CN110084809B - 糖尿病视网膜疾病数据处理方法、装置及电子设备 - Google Patents
糖尿病视网膜疾病数据处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110084809B CN110084809B CN201910374060.2A CN201910374060A CN110084809B CN 110084809 B CN110084809 B CN 110084809B CN 201910374060 A CN201910374060 A CN 201910374060A CN 110084809 B CN110084809 B CN 110084809B
- Authority
- CN
- China
- Prior art keywords
- retina image
- reconstructed
- diabetic
- diabetic retina
- image
- 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.)
- Active
Links
- 206010012689 Diabetic retinopathy Diseases 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title description 7
- 210000001525 retina Anatomy 0.000 claims abstract description 184
- 206010012601 diabetes mellitus Diseases 0.000 claims abstract description 167
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 33
- 201000010099 disease Diseases 0.000 claims abstract description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 26
- 230000004256 retinal image Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000003902 lesion Effects 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 4
- 230000036285 pathological change Effects 0.000 description 11
- 231100000915 pathological change Toxicity 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种糖尿病视网膜疾病数据处理方法、装置及电子设备，所述方法包括：对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像；基于重建糖尿病视网膜图像和卷积神经网络，获得重建糖尿病视网膜图像的疾病数据。解决了现有技术中存在的基于计算机对眼底视网膜影像的检测速度慢、基于眼底视网膜影像获得的病变数据精度低的问题，达到了提高基于计算机对眼底视网膜影像的检测速度，提高了基于眼底视网膜影像获得的病变数据的精度的技术效果。
Description
技术领域
本发明涉及图像处理领域，具体而言，涉及一种糖尿病视网膜疾病数据处理方法、装置及电子设备。
背景技术
随着医疗技术的不断发展，人们对高分辨率医学图像的需求也越来越迫切。分辨率高的医学图像能够帮助医生做出更为准确的判断，尤其是在眼底视网膜影像这一特殊领域，对高分辨率的图像要求更高。然而，由于我国很多地区医疗设备和资源落后，拍摄获得的眼底视网膜影像分辨率低、质量差，进而导致基于计算机对眼底视网膜影像的检测速度慢、基于眼底视网膜影像获得的病变数据精度低的问题。
发明内容
本发明的目的在于提供一种糖尿病视网膜疾病数据处理方法、装置及电子设备，其旨在改善现有技术中存在的上述不足。
第一方面，本发明实施例提供了一种糖尿病视网膜疾病数据处理方法，包括：
对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像；
基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据。
可选的，所述对所述原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到预设值的重建糖尿病视网膜图像，包括：
对所述原始糖尿病视网膜图像进行双立方插值处理，获得插值糖尿病视网膜图像；
获得所述插值糖尿病视网膜图像的低维特征，所述低维特征表征所述插值糖尿病视网膜图像中精度小于第二预设值的特征；
获得所述插值糖尿病视网膜图像的高维特征，所述高维特征表征所述插值糖尿病视网膜图像中精度不小于第二预设值的特征；
对所述低维特征和所述高维特征进行融合，获得融合特征；
基于所述融合特征，获得所述重建糖尿病视网膜图像。
可选的，所述对所述低维特征和所述高维特征进行融合，获得融合特征，包括：
对所述低维特征和所述高维特征进行像素叠加，获得融合特征。
可选的，所述疾病数据包括类别信息和所述类别信息对应的等级信息；所述类别信息表征所述重建糖尿病视网膜图像中呈现的糖尿病视网膜病变的类型信息，所述类别信息对应的等级信息表征糖尿病视网膜病变的轻重情况的等级；
所述基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据，包括：
将所述重建糖尿病视网膜图像输入所述卷积神经网络中，所述卷积神经网络针对所述重建糖尿病视网膜图像输出所述重建糖尿病视网膜图像的所述类别信息和所述类别信息对应的等级信息；所述卷积神经网络包括第一部分网络和第二部分网络，所述第二部分网络用于对所述第一部分网络输出的数据进行降维，以获得所述重建糖尿病视网膜图像的所述类别信息和所述类别信息对应的等级信息。
可选的，所述卷积神经网络的训练方法包括：
获得训练数据，所述训练数据包括多张预先标注的重建糖尿病视网膜图像，所述预先标注的重建糖尿病视网膜图像包括图像数据、所述图像数据的类别信息以及所述类别信息对应的等级信息；
基于所述训练数据对所述卷积神经网络进行训练，获得可以针对重建糖尿病视网膜图像输出所述重建糖尿病视网膜图像的类别信息和所述类别信息对应的等级信息的卷积神经网络。
可选的，在对所述原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像之前，所述方法还包括：
对所述原始糖尿病视网膜图像进行预处理。
可选的，在所述对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像之前，所述方法还包括：
获得待检测的原始糖尿病视网膜图像。
第二方面，本发明实施例提供了一种糖尿病视网膜疾病数据处理装置，包括：
第一处理模块，用于对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像；
第二处理模块，用于基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据。
第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
第四方面，本发明实施例提供了一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
相对现有技术，本发明具有以下有益效果：
本发明实施例提供了一种糖尿病视网膜疾病数据处理方法、装置及电子设备，所述方法包括：对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像；基于重建糖尿病视网膜图像和卷积神经网络，获得重建糖尿病视网膜图像的疾病数据。首先通过对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像，重建糖尿病视网膜图像的分辨率达到第一预设值，重建糖尿病视网膜图像的分辨率高，重建糖尿病视网膜图像的特征明显且丰富，可以提高眼底视网膜影像的质量；然后基于重建糖尿病视网膜图像和卷积神经网络，通过卷积神经网络针对重建糖尿病视网膜图像输出重建糖尿病视网膜图像的疾病数据，由于重建糖尿病视网膜图像的质量提高，再通过卷积神经网络对重建糖尿病视网膜图像进行处理，进而提高基于计算机对眼底视网膜影像的检测速度，由于重建糖尿病视网膜图像的特征明显且丰富，故提高了基于眼底视网膜影像获得的病变数据的精度。因此，解决了现有技术中存在的基于计算机对眼底视网膜影像的检测速度慢、基于眼底视网膜影像获得的病变数据精度低的问题，达到了提高基于计算机对眼底视网膜影像的检测速度，提高了基于眼底视网膜影像获得的病变数据的精度的技术效果。
本发明实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的一种糖尿病视网膜疾病数据处理方法的流程图。
图2示出了本发明实施例提供的另一种糖尿病视网膜疾病数据处理方法的流程图。
图3示出了本发明实施例提供的一种糖尿病视网膜疾病数据处理装置200的方框结构示意图。
图4示出了本发明实施例提供的一种电子设备的方框结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在传统技术中，是采用图形处理器(Graphics Processing Unit，GPU)对医学图像进行图像处理，例如对眼底视网膜影像进行处理。然而，采用GPU的医疗设备的整体体积偏大，极大浪费医疗工作站的空间，此外，高性能GPU的造价过高，造成医疗设备的成本增加。为了提高眼底视网膜影像病变的检测中的速度，需要提高眼底视网膜影像的特征的质量。同时，还需要以提高获得的病变数据的精度。
本发明实施例提供了本发明实施例提供了一种糖尿病视网膜疾病数据处理方法、装置及电子设备，用以解决现有技术中存在的基于计算机对眼底视网膜影像的检测速度慢、基于眼底视网膜影像获得的病变数据精度低的问题。
实施例
本发明实施例提供的一种糖尿病视网膜疾病数据处理方法，包括如图1所示的S100和S200，以下结合图1对S100和S200进行阐述。
S100：对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像。
S200：基于重建糖尿病视网膜图像和卷积神经网络，获得重建糖尿病视网膜图像的疾病数据。
通过采用以上方案，首先通过对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像，重建糖尿病视网膜图像的分辨率达到第一预设值，重建糖尿病视网膜图像的分辨率高，重建糖尿病视网膜图像的特征明显且丰富，可以提高眼底视网膜影像的质量；然后基于重建糖尿病视网膜图像和卷积神经网络，通过卷积神经网络针对重建糖尿病视网膜图像输出重建糖尿病视网膜图像的疾病数据，由于重建糖尿病视网膜图像的质量提高，再通过卷积神经网络对重建糖尿病视网膜图像进行处理，进而提高基于计算机对眼底视网膜影像的检测速度，由于重建糖尿病视网膜图像的特征明显且丰富，故提高了基于眼底视网膜影像获得的病变数据的精度。因此，解决了现有技术中存在的基于计算机对眼底视网膜影像的检测速度慢、基于眼底视网膜影像获得的病变数据精度低的问题，达到了提高基于计算机对眼底视网膜影像的检测速度，提高了基于眼底视网膜影像获得的病变数据的精度的技术效果。
其中，针对图1中的S100，作为一种可选的实施方式，S100具体为：对原始糖尿病视网膜图像进行双立方插值处理，获得插值糖尿病视网膜图像；获得插值糖尿病视网膜图像的低维特征，低维特征表征插值糖尿病视网膜图像中精度小于第二预设值的特征；获得插值糖尿病视网膜图像的高维特征，高维特征表征插值糖尿病视网膜图像中精度不小于第二预设值的特征；对低维特征和高维特征进行融合，获得融合特征；基于融合特征，获得重建糖尿病视网膜图像。其中，针对对低维特征和高维特征进行融合，获得融合特征的步骤，作为一种可选的实施方式，具体为：对低维特征和高维特征进行像素叠加，获得融合特征。
作为一种可选的实施方式，针对S100所包括的步骤，具体为：通过超卷积神经网络(Super ResolutionConvolutional Neural Networks，SRCNN)的若干层网络获得插值糖尿病视网膜图像的低维特征，再通过SRCNN的若干层网络获得插值糖尿病视网膜图像的高维特征；对每层网络输出的低维特征和每层网络输出的高维特征进行融合，获得融合特征，并基于融合特征，获得重建糖尿病视网膜图像。
在本发明实施例中，疾病数据包括类别信息和类别信息对应的等级信息；类别信息表征重建糖尿病视网膜图像中呈现的糖尿病视网膜病变的类型信息，类别信息对应的等级信息表征糖尿病视网膜病变的轻重情况的等级。例如，类别信息可以是有病变和无病变，有病变这个类别信息对应的等级信息可以包括无病变、轻微病变、中等病变、严重病变和增值病变等，其中，无病变表示重建糖尿病视网膜图像不存在增值型糖尿病性视网膜病变(proliferative diabetic retinopathy，PDR)的图像区域，即存在非增值型糖尿病性视网膜病变(non-proliferative diabetic retinopathy，NPDR)的图像区域，轻微病变表示重建糖尿病视网膜图像存在轻微的增值型糖尿病性视网膜病变的图像区域，中等病变表示重建糖尿病视网膜图像存在中等的增值型糖尿病性视网膜病变的图像区域，严重病变表示重建糖尿病视网膜图像存在严重的增值型糖尿病性视网膜病变的图像区域，增值病变表示重建糖尿病视网膜图像存在明确的增值型糖尿病性视网膜病变的图像区域。
针对图1中的S200，作为一种可选的实施方式，S200具体为：将重建糖尿病视网膜图像输入卷积神经网络中，卷积神经网络针对重建糖尿病视网膜图像输出重建糖尿病视网膜图像的类别信息和所述类别信息对应的等级信息；卷积神经网络包括第一部分网络和第二部分网络，第二部分网络用于对第一部分网络输出的数据进行降维，以获得重建糖尿病视网膜图像的类别信息和类别信息对应的等级信息。作为一种可选的实施方式，神经网络的第一部分网络是经典的残差神经网络(Residual Neural Network，ResNet)，例如，ResNet_v2_101。第二部分网络是包括多层卷积层和池化层，以及输出是一个包括K个神经元的全连接层的网络，K表示需要输出的类别信息和等级信息的数量。第一部分网络和第二部分网络之间通过一个全连接层进行连接。如此，可以通过第一部分网络对重建糖尿病视网膜图像进行处理，然后通过第二部分网络对第一部分网络的输出进行降维，以获得适用于现实场景的、简单的糖尿病视网膜疾病辅助判断的疾病数据。因为维度高图像特征的数据量大，不便于医生参考疾病数据，因此将维度高的图像特征进行降维，并标签成类别信息和等级信息，便于医生参考类别信息和等级信息。
作为一种可选的实施方式，所述卷积神经网络的训练方法为：获得训练数据，训练数据包括多张预先标注的重建糖尿病视网膜图像，预先标注的重建糖尿病视网膜图像包括图像数据、图像数据的类别信息以及类别信息对应的等级信息；基于训练数据对卷积神经网络进行训练，获得可以针对重建糖尿病视网膜图像输出重建糖尿病视网膜图像的类别信息和类别信息对应的等级信息的卷积神经网络。其中，基于训练数据对卷积神经网络进行训练时，采用残差函数对积神经网络进行训练，以使卷积神经网络可以针对重建糖尿病视网膜图像输出重建糖尿病视网膜图像的类别信息和类别信息对应的等级信息。
作为一种可选的实施方式，在S100之前，所述方法还包括S001，请参阅图2，S001：对原始糖尿病视网膜图像进行预处理。在本发明实施例中，预处理可以包括翻转、裁切、灰度变换等任意一个或者多个操作。在对原始糖尿病视网膜图像进行预处理之前，所述方法还包括，获得待检测的原始糖尿病视网膜图像，其中，获得待检测的原始糖尿病视网膜图像的方式可以是，通过医疗器械、摄像头等设备拍摄的眼底视网膜图像，对眼底视网膜图像分类成用于训练卷积神经网络的训练图像集合、用于验证卷积神经网络的验证图像集合和用于测试卷积神经网络的测试图像集合。其中，训练图像集合、验证图像集合和测试图像集合包括多张原始糖尿病视网膜图像。训练数据可以从训练图像集合中获得多张标注的原始糖尿病视网膜图像，其中标注即是标注了类别信息和等级信息。
综上所述，通过对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像，重建糖尿病视网膜图像的分辨率达到第一预设值，重建糖尿病视网膜图像的分辨率高，重建糖尿病视网膜图像的特征明显且丰富，可以提高眼底视网膜影像的质量；然后基于重建糖尿病视网膜图像和卷积神经网络，通过卷积神经网络针对重建糖尿病视网膜图像输出重建糖尿病视网膜图像的疾病数据，由于重建糖尿病视网膜图像的质量提高，再通过卷积神经网络对重建糖尿病视网膜图像进行处理，进而提高基于计算机对眼底视网膜影像的检测速度，由于重建糖尿病视网膜图像的特征明显且丰富，故提高了基于眼底视网膜影像获得的病变数据的精度。因此，解决了现有技术中存在的基于计算机对眼底视网膜影像的检测速度慢、基于眼底视网膜影像获得的病变数据精度低的问题，达到了提高基于计算机对眼底视网膜影像的检测速度，提高了基于眼底视网膜影像获得的病变数据的精度的技术效果。
针对上述实施例提供一种糖尿病视网膜疾病数据处理方法，本申请实施例还对应提供一种用于执行上述的步骤的执行主体，该执行主体可以为图3中糖尿病视网膜疾病数据处理装置200。请参考图3，该装置包括：
第一处理模块210，用于对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像；
第二处理模块220，用于基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据。
作为一种可选的实施方式，第一处理模块210具体用于；对所述原始糖尿病视网膜图像进行双立方插值处理，获得插值糖尿病视网膜图像；
获得所述插值糖尿病视网膜图像的低维特征，所述低维特征表征所述插值糖尿病视网膜图像中精度小于第二预设值的特征；
获得所述插值糖尿病视网膜图像的高维特征，所述高维特征表征所述插值糖尿病视网膜图像中精度不小于第二预设值的特征；
对所述低维特征和所述高维特征进行融合，获得融合特征；
基于所述融合特征，获得所述重建糖尿病视网膜图像。
作为一种可选的实施方式，第一处理模块210具体还用于：
对所述低维特征和所述高维特征进行像素叠加，获得融合特征。
作为一种可选的实施方式，所述疾病数据包括类别信息和所述类别信息对应的等级信息；所述类别信息表征所述重建糖尿病视网膜图像中呈现的糖尿病视网膜病变的类型信息，所述类别信息对应的等级信息表征糖尿病视网膜病变的轻重情况的等级；第二处理模块220具体用于：
将所述重建糖尿病视网膜图像输入所述卷积神经网络中，所述卷积神经网络针对所述重建糖尿病视网膜图像输出所述重建糖尿病视网膜图像的所述类别信息和所述类别信息对应的等级信息；所述卷积神经网络包括第一部分网络和第二部分网络，所述第二部分网络用于对所述第一部分网络输出的数据进行降维，以获得所述重建糖尿病视网膜图像的所述类别信息和所述类别信息对应的等级信息。
作为一种可选的实施方式，所述装置还包括：
训练模块，用于：获得训练数据，所述训练数据包括多张预先标注的重建糖尿病视网膜图像，所述预先标注的重建糖尿病视网膜图像包括图像数据、所述图像数据的类别信息以及所述类别信息对应的等级信息；
基于所述训练数据对所述卷积神经网络进行训练，获得可以针对重建糖尿病视网膜图像输出所述重建糖尿病视网膜图像的类别信息和所述类别信息对应的等级信息的卷积神经网络。
作为一种可选的实施方式，所述装置还包括：
第三处理模块，用于对所述原始糖尿病视网膜图像进行预处理。
作为一种可选的实施方式，所述装置还包括：
获得模块，用于获得待检测的原始糖尿病视网膜图像。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备，如图4所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述糖尿病视网膜疾病数据处理方法的任一方法的步骤。
其中，在图4中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述糖尿病视网膜疾病数据处理方法的任一方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (9)
1.一种糖尿病视网膜疾病数据处理方法，其特征在于，包括：
对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像，包括：对所述原始糖尿病视网膜图像进行双立方插值处理，获得插值糖尿病视网膜图像；
获得所述插值糖尿病视网膜图像的低维特征，所述低维特征表征所述插值糖尿病视网膜图像中精度小于第二预设值的特征；
获得所述插值糖尿病视网膜图像的高维特征，所述高维特征表征所述插值糖尿病视网膜图像中精度不小于第二预设值的特征；
对所述低维特征和所述高维特征进行融合，获得融合特征；
基于所述融合特征，获得所述重建糖尿病视网膜图像；
基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述低维特征和所述高维特征进行融合，获得融合特征，包括：
对所述低维特征和所述高维特征进行像素叠加，获得融合特征。
3.根据权利要求1所述的方法，其特征在于，所述疾病数据包括类别信息和所述类别信息对应的等级信息；所述类别信息表征所述重建糖尿病视网膜图像中呈现的糖尿病视网膜病变的类型信息，所述类别信息对应的等级信息表征糖尿病视网膜病变的轻重情况的等级；
所述基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据，包括：
将所述重建糖尿病视网膜图像输入所述卷积神经网络中，所述卷积神经网络针对所述重建糖尿病视网膜图像输出所述重建糖尿病视网膜图像的所述类别信息和所述类别信息对应的等级信息；所述卷积神经网络包括第一部分网络和第二部分网络，所述第二部分网络用于对所述第一部分网络输出的数据进行降维，以获得所述重建糖尿病视网膜图像的所述类别信息和所述类别信息对应的等级信息。
4.根据权利要求3所述的方法，其特征在于，所述卷积神经网络的训练方法包括：
获得训练数据，所述训练数据包括多张预先标注的重建糖尿病视网膜图像，所述预先标注的重建糖尿病视网膜图像包括图像数据、所述图像数据的类别信息以及所述类别信息对应的等级信息；
基于所述训练数据对所述卷积神经网络进行训练，获得可以针对重建糖尿病视网膜图像输出所述重建糖尿病视网膜图像的类别信息和所述类别信息对应的等级信息的卷积神经网络。
5.根据权利要求1所述的方法，其特征在于，在对所述原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像之前，所述方法还包括：
对所述原始糖尿病视网膜图像进行预处理。
6.根据权利要求1-5任一项所述的方法，其特征在于，在所述对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像之前，所述方法还包括：
获得待检测的原始糖尿病视网膜图像。
7.一种糖尿病视网膜疾病数据处理装置，其特征在于，包括：
第一处理模块，用于对原始糖尿病视网膜图像进行超分辨率重建，获得分辨率达到第一预设值的重建糖尿病视网膜图像；所述第一处理模块，具体用于：对所述原始糖尿病视网膜图像进行双立方插值处理，获得插值糖尿病视网膜图像；获得所述插值糖尿病视网膜图像的低维特征，所述低维特征表征所述插值糖尿病视网膜图像中精度小于第二预设值的特征；获得所述插值糖尿病视网膜图像的高维特征，所述高维特征表征所述插值糖尿病视网膜图像中精度不小于第二预设值的特征；对所述低维特征和所述高维特征进行融合，获得融合特征；基于所述融合特征，获得所述重建糖尿病视网膜图像；
第二处理模块，用于基于所述重建糖尿病视网膜图像和卷积神经网络，获得所述重建糖尿病视网膜图像的疾病数据。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910374060.2A CN110084809B (zh) | 2019-05-06 | 2019-05-06 | 糖尿病视网膜疾病数据处理方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910374060.2A CN110084809B (zh) | 2019-05-06 | 2019-05-06 | 糖尿病视网膜疾病数据处理方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084809A CN110084809A (zh) | 2019-08-02 |
| CN110084809B true CN110084809B (zh) | 2021-03-16 |
Family
ID=67418844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910374060.2A Active CN110084809B (zh) | 2019-05-06 | 2019-05-06 | 糖尿病视网膜疾病数据处理方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084809B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110660055B (zh) * | 2019-09-25 | 2022-11-29 | 北京青燕祥云科技有限公司 | 疾病数据预测方法、装置、可读存储介质及电子设备 |
| CN110796599B (zh) * | 2019-10-15 | 2023-08-01 | 哈尔滨工程大学 | 视网膜图像超分辨率重建的通道加权生成式对抗网络方法 |
| CN110837803B (zh) * | 2019-11-07 | 2022-11-29 | 复旦大学 | 基于深度图网络的糖尿病视网膜病变分级方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870836A (zh) * | 2014-01-10 | 2014-06-18 | 浙江工业大学 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
| CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
| CN107945114A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 基于聚类字典和迭代反投影的磁共振图像超分辨率方法 |
| CN108009592A (zh) * | 2017-12-15 | 2018-05-08 | 云南大学 | 一种糖尿病性视网膜图像自动分类方法 |
| 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 |
| CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106469316B (zh) * | 2016-09-07 | 2020-02-21 | 深圳大学 | 基于超像素级信息融合的高光谱图像的分类方法及系统 |
| CN106981057B (zh) * | 2017-03-24 | 2019-12-13 | 中国人民解放军国防科学技术大学 | 一种基于rpca的nsst图像融合方法 |
-
2019
- 2019-05-06 CN CN201910374060.2A patent/CN110084809B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103870836A (zh) * | 2014-01-10 | 2014-06-18 | 浙江工业大学 | 基于凸集投影超分辨率重构的合成孔径雷达图像目标识别方法 |
| CN105513077A (zh) * | 2015-12-11 | 2016-04-20 | 北京大恒图像视觉有限公司 | 一种用于糖尿病性视网膜病变筛查的系统 |
| CN107945114A (zh) * | 2017-11-30 | 2018-04-20 | 天津大学 | 基于聚类字典和迭代反投影的磁共振图像超分辨率方法 |
| CN108009592A (zh) * | 2017-12-15 | 2018-05-08 | 云南大学 | 一种糖尿病性视网膜图像自动分类方法 |
| 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 |
| CN109543697A (zh) * | 2018-11-16 | 2019-03-29 | 西北工业大学 | 一种基于深度学习的rgbd图像目标识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Image Super-Resolution Using Deep Convolutional Networks;Chao Dong;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20160229;全文 * |
| 基于SRCNN的压缩感知图像超分辨率重建仿真研究;朱中杭;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084809A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109493347B (zh) | 在图像中对稀疏分布的对象进行分割的方法和系统 | |
| CN110084809B (zh) | 糖尿病视网膜疾病数据处理方法、装置及电子设备 | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN110598714B (zh) | 一种软骨图像分割方法、装置、可读存储介质及终端设备 | |
| Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
| CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
| WO2020016736A1 (en) | Knockout autoencoder for detecting anomalies in biomedical images | |
| CN113012155A (zh) | 髋关节图像中骨骼分割方法、电子设备及存储介质 | |
| EP3895121A1 (en) | System and method for providing stroke lesion segmentation using conditional generative adversarial networks | |
| CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| WO2021168745A1 (zh) | 一种磁共振成像模型的训练方法及装置 | |
| Kassem et al. | Explainable transfer learning-based deep learning model for pelvis fracture detection | |
| CN115439651A (zh) | 一种基于空间多尺度注意网络的dsa脑血管分割系统及方法 | |
| CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
| WO2021139351A1 (zh) | 图像分割方法、装置、介质及电子设备 | |
| US20220351863A1 (en) | Method and System for Disease Quantification of Anatomical Structures | |
| Sarica et al. | A dense residual U-net for multiple sclerosis lesions segmentation from multi-sequence 3D MR images | |
| CN116563533A (zh) | 基于目标位置先验信息的医学图像分割方法及系统 | |
| Hoopes et al. | TopoFit: rapid reconstruction of topologically-correct cortical surfaces | |
| CN111681204A (zh) | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 | |
| CN114972634A (zh) | 基于特征体素融合的多视角三维可变形人脸重建方法 | |
| Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
| CN111899263B (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
| CN114581916A (zh) | 结合rpa和ai的基于图像的字符识别方法、装置及设备 | |
| WO2021184350A1 (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |