosis and grading of diabetic retinopathy | |
Yap et al. | Deep learning in diabetic foot ulcers detection: A comprehensive evaluation | |
Hacisoftaoglu et al. | Deep learning frameworks for diabetic retinopathy detection with smartphone-based retinal imaging systems | |
Niemeijer et al. | Image structure clustering for image quality verification of color retina images in diabetic retinopathy screening | |
Xiao et al. | Fatigue driving recognition network: fatigue driving recognition via convolutional neural network and long short‐term memory units | |
Thangaraj et al. | Retinal vessel segmentation using neural network | |
Wang et al. | Hierarchical retinal blood vessel segmentation based on feature and ensemble learning | |
Mayya et al. | Automated microaneurysms detection for early diagnosis of diabetic retinopathy: A Comprehensive review | |
Quellec et al. | A multiple-instance learning framework for diabetic retinopathy screening | |
Imani et al. | Fully automated diabetic retinopathy screening using morphological component analysis | |
CN109919179A (zh) | 微动脉瘤自动检测方法、装置及计算机可读存储介质 | |
CN109902717A (zh) | 病灶自动识别方法、装置及计算机可读存储介质 | |
CN110490860A (zh) | 糖尿病视网膜病变识别方法、装置及电子设备 | |
Fang et al. | Adam challenge: Detecting age-related macular degeneration from fundus images | |
Meng et al. | Fast and effective optic disk localization based on convolutional neural network | |
Ren et al. | Diabetic macular edema grading in retinal images using vector quantization and semi-supervised learning | |
Muangnak et al. | Vessel transform for automatic optic disk detection in retinal images | |
Xu et al. | Dual-channel asymmetric convolutional neural network for an efficient retinal blood vessel segmentation in eye fundus images | |
Liu et al. | Real time detection of driver fatigue based on CNN‐LSTM | |
Upadhyay et al. | Unsupervised multiscale retinal blood vessel segmentation using fundus images | |
Vij et al. | A systematic review on diabetic retinopathy detection using deep learning techniques | |
Du et al. | Densely connected U‐Net retinal vessel segmentation algorithm based on multi‐scale feature convolution extraction | |
Vajravelu et al. | Machine learning techniques to detect bleeding frame and area in wireless capsule endoscopy video |
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: 20190412 |