CN109829901A - 一种基于卷积神经网络的真菌性角膜炎检测方法及系统 - Google Patents
一种基于卷积神经网络的真菌性角膜炎检测方法及系统 Download PDFInfo
- Publication number
- CN109829901A CN109829901A CN201910053823.3A CN201910053823A CN109829901A CN 109829901 A CN109829901 A CN 109829901A CN 201910053823 A CN201910053823 A CN 201910053823A CN 109829901 A CN109829901 A CN 109829901A
- Authority
- CN
- China
- Prior art keywords
- detected
- convolutional neural
- training
- neural networks
- detection
- 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
Abstract
本发明公开了一种基于卷积神经网络的真菌性角膜炎检测方法及系统,该检测方法包括如下步骤:采集训练样本集,将所述训练样本集划分为有真菌菌丝图片集和无真菌菌丝图片集;对训练样本集进行预处理;构建卷积神经网络;将预处理后的训练样本集作为训练数据输入到所述卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;利用所述检测模型,对待检测样本进行检测,并输出检测结果。本发明提供的检测方法具有识别速度快、识别率高的优点。
Description
技术领域
本发明涉及医学图像处理技术领域,具体涉及一种基于卷积神经网络的真菌性角膜炎检测方法及系统。
背景技术
卷积神经网络(ConvolutionalNeural Network,CNN)是近年发展起来,并引起广泛重视的一种人工神经网络结构。卷积神经网络具有良好的容错能力,并行处理能力以及自我学习能力,在语音识别,人脸识别方面有很好的成就。目前被应用最广泛的是在计算机的图像识别方面。
真菌性角膜炎是一种由致病真菌引起的、致盲率极高的感染性角膜病。真菌性角膜炎起病缓慢、病程长,病程可持续达2至3个月,常在发病数天内出现角膜溃疡。在我国,农民患者居多。
真菌性角膜炎若控制不及时,极易造成角膜穿孔、前房积脓、眼内炎等严重后果,因此对本病的早期诊断和治疗尤为重要。
目前对于真菌性角膜炎的检查有多种方式,刮片检查阳性率低,真菌培养时间长,共焦激光显微镜的检查需要有经验的医生读图,这些方法很大程度上取决于特征的明显程度,效果较差,误差率较高。
发明内容
针对现有技术中存在的缺陷,本发明的目的在于提供一种识别速度快、识别率高的基于卷积神经网络的真菌性角膜炎检测方法。
为达到以上目的,本发明采取的技术方案是:一种基于卷积神经网络的真菌性角膜炎检测方法,其包括如下步骤:
采集训练样本集,将所述训练样本集划分为有真菌菌丝图片集和无真菌菌丝图片集;
对训练样本集进行预处理;
构建卷积神经网络;
将预处理后的训练样本集作为训练数据输入到所述卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;
利用所述检测模型,对待检测样本进行检测,并输出检测结果。
进一步地,对训练样本集进行预处理包括如下步骤:
裁剪掉训练样本集中所有图片的边缘部分,获得满足训练所述卷积神经网络的尺寸要求的裁剪图片;
对所有裁剪图片进行均一化光照调整;
使用图像金字塔和相位一致性特征检测算法,对经均一化光照调整后的裁剪图片进行轮廓增强处理。
进一步地,对训练样本集进行预处理还包括采用KSVD算法对经轮廓增强处理后的裁剪图片进行去噪处理的步骤。
进一步地,对待检测样本进行检测之前,所述检测方法还包括如下步骤:
使用密集链接、ResNets和Batch Normalization中的至少一种对所述检测模型进行优化。
进一步地,所述卷积神经网络是由caffenet网络模型构建而成。
进一步地,对待检测样本进行检测之前,还包括对待检测样本进行预处理的步骤,对待检测样本进行预处理的方法与对训练样本集进行预处理方法相同。
进一步地,所述检测方法还包括如下步骤:
判断所述检测结果与人工识别待检测样本所得到的结果是否相同,若相同,则将该待检测样本作为训练数据,对所述检测模型进行更新。
进一步地,对待检测样本进行检测之前,所述检测方法还包括如下步骤:建立所述检测模型的云端服务器,将所述检测模型存储于所述云端服务器上;
利用所述检测模型,对待检测样本进行检测,并输出检测结果包括如下步骤:将待检测样本上传至云端服务器,使用所述检测模型进行自动识别,并输出检测结果。
进一步地,输出检测结果之前,所述检测方法还包括如下步骤:
将待检测样本的原始图片整合至检测结果。
本发明还提供了一种基于卷积神经网络的真菌性角膜炎检测系统,其包括:
采集模块,其用于采集训练样本集,将所述训练样本集划分为有真菌菌丝图片集和无真菌菌丝图片集;
预处理模块,其用于对训练样本集进行预处理;
构建模块,其用于构建卷积神经网络;
训练模块,其用于将预处理后的训练样本集作为训练数据输入到所述卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;
检测模块,其用于利用所述检测模型,对待检测样本进行检测,并输出检测结果。
与现有技术相比,本发明的优点在于:
(1)本发明通过建立卷积神经网络模型,实现了对待检测的样本的自动化匹配识别并分类,相较于现有技术,不仅提高了识别率,且识别速度快,更省时省力。
(2)本发明提供的方法,更换训练样本集后,可以应用于除真菌性角膜炎识别外的其他应用场景。
附图说明
图1为本发明实施例提供的基于卷积神经网络的真菌性角膜炎检测方法的流程图。
图2为本发明实施例提供的角膜图片;
图3为对图2进行裁剪处理后的角膜图片;
图4为对图3依次进行光照调整和轮廓增强处理后的角膜图片;
图5为对图4采用KSVD进行去噪处理后的角膜图片;
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图1所示,本发明实施例提供了一种基于卷积神经网络的真菌性角膜炎检测方法,本方法通过建立卷积神经网络模型,实现了对待检测的样本的自动化匹配识别并分类,相较于现有技术,不仅提高了识别率,且识别速度快,更省时省力。更换训练样本集后,本方法可以应用于除真菌性角膜炎识别外的其他应用场景。
该检测方法其包括如下步骤:
S1:参见图2所示,采集训练样本集,训练样本使用共聚焦激光显微镜成像的角膜图片,根据角膜图片上有无真菌菌丝,将训练样本集划分为两类,分别为有真菌菌丝图片集和无真菌菌丝图片集两类,将所有的图片按照分类打上标记,并按照卷积神经网络格式标注,例如:无真菌1,无真菌2;有真菌1,有真菌2;
S2:对训练样本集进行预处理;
对训练样本集进行预处理具体包括如下步骤:
S20:参见图3所示,裁剪掉训练样本集中所有图片的边缘部分,获得满足训练卷积神经网络的尺寸要求的裁剪图片;在裁剪时,尽可能裁剪保留图片的中心部分,去除边缘的文字信息,避免边缘效应;
S21:对所有裁剪图片进行均一化光照调整,获得光照均匀的裁剪图片;
S22:参见图4所示,使用图像金字塔和相位一致性特征检测算法,对经均一化光照调整后的裁剪图片进行轮廓增强处理,目的是为了使真菌菌丝和角膜神经的轮廓变得更加清晰明显,便于卷积神经网络的训练识别。本实施例中采用高斯金字塔。
S23:参见图5所示,采用KSVD算法对经轮廓增强处理后的裁剪图片进行去噪处理。
S3:构建卷积神经网络;步骤S2和S3顺序不分先后。
卷积神经网络是由caffenet网络模型构建而成。本实施例构建的卷积神经网络包括26层,包括数据层、卷积层、池化层、全连接层、softmax层,其中数据层用于提供输入数据,卷积层用于训练模型参数,池化层用于下采样,避免过拟合,全连接层和softmax层共同作用输出打分进行判断。
S4:将预处理后的训练样本集作为训练数据输入到卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;
梯度下降法的具体步骤为:计算损失函数对各个权值的梯度,从任一点开始,沿该点梯度的反方向运动一段距离,在新位置继续沿梯度反方向运行一段距离,这样不断的更新网络的权值。
反向传播算法的具体步骤为:在利用梯度下降法迭代更新卷积神经网络各层的权值时,梯度根据链式求导法则从网络的最后一层依次向前传播。
为了优化识别率和识别速度,本实施例中还使用密集链接、残差网络(ResNets)和批标准化(BatchNormalization)中的至少一种方式对检测模型进行优化。
S5:利用检测模型,对待检测样本进行检测,并输出检测结果。
本步骤具体包括如下分步骤:
S50:建立检测模型的云端服务器,将检测模型存储于云端服务器上;
S51:将待检测样本上传至云端服务器;
S52:对待检测样本进行预处理,对待检测样本进行预处理的方法与对训练样本集进行预处理方法相同;
S53:使用检测模型进行自动识别,得到检测结果,确定待检测样本是否含真菌。
S54:将待检测样本的原始图片整合至检测结果,并输出检测结果。整合原始图片的目的是方便医生或患者结合文字结果与原始图片比对。检测结果可以发送给患者的主治医生以及患者本人,患者可以根据检测结果与主治医生沟通治疗方案。
S6:判断检测结果与人工识别待检测样本所得到的结果是否相同;
S7:若相同,则将该待检测样本作为训练数据,对检测模型进行更新,通过动态更新检测模型参数,增强检测模型自我学习能力。
本发明实施例还提供了一种基于卷积神经网络的真菌性角膜炎检测系统,其包括采集模块、预处理模块、训练模块和检测模块;
采集模块用于采集训练样本集,将训练样本集划分为有真菌菌丝图片集和无真菌菌丝图片集;
预处理模块用于对训练样本集进行预处理;
构建模块用于构建卷积神经网络;
训练模块用于将预处理后的训练样本集作为训练数据输入到卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;
检测模块用于利用检测模型,对待检测样本进行检测,并输出检测结果。
预处理模块还用于对待检测样本进行预处理。
综上所述,本发明利用卷积神经网络的局部连接和权值共享的特点,可以通过对一定量的训练样本的训练实现对图像局部特征地自适应提取,可以对单幅图像隐藏特征进行深层次地挖掘。针对共聚焦成像的角膜图像而言,卷积神经网络可以自适应地区分识别正常角膜神经与感染真菌,识别成功的案例又可以作为训练样本更进一步增加卷积神经网络的识别准确率,从而为大量、快速的角膜炎精确诊疗提供参考依据。通过本方法有助于指导临床上早期针对性治疗真菌性角膜炎,减少病人痛苦,大大降低致盲率。
本发明不局限于上述实施方式,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (10)
1.一种基于卷积神经网络的真菌性角膜炎检测方法,其特征在于,其包括如下步骤:
采集训练样本集,将所述训练样本集划分为有真菌菌丝图片集和无真菌菌丝图片集;
对训练样本集进行预处理;
构建卷积神经网络;
将预处理后的训练样本集作为训练数据输入到所述卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;
利用所述检测模型,对待检测样本进行检测,并输出检测结果。
2.如权利要求1所述的检测方法,其特征在于,对训练样本集进行预处理包括如下步骤:
裁剪掉训练样本集中所有图片的边缘部分,获得满足训练所述卷积神经网络的尺寸要求的裁剪图片;
对所有裁剪图片进行均一化光照调整;
使用图像金字塔和相位一致性特征检测算法,对经均一化光照调整后的裁剪图片进行轮廓增强处理。
3.如权利要求2所述的检测方法,其特征在于:对训练样本集进行预处理还包括采用KSVD算法对经轮廓增强处理后的裁剪图片进行去噪处理的步骤。
4.如权利要求1所述的检测方法,其特征在于,对待检测样本进行检测之前,所述检测方法还包括如下步骤:
使用密集链接、ResNets和Batch Normalization中的至少一种对所述检测模型进行优化。
5.如权利要求1所述的检测方法,其特征在于:所述卷积神经网络是由caffenet网络模型构建而成。
6.如权利要求1所述的检测方法,其特征在于:对待检测样本进行检测之前,还包括对待检测样本进行预处理的步骤,对待检测样本进行预处理的方法与对训练样本集进行预处理方法相同。
7.如权利要求1所述的检测方法,其特征在于:所述检测方法还包括如下步骤:
判断所述检测结果与人工识别待检测样本所得到的结果是否相同,若相同,则将该待检测样本作为训练数据,对所述检测模型进行更新。
8.如权利要求1所述的检测方法,其特征在于:
对待检测样本进行检测之前,所述检测方法还包括如下步骤:建立所述检测模型的云端服务器,将所述检测模型存储于所述云端服务器上;
利用所述检测模型,对待检测样本进行检测,并输出检测结果包括如下步骤:将待检测样本上传至云端服务器,使用所述检测模型进行自动识别,并输出检测结果。
9.如权利要求1所述的检测方法,其特征在于:输出检测结果之前,所述检测方法还包括如下步骤:
将待检测样本的原始图片整合至检测结果。
10.一种基于卷积神经网络的真菌性角膜炎检测系统,其特征在于,其包括:
采集模块,其用于采集训练样本集,将所述训练样本集划分为有真菌菌丝图片集和无真菌菌丝图片集;
预处理模块,其用于对训练样本集进行预处理;
构建模块,其用于构建卷积神经网络;
训练模块,其用于将预处理后的训练样本集作为训练数据输入到所述卷积神经网络中,通过梯度下降法与反向传播算法进行迭代训练,得到具有识别真菌菌丝功能的检测模型;
检测模块,其用于利用所述检测模型,对待检测样本进行检测,并输出检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053823.3A CN109829901A (zh) | 2019-01-21 | 2019-01-21 | 一种基于卷积神经网络的真菌性角膜炎检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910053823.3A CN109829901A (zh) | 2019-01-21 | 2019-01-21 | 一种基于卷积神经网络的真菌性角膜炎检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829901A true CN109829901A (zh) | 2019-05-31 |
Family
ID=66861835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910053823.3A Pending CN109829901A (zh) | 2019-01-21 | 2019-01-21 | 一种基于卷积神经网络的真菌性角膜炎检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829901A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110205399A (zh) * | 2019-06-17 | 2019-09-06 | 颐保医疗科技(上海)有限公司 | 一种基于科玛嘉培养的真菌的数据采集方法 |
CN110310282A (zh) * | 2019-07-31 | 2019-10-08 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的系统 |
CN111275643A (zh) * | 2020-01-20 | 2020-06-12 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络模型及方法 |
CN113378414A (zh) * | 2021-08-12 | 2021-09-10 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
WO2017105655A1 (en) * | 2015-12-15 | 2017-06-22 | Qualcomm Incorporated | Methods for object localization and image classification |
CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
CN107680082A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 |
CN108899075A (zh) * | 2018-06-28 | 2018-11-27 | 众安信息技术服务有限公司 | 一种基于深度学习的dsa图像检测方法、装置及设备 |
-
2019
- 2019-01-21 CN CN201910053823.3A patent/CN109829901A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017105655A1 (en) * | 2015-12-15 | 2017-06-22 | Qualcomm Incorporated | Methods for object localization and image classification |
CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
CN107563383A (zh) * | 2017-08-24 | 2018-01-09 | 杭州健培科技有限公司 | 一种医学影像辅助诊断及半监督样本生成系统 |
CN107680082A (zh) * | 2017-09-11 | 2018-02-09 | 宁夏医科大学 | 基于深度卷积神经网络和全局特征的肺部肿瘤识别方法 |
CN108899075A (zh) * | 2018-06-28 | 2018-11-27 | 众安信息技术服务有限公司 | 一种基于深度学习的dsa图像检测方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
杨楠: "《基于Caffe深度学习框架的卷积神经网络研究》", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110205399A (zh) * | 2019-06-17 | 2019-09-06 | 颐保医疗科技(上海)有限公司 | 一种基于科玛嘉培养的真菌的数据采集方法 |
CN110310282A (zh) * | 2019-07-31 | 2019-10-08 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的系统 |
CN110310282B (zh) * | 2019-07-31 | 2021-05-18 | 广西壮族自治区人民医院 | 一种利用活体共聚焦显微镜图像智能分析角膜神经纤维的系统 |
CN111275643A (zh) * | 2020-01-20 | 2020-06-12 | 西南科技大学 | 基于通道和空间注意力的真实噪声盲去噪网络模型及方法 |
CN113378414A (zh) * | 2021-08-12 | 2021-09-10 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
CN113378414B (zh) * | 2021-08-12 | 2021-11-12 | 爱尔眼科医院集团股份有限公司 | 角膜塑形镜配镜方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829901A (zh) | 一种基于卷积神经网络的真菌性角膜炎检测方法及系统 | |
CN109409297B (zh) | 一种基于双通道卷积神经网络的身份识别方法 | |
CN106682616B (zh) | 基于双通道特征深度学习的新生儿疼痛表情识别方法 | |
CN109344855B (zh) | 一种基于排序引导回归的深度模型的人脸美丽评价方法 | |
CN109800648A (zh) | 基于人脸关键点校正的人脸检测识别方法及装置 | |
WO2019024380A1 (zh) | 一种中医智能诊断方法、系统及中医医疗系统 | |
CN109117744A (zh) | 一种用于人脸验证的孪生神经网络训练方法 | |
CN104143079A (zh) | 人脸属性识别的方法和系统 | |
CN112132817A (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN103824054A (zh) | 一种基于级联深度神经网络的人脸属性识别方法 | |
CN108537801A (zh) | 基于生成对抗网络的视网膜血管瘤图像分割方法 | |
CN107423727B (zh) | 基于神经网络的人脸复杂表情识别方法 | |
CN106980852A (zh) | 基于角点检测与匹配的药品识别系统及其识别方法 | |
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 | |
CN110321844A (zh) | 一种基于卷积神经网络的快速虹膜检测方法 | |
Fan et al. | Principal component analysis based cataract grading and classification | |
CN111127423B (zh) | 一种基于cnn-bp神经网络算法水稻病虫害识别方法 | |
CN112347908B (zh) | 一种基于空间分组注意力模型的外科手术器械图像识别方法 | |
CN110751636A (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN108765392A (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
CN113284136A (zh) | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 | |
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 | |
CN111160431B (zh) | 一种基于多维特征融合的圆锥角膜识别方法及装置 | |
CN110472673A (zh) | 参数调整方法、眼底图像处理方法、装置、介质及设备 | |
CN108846342A (zh) | 一种唇裂手术标志点识别系统 |
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: 20190531 |