CN110097559B - 基于深度学习的眼底图像病灶区域标注方法 - Google Patents
基于深度学习的眼底图像病灶区域标注方法 Download PDFInfo
- Publication number
- CN110097559B CN110097559B CN201910359627.9A CN201910359627A CN110097559B CN 110097559 B CN110097559 B CN 110097559B CN 201910359627 A CN201910359627 A CN 201910359627A CN 110097559 B CN110097559 B CN 110097559B
- Authority
- CN
- China
- Prior art keywords
- image
- focus
- network
- neural network
- fundus
- 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
- 238000002372 labelling Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 210000000416 exudates and transudate Anatomy 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 210000001525 retina Anatomy 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 4
- 206010012689 Diabetic retinopathy Diseases 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 230000003902 lesion Effects 0.000 description 6
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000740 bleeding effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010002329 Aneurysm Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 208000009857 Microaneurysm Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000004256 retinal image Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Abstract
本发明公开一种基于深度学习的眼底图像病灶区域标注方法，该方法包括选取样本并进行预处理，包括图像的裁剪、水平上下翻转及归一化处理；构建卷积神经网络和解卷积神经网络作为图像生成器，输入预处理后的彩色眼底图像，输出对应的病灶概率图；构建卷积神经网络作为判别器，输入生成病灶图与真实病灶图，输出病灶图判断成真实图像的概率；交替训练生成网络与判别网络直到可以生成满意结果；根据生成的病灶概率图在眼底图像中标注病灶区域。本发明使用深度卷积神经网络生成眼底图像病灶概率图，对眼底图像病灶区域进行自动标注。自动标注可以为医生的诊断提供辅助依据，同时能够大大减轻人工标注的代价。
Description
技术领域
本发明涉及一种基于深度学习的眼底图像病灶区域标注方法，属于医学图像处理领域。
背景技术
近年来，随着医学成像采集设备的不断完善，以及图像处理、模式识别、机器学习等学科的不断发展，多学科交叉的医学图像处理和分析领域取得了丰硕的成果。这些成果对于辅助医生进行快速精确的诊断具有重大的意义。
糖尿病性视网膜病变(Diabetic Retinopathy,DR)是糖尿病常见的并发症，也是导致中老年人致盲的主要原因之一，其临床病灶表现为微动脉瘤、出血斑点、硬渗出物和软渗出物。通过定期筛查以及对疾病进行早期诊断可以有效降低致盲率。由于需要筛查的人群数量巨大，单纯靠医生进行诊断是一件费时费力的任务，并且由于医生的经验和疲劳等主观因素的影响，容易出现误诊与漏诊。因此对能自动进行DR诊断的计算机辅助系统进行研究和开发，可以大大减轻医生的负担，也能减少人力物力的消耗。
随着深度学习等数据驱动方法的发展，自动DR诊断系统得到了迅速的发展。然而医学标注图像通常规模很小，并且标注的价格昂贵，因而我们希望能用一种简单直接的方式直接由眼底视网膜图像生成其病灶区域的标注，以减少人工标注的代价。该方法的实现同样对于辅助医生诊断具有重大意义，通过对病灶区域的自动标注，能够让医生和病人对图像内容具有更直观的感受，提高诊断准确率与速率。
发明内容
发明目的：为解决现有技术的不足，本发明提供了一种基于深度学习的眼底图像病灶区域标注方法，将彩色眼底视网膜图像送入由深度卷积神经网络组成的生成对抗网络(GAN)，可以生成与之对应的病灶概率图，实现对眼底图像病灶区域的自动标注，节省图像标注的人力物力，为医生提供辅助诊断的素材。
技术方案：本发明所述基于深度学习的眼底图像病灶区域标注方法，其特征在于，包括如下步骤：
(1)选取DIARETDB1数据集中含有硬渗出物病灶的眼底图像以及其对应的硬渗出物病灶概率图作为原始数据样本，对眼底图像和病灶概率图进行预处理，得到训练集和测试集；
(2)构建生成网络，通过深度卷积神经网络和解卷积神经网络构建图像生成器，对于给定的眼底图像生成对应的病灶概率图；
(3)构建判别网络，通过深度全卷积神经网络构建图像判别器，用于判断送入判别网络中的病灶概率图的真实性，同时判断其是否与眼底视网膜图像匹配；
(4)将预处理后得到的训练集，送入生成网络得到生成病灶概率图，然后将生成图像送入判别网络，计算损失函数，迭代更新参数，使得生成的病灶概率图在特征分布上尽可能接近真实的病灶概率图；
(5)生成图像后处理，对生成的病灶概率图进行阈值处理和边缘检测，提取病灶图的边界框并在原图上标出，实现对眼底图像病灶区域自动标注的功能；
(6)用训练好的眼底图像病灶区域标注模型在测试集上做测试，验证模型效果，根据模型效果微调参数，多次训练模型，获得最佳效果的模型。
进一步完善上述技术方案，所述步骤(2)中对图像的预处理具体为：首先将原始高分辨率图像(1152×1500)进行补0填充，使得图像的长宽比为1:1(1500×1500)，然后将图像缩放到512×512来适应网络的输入尺寸，以此来提取图像的全局特征，同时对其进行上下和水平的翻转来扩充数据；同时，将1500×1500的图像缩放到1024×1024，并将其裁剪成4张512×512大小的子图，该方法能够提取图像的局部特征，保留更多的病灶信息；最后将得到的7张512×512的图像进行归一化处理作为训练集，并在训练时随机选取混合训练；测试集选取512×512的完整图像。
进一步地，所述步骤(2)中所构建的生成网络采用深度卷积神经网络，以U-Net为主体框架，其中U-Net包括卷积层、解卷积层、激活层和批归一化层，首先将预处理后的眼底图像作为输入，经过8层卷积-ReLu激活-批归一化层构成的下采样网络提取图像的特征并实现降维，之后通过7层解卷积-ReLu激活-批归一化层构成的解卷积网络获得生成图像，其中每一层解卷积层都与下采样网络中对应层数的卷积层在深度上拼接，使得网络具有更细粒度的特征。
进一步地，所述步骤(3)中所构建的判别网络采用深度全卷积神经网络，其中深度卷积神经网络包括卷积层、激活层和批归一化层，在深度卷积神经网络后面接有sigmoid激活层，获得输入图像是真实图像的概率，即网络用于判断输入图像是否为真实图像。
进一步地，所述步骤(4)中迭代更新参数时，交替训练生成网络和判别网络，每次迭代只更新生成网络参数或者判别网络参数，直到达到满意的生成效果。
进一步地，所述步骤(5)中后处理生成图像，首先以50为阈值对生成的病灶概率图进行阈值处理；再对阈值处理后的图像进行边缘检测处理，提取各个病灶区域的边缘；最后将所得边缘在原始眼底图像上进行标记，获得带病灶区域标记的眼底图像。
有益效果：1、在图像预处理中，将糖尿病性视网膜图像分割生成4张子图和3张完整图像，分别包含全局信息和局部信息，使得对图像的特征提取更为充分，大大提高了最后眼底图像的生成质量。
2、在生成图像后处理中，通过阈值处理以及边缘检测的方法实现了将病灶概率图在原始眼底图像上进行病灶区域自动标注的功能，标出图像中难以辨别的病灶区域。
3、标注的病灶区域可以为医生诊断提供重要的辅助信息，大大降低误诊漏诊概率，也能减轻医疗数据的人工标注成本。
附图说明
图1.本发明的实现流程框图。
图2.病灶概率图。
图3.生成病灶概率图。
图4.病灶区域标注结果对比图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施实例1：本发明提供的基于深度学习的眼底图像病灶区域标注方法对糖尿病性视网膜疾病中的硬渗出物病灶区域在原图上进行自动标注，参照图1所示，基于深度学习的眼底图像病灶区域标注方法主要包含以下步骤：
步骤一：选取数据集。本发明所使用的数据集为DIARETDB1数据集，其中DIARETDB1数据集是由库奥皮奥大学医院采集的用于DR检测的彩色眼底图像，包括89张彩色眼底图像，其中含有硬渗出物的48张，不含硬渗出物的41张，每张图像的大小为1152×1500。当把不含有硬渗出物的图像也用于训练时，实验所得的病灶概率图并不能得到期待的结果，输出为全黑的图像，因此只选用含有硬渗出物的48张图像。DIARETDB1数据集中包含4种糖尿病性视网膜疾病的病灶概率图(微动脉瘤、出血点、硬渗出物和软渗出物)。在本发明中以硬渗出物为实验对象，病灶概率图中颜色越亮的区域表示该区域含有硬渗出物的概率越高(参照图2所示)。
步骤二：图像预处理。为了使深度卷积神经网络能够充分提取图像特征，保留更多的病灶信息，图像送入网络前被扩充为7张子图，其中一张直接由原图缩放为512×512大小，提供图像的全局特征，另外2张由上述512×512大小的图像经过水平和上下的翻转得到，用于扩充数据量，并且保持类别平衡。此外，将图像由原图缩放至1024×1024，再裁剪成4张512×512大小的子图，提取图像的局部信息。最后对得到的7张图像做归一化处理，将其数值转化到-1至1之间。此部分对于每一张输入尺寸为1152×1500的彩色眼底图像最终输出7张尺寸为512×512的归一化彩色图像。
步骤三：搭建模型。本发明的模型包括生成网络和判别网络两个部分，其中生成网络采用U-Net框架。U-Net框架由下采样和上采样模块组成，下采样模块是传统的CNN特征提取器，由步幅为2的卷积层、ReLu激活函数和批归一化层组成。上采样模块与下采样模块对称，并且与下采样模块对应的特征图在深度上进行拼接，以获得更多细粒度的特征。由生成网络产生的生成图像和真实眼底图像被送入判别网络，经过一系列卷积层后，由sigmoid函数输出判别概率。最后计算网络的损失函数，包括GAN损失以及L1正则损失。GAN损失为argminGmaxDV(G，D)，其中：
LGAN＝Ev，r[log(v，r)]+Ev[log(1-D(v，G(v)))]
L1正则损失为：
LL1(G)＝Ev，r[||r-G(v)||1]
最终网络的损失函数为：
G*＝arg min max LGAN(G，D)+λLL1(G)
其中λ用来GAN损失与L1正则损失之间的权重平衡。
步骤四：训练模型。模型训练时将48张图像按照3:1的原则分成训练集合测试集，其中训练集36张，测试集12张，经过预处理后共得到训练数据252张。在训练时随机选取完整图像或者裁剪图像送入网络迭代更新参数，参数的更新依据事先定义好的损失函数，损失函数由判别网络输出的判别概率值与图像真实标签的交叉熵计算得到。本发明采用mini-batch的随机梯度下降算法和Adam优化器进行优化，学习速率为0.0002，动量参数β_1为0.5，β_2为0.999，λ采用100，每次交替更新生成网络和判别网络的参数，直到达到满意的生成效果。为了验证模型的性能，在测试集上进行测试，测试时直接以512×512大小的完整图像进行测试，测试结果参见图3。
步骤五：实验结果后处理，参照图4所示，对原始真实病灶概率图和生成的病灶概率图，首先以50为阈值进行阈值化处理，再对阈值处理后的图像进行边缘检测，最后将所得的边缘在原始眼底视网膜图像中进行标注，即可达到对眼底图像病灶区域标注的功能。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (1)
1.基于深度学习的糖尿病视网膜病变图像标注方法，其特征在于，包括如下步骤：
(1)选取DIARETDB1数据集中含有硬渗出物病灶的眼底图像以及其对应的硬渗出物病灶概率图作为原始数据样本，对眼底图像和病灶概率图进行预处理，得到训练集和测试集；
(2)构建生成网络，通过深度卷积神经网络和解卷积神经网络构建图像生成器，对于给定的眼底图像生成对应的病灶概率图；
(3)构建判别网络，通过深度全卷积神经网络构建图像判别器，用于判断送入判别网络中的病灶概率图的真实性，同时判断其是否与眼底视网膜图像匹配；
(4)将预处理后得到的训练集，送入生成网络得到生成病灶概率图，然后将生成图像送入判别网络，计算损失函数，迭代更新参数，使得生成的病灶概率图在特征分布上尽可能接近真实的病灶概率图；
(5)生成图像后处理，对生成的病灶概率图进行阈值处理和边缘检测，提取病灶图的边界框并在原图上标出，实现对眼底图像病灶区域自动标注的功能；
(6)用训练好的眼底图像病灶区域标注模型在测试集上做测试，验证模型效果，根据模型效果微调参数，多次训练模型，获得最佳效果的模型，
所述步骤(1)中对图像的预处理具体为：首先将原始高分辨率图像1152×1500进行补0填充，使得图像的长宽比为1:1，即1500×1500，然后将图像缩放到512×512来适应网络的输入尺寸，以此来提取图像的全局特征，同时对其进行上下和水平的翻转来扩充数据；同时，将
1500×1500的图像缩放到1024×1024，并将其裁剪成4张512×512大小的子图，该方法能够提取图像的局部特征，保留更多的病灶信息；最后将得到的7张512×512的图像进行归一化处理作为训练集，并在训练时随机选取混合训练；测试集选取512×512的完整图像，
所述步骤(2)中所构建的生成网络采用深度卷积神经网络，以U-Net为主体框架，其中U-Net包括卷积层、解卷积层、激活层和批归一化层，首先将预处理后的眼底图像作为输入，经过8层卷积-ReLu激活-批归一化层构成的下采样网络提取图像的特征并实现降维，之后通过7层解卷积-ReLu激活-批归一化层构成的解卷积网络获得生成图像，其中每一层解卷积层都与下采样网络中对应层数的卷积层在深度上拼接，使得网络具有更细粒度的特征，
所述步骤(3)中所构建的判别网络采用深度全卷积神经网络，其中深度卷积神经网络包括卷积层、激活层和批归一化层，在深度卷积神经网络后面接有sigmoid激活层，获得输入图像是真实图像的概率，即网络用于判断输入图像是否为真实图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910359627.9A CN110097559B (zh) | 2019-04-29 | 2019-04-29 | 基于深度学习的眼底图像病灶区域标注方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910359627.9A CN110097559B (zh) | 2019-04-29 | 2019-04-29 | 基于深度学习的眼底图像病灶区域标注方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110097559A CN110097559A (zh) | 2019-08-06 |
| CN110097559B true CN110097559B (zh) | 2024-02-23 |
Family
ID=67446434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910359627.9A Active CN110097559B (zh) | 2019-04-29 | 2019-04-29 | 基于深度学习的眼底图像病灶区域标注方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110097559B (zh) |
Families Citing this family (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648311B (zh) * | 2019-09-03 | 2023-04-18 | 南开大学 | 一种基于多任务学习的痤疮图像病灶分割与计数网络模型 |
| CN110689080B (zh) * | 2019-09-30 | 2023-04-18 | 天津工业大学 | 一种血管结构影像的平面图谱构建方法 |
| CN110889826B (zh) * | 2019-10-30 | 2024-04-19 | 平安科技（深圳）有限公司 | 眼部oct图像病灶区域的分割方法、装置及终端设备 |
| CN110826560B (zh) * | 2019-11-06 | 2023-10-27 | 山东省计算中心（国家超级计算济南中心） | 一种食管癌病理图像标注方法 |
| CN110969191B (zh) * | 2019-11-07 | 2022-10-25 | 吉林大学 | 基于相似性保持度量学习方法的青光眼患病概率预测方法 |
| CN112862746B (zh) * | 2019-11-28 | 2022-09-02 | 深圳硅基智控科技有限公司 | 基于人工神经网络的组织病变识别的识别方法及识别系统 |
| CN111161216A (zh) * | 2019-12-09 | 2020-05-15 | 杭州脉流科技有限公司 | 基于深度学习的血管内超声图像处理方法、装置、设备和存储介质 |
| CN111161278B (zh) * | 2019-12-12 | 2023-04-18 | 西安交通大学 | 一种基于深层网络聚合的眼底图像病灶分割方法 |
| CN111382785B (zh) * | 2020-03-04 | 2023-09-01 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
| CN111666993A (zh) * | 2020-05-28 | 2020-09-15 | 平安科技（深圳）有限公司 | 医学图像样本筛查方法、装置、计算机设备和存储介质 |
| CN111784671B (zh) * | 2020-06-30 | 2022-07-05 | 天津大学 | 基于多尺度深度学习的病理图像病灶区域检测方法 |
| CN111739616B (zh) * | 2020-07-20 | 2020-12-01 | 平安国际智慧城市科技股份有限公司 | 眼部图像的处理方法、装置、设备及存储介质 |
| CN112016634B (zh) * | 2020-09-30 | 2023-07-28 | 北京百度网讯科技有限公司 | 医学图像识别方法、装置、设备以及存储介质 |
| CN112488937B (zh) * | 2020-11-27 | 2022-07-01 | 河北工业大学 | 针对分割任务的医学影像特征增强方法 |
| CN112767328B (zh) * | 2021-01-08 | 2022-06-14 | 厦门大学 | 基于对抗学习和适应性分析的医学图像病灶跨域检测方法 |
| CN112950599B (zh) * | 2021-03-10 | 2023-04-07 | 中山大学 | 一种基于深度学习的大肠空腔区及肠内容物标注方法 |
| 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 |
| CN113469229A (zh) * | 2021-06-18 | 2021-10-01 | 中山大学孙逸仙纪念医院 | 一种基于深度学习的乳腺癌病灶自动标注方法及装置 |
| CN113469972B (zh) * | 2021-06-30 | 2024-04-23 | 沈阳东软智能医疗科技研究院有限公司 | 标注医学切片图像的方法、装置、存储介质及电子设备 |
| CN114612484B (zh) * | 2022-03-07 | 2023-07-07 | 中国科学院苏州生物医学工程技术研究所 | 基于无监督学习的视网膜oct图像分割方法 |
| CN114947734A (zh) * | 2022-05-18 | 2022-08-30 | 苏州比格威医疗科技有限公司 | 基于视网膜oct图像的cnv病灶伪造方法、装置及系统 |
| CN115274099B (zh) * | 2022-09-26 | 2022-12-30 | 之江实验室 | 一种人与智能交互的计算机辅助诊断系统与方法 |
| CN116152250B (zh) * | 2023-04-20 | 2023-09-08 | 广州思德医疗科技有限公司 | 病灶掩膜图像生成方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108520522A (zh) * | 2017-12-31 | 2018-09-11 | 南京航空航天大学 | 基于深度全卷积神经网络的视网膜眼底图像分割方法 |
| CN109166126A (zh) * | 2018-08-13 | 2019-01-08 | 苏州比格威医疗科技有限公司 | 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法 |
-
2019
- 2019-04-29 CN CN201910359627.9A patent/CN110097559B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108520522A (zh) * | 2017-12-31 | 2018-09-11 | 南京航空航天大学 | 基于深度全卷积神经网络的视网膜眼底图像分割方法 |
| CN109166126A (zh) * | 2018-08-13 | 2019-01-08 | 苏州比格威医疗科技有限公司 | 一种基于条件生成式对抗网络在icga图像上分割漆裂纹的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测;谢云霞等;《计算机应用》(第08期);全文 * |
| 基于深度学习辅助诊断青光眼病灶检测算法及应用;张悦等;《眼科》;20200125(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110097559A (zh) | 2019-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097559B (zh) | 基于深度学习的眼底图像病灶区域标注方法 | |
| CN109886273B (zh) | 一种cmr图像分割分类系统 | |
| CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN109345538A (zh) | 一种基于卷积神经网络的视网膜血管分割方法 | |
| Reza et al. | A decision support system for automatic screening of non-proliferative diabetic retinopathy | |
| Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
| CN110097545A (zh) | 基于深度学习的眼底图像生成方法 | |
| CN111951221A (zh) | 一种基于深度神经网络的肾小球细胞图像识别方法 | |
| CN108764342B (zh) | 一种对于眼底图中视盘和视杯的语义分割方法 | |
| CN115205300A (zh) | 基于空洞卷积和语义融合的眼底血管图像分割方法与系统 | |
| CN111524144A (zh) | 一种基于GAN和Unet网络的肺结节智能诊断方法 | |
| CN110490843A (zh) | 一种眼底图像血管分割方法 | |
| CN113034528A (zh) | 基于影像组学的靶区及危及器官勾画轮廓准确性检验方法 | |
| CN115409764B (zh) | 一种基于域自适应的多模态眼底血管分割方法及装置 | |
| CN111626986B (zh) | 一种基于深度学习的三维超声腹壁疝补片检测方法及系统 | |
| CN117094980A (zh) | 基于深度学习的超声乳腺结节图像可解释性方法 | |
| Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
| Raju Maher et al. | A Decision Support System for Automatic Screening of Non-proliferative Diabetic Retinopathy | |
| Dhivya et al. | Automated Identification of Diabetic Retinopathy Using Artificial Neutral Network | |
| 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 | |
| CN112927808A (zh) | 一种基于甲状腺超声图像的结节分级系统及方法 | |
| Renukadevi et al. | Categorization of diabetic retinopathy using deep learning techniques | |
| Ravenscroft et al. | Learning feature extractors for AMD classification in OCT using convolutional neural networks | |
| Abd Aziz et al. | Lightweight generative adversarial network fundus image synthesis |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240122 Address after: No. 38, Zhoujiadai East, Chengbei Village, Jingcheng Town, Jingjiang City, Taizhou City, Jiangsu Province, 214500 Applicant after: Li Honggang Country or region after: China Address before: 210046 20th Floor, Building B, Xingzhi Science and Technology Park, Qixia District, Nanjing City, Jiangsu Province Applicant before: Nanjing Starway Intelligent Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |