CN110175983A - 眼底病灶筛查方法、装置、计算机设备及存储介质 - Google Patents
眼底病灶筛查方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110175983A CN110175983A CN201910308657.7A CN201910308657A CN110175983A CN 110175983 A CN110175983 A CN 110175983A CN 201910308657 A CN201910308657 A CN 201910308657A CN 110175983 A CN110175983 A CN 110175983A
- Authority
- CN
- China
- Prior art keywords
- personnel
- detected
- lesion
- fundus image
- eye 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.)
- Granted
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 164
- 238000012216 screening Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 84
- 238000013210 evaluation model Methods 0.000 claims abstract description 43
- 238000007689 inspection Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013441 quality evaluation Methods 0.000 claims description 15
- 238000002360 preparation method Methods 0.000 claims description 14
- 238000010626 work up procedure Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 4
- 206010028980 Neoplasm Diseases 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 238000005266 casting Methods 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 description 23
- 230000035945 sensitivity Effects 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000644 propagated effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000012014 optical coherence tomography Methods 0.000 description 4
- 238000012797 qualification Methods 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 230000017105 transposition Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 208000017442 Retinal disease Diseases 0.000 description 2
- 206010038923 Retinopathy Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 208000027073 Stargardt disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (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)
Abstract
本发明公开了一种眼底病灶筛查方法、装置、计算机设备及存储介质,应用于图像检测领域,用于解决对眼底病灶不能准确筛查的问题。本发明提供的方法包括:接收待检测人员触发预约按键发送的预约指令,为待检测人员分配唯一编码;接收包含唯一编码的检查指令后,获取通过眼科扫描设备扫描待检测人员的眼底之后输出的眼底图像;通过预设的质量评估模型对眼底图像的图像质量进行评估检测,获取质量评估模型输出的评估结果;若评估结果为眼底图像的图像质量合格,则通过预设的检测模型识别眼底图像,获取检测模型输出的眼底图像的识别结果;并在识别结果为眼底图像中包含病灶时生成包含病灶的检测结果的筛查报告。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种眼底病灶筛查方法、装置、计算机设备及存储介质。
背景技术
目前我国人民的眼科疾病的情况十分严峻,且我国的眼科医疗资源还十分匮乏,其中,大部分的眼科医疗资源还集中在大城市中,偏远地区或者农村地区眼科医疗资源只有小部分甚至没有,由于偏远地区或者农村地区医疗等条件较差的原因,患眼科疾病的人可能会相对较多。对于眼底视网膜疾病,一定要做到早诊断早治疗,不然会加重疾病。但目前,对于眼底病灶的诊断筛查通常都是基于眼底彩照的产品,通过医生的经验进行人工筛查,该方案检查效率低,且和医生的从医经验相关程度很大,因此造成误判的几率也会相应增大;同时,眼底彩照的图像质量可能较差,对于某些细微病灶的显示会不清楚,可能会造成病灶的无法及时发现或者误判。因此,寻找一种可以提升监测效率和提升筛查准确程度的眼底病灶筛查方法成为本领域技术人员亟需解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种眼底病灶筛查方法、装置、计算机设备及存储介质,用于对眼底病灶进行准确筛查。
一种眼底病灶筛查方法,包括:
接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码;
接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像;
通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格;
若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶;
若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
一种眼底病灶筛查装置,包括:
分配模块,用于接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码;
眼底图像获取模块,用于接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像;
评估结果获取模块,用于通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格;
识别结果获取模块,用于若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶;
筛查报告生成模块,用于若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述眼底病灶筛查方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述眼底病灶筛查方法的步骤。
上述眼底病灶筛查方法、装置、计算机设备及存储介质,首先接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码;接着接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像;再接着通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格;然后若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶;最后若检测到所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,并获取所述检测模型输出的所述眼底图像的识别结果。本发明根据质量评估模型输出的评估结果检测眼底图像的图像质量,对图像质量不合格的眼底图像进行重新获取,以提升筛查眼底病灶的准确程度;同时,将图像质量合格的眼底图像通过检测模型进行识别,以确定眼底图像中的病灶,本发明无需通过医生的经验人工筛查眼底病灶,减轻了医生负担,同时减少了因医生经验不足造成的筛查误差,进一步提升了筛查眼底病灶的精准度,也同步提升了眼底病灶的监测效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中眼底病灶筛查方法的一应用环境示意图;
图2是本发明一实施例中眼底病灶筛查方法的一流程图;
图3是本发明一实施例中眼底病灶筛查方法在一个应用环境下提前提示待检测人员的流程示意图;
图4是本发明一实施例中眼底病灶筛查方法在一个应用环境下确认待检测人员是否在预设时长去开始通过眼科扫描设备的流程示意图;
图5是本发明一实施例中眼底病灶筛查方法在一个应用环境下预设的质量评估模型训练过程的流程示意图;
图6是本发明一实施例中眼底病灶筛查方法在一个应用环境下确认眼底图像中包含的病灶类型的急迫性的流程示意图;
图7是本发明一实施例中眼底病灶筛查装置的结构示意图;
图8是本发明另一实施例中眼底病灶筛查装置的结构示意图;
图9是本发明另一实施例中眼底病灶筛查装置的结构示意图;
图10是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
本发明提供的眼底病灶筛查方法,可应用在如图1的应用环境中,其中,客户端通过网络与服务器进行通信。其中,客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中,如图2所示,提供一种眼底病灶筛查方法,以该方法应用在图1中的服务器为例进行说明,包括如下步骤:
S10、接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码。
其中,所述待检测人员可以通过在客户端上按压或者滑动所述预约按键的方式触发预约按键,可以理解的是,在待检测人员触发预约按键发送的预约指令之前,待检测人员提前通过客户端扫描二维码,并在扫码之后出现的信息录入界面中录入身份信息,或者在所述客户端上直接打开所述信息录入界面录入身份信息。在待检测人员录入身份信息并触发预约按键之后,服务器接收到客户端发送的预约指令,此时,服务器为所述待检测人员分配关联于所述待检测人员身份信息的唯一编码,同时,所述服务器还会为每个唯一编码分配检查时间,且该检查时间也都已与所述待检测人员的唯一编码关联。比如,待检测人员A触发预约按键后被分配的编码为201810258001号,则是第一个检测,且分配的检查时间为早上8点0分到8点15分。
S20、接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像。
在具体的实施例中,所述眼底图像是指所述待检测人员的眼底黄斑区和视盘区的图像,所述唯一编码是按照一定规则(比如用字母、阿拉伯数字等进行排序)进行排序的。当接收到第一个唯一编码(比如201810258001号)后,就等同于收到对所述待检测人员的检查指令,此时,可以通过眼科扫描设备,比如OCT(光学相干层析技术,Optical Coherencetomography)眼科扫描设备,扫描所述待检测人员后获取眼底,比如Bscan(水平方向扫描)图像。OCT眼科扫描设备成像基于低相干干涉原理,检测生物组织不同深度层面对入射弱相干光的背向反射或者几次散射信号,通过扫描,可重构出生物组织二维或三维结构图像。
进一步地,为了提前提示正在等待的所述待检测人员及时做好预备工作,知道自己何时需要通过眼科扫描设备进行检测,此时,所述步骤S20之前,如图3所示,还可以包括如下步骤:
S201、在接收到预备呼叫指令时,获取检查序列在当前检测人员之后的所述待检测人员的唯一编码;
其中,所述当前检测人员为正在通过所述眼科扫描设备进行扫描的人员。根据所述检查序列可以获知同一预约检查时间段内的多个待检测人员的检查先后顺序(按照所述检查序列中的唯一编码的先后顺序进行排序)。此时,当确定出所述当前检测人员正在通过所述眼科扫描设备进行扫描,服务器就可以根据所述检查序列获取当前检测人员之后的所述待检测人员的唯一编码。
S202、将检查序列在当前检测人员之后的所述待检测人员的名称或/和唯一编码,通过语音播报或/和在预设位置的显示屏显示的方式提示给所述待检测人员。
在此步骤中,可以理解的是,当确定当前检测人员的唯一编码后,由于所述检查序列中的唯一编码是按一定规则进行先后顺序排序,因此,可以根据所述检查序列确定当前检测人员之后的所述待检测人员的唯一编码。此时,可以通过语音播报或/和在预设位置的显示屏显示的方式提示下一个需要预备进行检查的待检测人员是谁,且播报和显示的下一个需要预备进行检查的待检测人员的相关信息可以为所述检测人员的名字(比如某某先生/女生等)或/和唯一编码(比如201810258001号)。
在一实施例中,为了提示所述待检测人员及时通过眼科扫描设备进行检测,所述步骤S20中,所述接收包含所述唯一编码的检查指令后,如图4所示,还包括以下步骤:
S203、通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认所述待检测人员是否已经开始通过所述眼科扫描设备进行扫描。
可以理解的是,为了提前提示所述待检测人员,使得检查过程中不浪费检测时间,服务器可以通过语音播报的方式呼叫当前需要进行检查的所述待检测人员的名称或/和唯一编码,且播报内容包括所属检测人员的名字或/和唯一编码,并确认所述待检测人员是否已经开始通过所述眼科扫描设备进行扫描,若开始通过所述眼科扫描设备进行扫描,说明需要提示下一个待检测人员预备进行检查,此时生成包含所述下一个唯一编码的预备呼叫指令,以对下一个待检测人员进行提示;若未开始通过眼科扫描设备进行扫描,说明当前需要进行检查的这位待检测人员并未接收到提示,此时可以通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,以对其再次进行提示。
S204、在所述待检测人员未开始通过眼科扫描设备进行扫描时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长。
可以理解的是,在所述待检测人员未开始通过眼科扫描设备进行扫描时,则可以说明所述待检测人员没有及时出现。此时,服务器返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,且播报内容包括所属检测人员的名字或/和唯一编码,服务器会记录第一次呼叫所述待检测人员的时间点以及与当前时刻所对应的当前时间点。
S205、在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长超过预设时长时,生成包含下一个唯一编码的检查指令,所述下一个唯一编码是指所述检查序列中的排列顺序在所述待检测人员之后的唯一编码。
可以理解的是,所述预设时长可以根据需求设定,该预设时长是指检测机构为本次检查的一个待检测人员预设的等待时长,在该等待时长之中,若该待检测人员未及时来到进行检查,则开始进入下一位待检测人员的检查流程之中,如此可以节省医院的检查效率,避免长时间等待一个待检测人员而无法及时检查其他待检测人员。
服务器会记录第一次呼叫所述待检测人员的时间点以及与当前时刻所对应的当前时间点,然后比较第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长,在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长超过预设时长时,则可以说明所述检测人员超过了在本次检查中预设的等待时长之后,还是没有及时出现。此时,服务器可以从所述检查序列中确定出所述待检测人员的唯一编码之后的下一个唯一编码(对应于下一个待检测人员),并生成包含下一个唯一编码的检查指令。
S206、在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长未超过预设时长时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长。
可以理解的是,在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长未超过预设时长时,则说明当前需要进行检查的这位待检测人员并未接收到提示,需要再次进行提示,因此服务器可以继续进行语音播报所述待检测人员的名称或/和唯一编码,直到第一次呼叫所述待检测人员的时间点与当前时间点之间的时长超过预设时长或所述待检测人员开始通过眼科扫描设备进行扫描。
S207、在所述待检测人员已经开始通过眼科扫描设备进行扫描时,生成包含所述下一个唯一编码的预备呼叫指令。
可以理解的是,在所述待检测人员已经开始通过眼科扫描设备进行扫描时,则可以说明所述待检测人员及时出现。此时,服务器可以开始通过眼科扫描设备进行扫描时,服务器可以从所述检查序列中确定出所述待检测人员的唯一编码之后的下一个唯一编码(对应于下一个待检测人员),并生成包含下一个唯一编码的预备呼叫指令,以提示其可以开始预备进行检查。
需要说明的是,在一实施例中,所述待检测人员由于某些原因没有通过眼科扫描设备进行检测时,所述待检测人员需要重新检测,此时,所述方法还包括以下步骤:
将已经过号的将所述待检测人员的唯一编码,按照预设的重新排队规则(比如设定需将其插入至所述检查序列中的当前正在进行检查的所述待检测人员的唯一编码之后的第五个唯一编码之后)插入到所述检查序列之中。
S30、通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格,所述评估结果包括所述眼底图像的图像质量合格和不合格。
也即,所述预设的检测模型的输入的识别对象为所述眼底图像,所述预设的质量评估模型的输出为所述评估结果。
可理解地,在通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测之前,还需要对所述预设的质量评估模型进行训练,此时,如图5所示,所述步骤S30之前还包括以下步骤:
S301、获取图像质量评估样本。
其中,所述图像质量评估样本可以是预先存储在数据库中的多个(比如三万个)通过眼科扫描设备扫描的眼底图像,且每一个图像质量评估样本对应于一个评估结果。
S302、通过包含第一初始参数的质量评估模型对所述图像质量评估样本进行评估,并获取评估之后得到的评估结果与所述图像质量评估样本对应的评估结果之间的第一整体偏差程度。
可以理解的是,所述质量评估模型(由初始化深度神经网络模型获取到)包括各层之间各个神经元连接的权值和偏置(第一初始参数包括权值和偏置),这些权值和偏置决定了所述质量评估模型的性质及评估效果;所述第一整体偏差程度可以为权值和偏置的变化值。所述第一初始参数可根据需求设置,比如,质量评估模型中的权值和偏置的初始值可以设置为较小的值,如设置在区间[-0.3,0.3]之间,或者直接采用经验值设置初始的权值和偏置。具有合理的初始参数的质量评估模型可以使质量评估模型在初期有较灵活的调整能力,可以在质量评估模型训练过程中对模型进行有效的调整,使得训练出的质量评估模型评估效果较好。
S303、判断所述第一整体偏差程度是否大于预设的第一偏差值。
所述第一偏差值(停止迭代阈值)可以根据需求或者经验进行设定。
S304、若所述第一整体偏差程度大于所述第一偏差值,则将所述质量评估模型的第一初始参数调整为第一修正后参数,并通过具有所述第一修正后参数的所述质量评估模型对所述图像质量评估样本进行评估,并获取本次评估之后得到的评估结果与所述图像质量评估样本对应的评估结果之间的第一整体偏差程度,判断该第一整体偏差程度是否大于预设的第一偏差值,直至所述第一整体偏差程度小于或等于所述第一偏差值。
将图像特征向量分组输入到深度神经网络模型中,根据前向传播算法获取深度神经网络模型的输出值,图像特征向量的第i组样本在深度神经网络模型的当前层的输出值用公式表示为ai,l=σ(Wlai,l-1+bl),其中,a为输出值,i表示输入的图像特征向量的第i组样本,l为深度神经网络模型的当前层,σ为激活函数,W为权值,l-1为深度神经网络模型的当前层的上一层,b为偏置。
具体地,有DNN(初始化深度神经网络模型)模型的总层数为L,DNN模型中连接各个神经元的权值W,偏置b和输入值向量xi,输出层的输出值ai,L(i表示输入的图像特征向量的第i组样本),则a1=xi(第一层的输出为在输入层输入的图像特征向量,即输入值向量xi),根据前向传播算法可知输出ai,l=σ(Wlai,l-1+bl),其中,l表示深度神经网络模型的当前层,σ为激活函数,这里具体采用的激活函数可以是sigmoid或者tanh激活函数。根据上述计算ai,l的公式按层数逐层进行前向传播,获取DNN模型中网络最终的输出值ai,L(即深度神经网络模型的输出值),有了输出值ai,L即可以根据输出值ai,L对DNN模型中的网络参数(连接各个神经元的权值W,偏置b)进行调整,以获取拥有优异评估图像质量的质量评估模型。
基于深度神经网络模型的输出值进行误差反传,更新深度神经网络模型各层的权值和偏置,获取质量评估模型,其中,更新权值的计算公式为l为所述质量评估模型的当前层,W为权值,Wl为当前层的权值,Wl′为更新后的当前层的权值,α为迭代步长,m为输入的样本总数,δi,l为当前层的灵敏度;δi,l=(Wl+1)Tδi,l+1*σ'(zi,l),zi,l=Wlai,l-1+bl,ai,l-1为上一层的输出,T表示矩阵转置运算,σ'为激活函数的导函数,*表示两个矩阵对应元素相乘的运算(Hadamard积),更新偏置的计算公式为l为所述质量评估模型的当前层,bl为当前层的偏置,bl′为更新后当前层的偏置,α为迭代步长,m为输入的样本总数,δi,l为当前层的灵敏度。
具体地,更新DNN模型各层的权值W和偏置b采用的是后向传播算法,根据后向传播算法求误差函数的极小值,以优化更新DNN模型各层的权值W和偏置b,获取质量评估模型。具体地,设置模型训练的迭代步长为α,最大迭代次数MAX与停止迭代阈值∈。在后向传播算法中,灵敏度δi,l是每次更新参数都会出现的公共因子,因此可以借助灵敏度δi,l计算误差,以更新DNN模型中的网络参数。已知a1=xi(第一层的输出为在输入层输入的图像特征向量,即输入值向量xi),则先求出输出层的灵敏度δi,L,δi,L=(ai,L-yi)*σ'(zL),zi,l=Wlai,l-1+bl,其中i表示输入的图像特征向量的第i组样本,y为标签值(即用来与输出值ai,L相比较的值)。再根据δi,L求出深度神经网络模型的第l层的灵敏度δi,l,根据后向传播算法可以计算得出深度神经网络模型的第l层的灵敏度δi,l=(Wl+1)Tδi,l+1*σ'(zi,l),得到深度神经网络模型的第l层的灵敏度δi,l后,即可更新DNN模型各层的权值W和偏置b,更新后的权值为更新后的偏置为其中,α为模型训练的迭代步长,m为输入的图像特征向量的样本总数,T表示矩阵转置运算。当所有W和b的变化值都小于停止迭代阈值∈时,即可停止训练。通过图像特征向量在DNN模型中的输出值和预先设置好的标签值之间产生的误差,实现DNN模型各层的权值W和偏置b的更新,使得最终获取的质量评估模型能够根据图像特征向量进行图像质量评估。
S305、若所述第一整体偏差程度小于或等于所述第一偏差值,则提示所述质量评估模型的训练完成。
在该步骤中,所述质量评估模型训练完成。确定出来的所述质量评估模型经过了大量的样本训练,且其第一整体偏差程度保持在一个较小的范围(小于或等于第一偏差值)内,使用该质量评估模型对所述眼底图像的图像质量进行评估检测,即可得到所述眼底图像的图像质量为图像不合格还是图像合格的评估结果。
S40、若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶。
在具体的实施例中,若所述评估结果为所述眼底图像的图像质量合格,则可以说明所述眼底图像的图像质量不会影响到所述眼底图像中是否包含病灶的判断。此时,服务器可以通过预设的检测模型来判断,该检测模型是通过大量的包含病灶的眼底图像样本训练得到,保证了该模型的输出的识别结果具有合理性。可理解地,所述识别结果包括所述眼底图像中包含病灶或不包含病灶。
在一另外的实施例中,若所述评估结果为所述眼底图像的图像质量不合格,则返回继续获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像。所述眼底图像的图像质量不合格包括雪花状噪声、模糊和视野不全,若所述评估结果为所述眼底图像的图像质量不合格,则说明所述眼底图像的质量可能出现上述情况的一种或者多种等情况。此时,为了能保证所述眼底图像的图像质量不影响对所述眼底图像中是否包含病灶的判断,服务器可以重新去获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像,直到所述眼底图像的图像质量合格。
进一步地,在通过预设的检测模型检测所述眼底图像中是否包含病灶之前,需对所述预设的检测模型进行训练,此时,所述步骤S40还包括如下步骤:
获取眼底图像样本。
其中,所述眼底图像样本可以是预先存储在数据库中的多个(比如两万个)已被标注出病灶的眼底图像。且每一个所述眼底图像样本均对应于一个识别结果。
通过包含第二初始参数的检测模型对所述眼底图像样本进行识别,并获取识别之后得到的眼底图像的识别结果与所述眼底图像样本对应的眼底图像的识别结果之间的第二整体偏差程度。
可以理解的是,所述检测模型(由初始化深度神经网络模型获取到)包括各层之间各个神经元连接的权值和偏置(第二初始参数包括权值和偏置),这些权值和偏置决定了所述检测模型的性质及识别效果;所述第二整体偏差程度可以为权值和偏置的变化值。所述第二初始参数可根据需求设置,比如,检测模型中的权值和偏置的初始值可以设置为较小的值,如设置在区间[-0.3,0.3]之间,或者直接采用经验值设置初始的权值和偏置。具有合理的初始参数的检测模型可以使检测模型在初期有较灵活的调整能力,可以在检测模型训练过程中对模型进行有效的调整,使得训练出的检测模型检测效果较好。
判断所述第二整体偏差程度是否大于预设的第二偏差值。
所述第二偏差值(停止迭代阈值)可以根据需求或者经验进行设定。
若所述第二整体偏差程度大于所述第二偏差值,则将所述检测模型的第二初始参数调整为第二修正后参数,并通过具有所述第二修正后参数的所述检测模型对所述眼底图像样本进行识别,并获取本次识别之后得到眼底图像的识别结果与所述眼底图像样本对应的识别结果之间的第二整体偏差程度,判断该第二整体偏差程度是否大于预设的第二偏差值,直至所述第二整体偏差程度小于或等于所述第二偏差值。
将图像特征向量分组输入到深度神经网络模型中,根据前向传播算法获取深度神经网络模型的输出值,图像特征向量的第i组样本在深度神经网络模型的当前层的输出值用公式表示为ai,l=σ(Wlai,l-1+bl),其中,a为输出值,i表示输入的图像特征向量的第i组样本,l为深度神经网络模型的当前层,σ为激活函数,W为权值,l-1为深度神经网络模型的当前层的上一层,b为偏置。
具体地,有DNN(初始化深度神经网络模型)模型的总层数为L,DNN模型中连接各个神经元的权值W,偏置b和输入值向量xi,输出层的输出值ai,L(i表示输入的图像特征向量的第i组样本),则a1=xi(第一层的输出为在输入层输入的图像特征向量,即输入值向量xi),根据前向传播算法可知输出ai,l=σ(Wlai,l-1+bl),其中,l表示深度神经网络模型的当前层,σ为激活函数,这里具体采用的激活函数可以是sigmoid或者tanh激活函数。根据上述计算ai,l的公式按层数逐层进行前向传播,获取DNN模型中网络最终的输出值ai,L(即深度神经网络模型的输出值),有了输出值ai,L即可以根据输出值ai,L对DNN模型中的网络参数(连接各个神经元的权值W,偏置b)进行调整,以获取拥有优异检测眼底病灶的检测模型。
基于深度神经网络模型的输出值进行误差反传,更新深度神经网络模型各层的权值和偏置,获取检测模型,其中,更新权值的计算公式为l为所述检测模型的当前层,W为权值,Wl为当前层的权值,Wl′为更新后的当前层的权值,α为迭代步长,m为输入的样本总数,δi,l为当前层的灵敏度;δi,l=(Wl+1)Tδi,l+1*σ'(zi,l),zi,l=Wlai,l-1+bl,ai,l-1为上一层的输出,T表示矩阵转置运算,σ'为激活函数的导函数,*表示两个矩阵对应元素相乘的运算(Hadamard积),更新偏置的计算公式为l为所述检测模型的当前层,bl为当前层的偏置,bl′为更新后当前层的偏置,α为迭代步长,m为输入的样本总数,δi,l为当前层的灵敏度。
具体地,更新DNN模型各层的权值W和偏置b采用的是后向传播算法,根据后向传播算法求误差函数的极小值,以优化更新DNN模型各层的权值W和偏置b,获取检测模型。具体地,设置模型训练的迭代步长为α,最大迭代次数MAX与停止迭代阈值∈。在后向传播算法中,灵敏度δi,l是每次更新参数都会出现的公共因子,因此可以借助灵敏度δi,l计算误差,以更新DNN模型中的网络参数。已知a1=xi(第一层的输出为在输入层输入的图像特征向量,即输入值向量xi),则先求出输出层的灵敏度δi,L,δi,L=(ai,L-yi)*σ'(zL),zi,l=Wlai,l-1+bl,其中i表示输入的图像特征向量的第i组样本,y为标签值(即用来与输出值ai,L相比较的值)。再根据δi,L求出深度神经网络模型的第l层的灵敏度δi,l,根据后向传播算法可以计算得出深度神经网络模型的第l层的灵敏度δi,L=(ai,L-yi)*σ'(zL),得到深度神经网络模型的第l层的灵敏度δi,l后,即可更新DNN模型各层的权值W和偏置b,更新后的权值为更新后的偏置为其中,α为模型训练的迭代步长,m为输入的图像特征向量的样本总数,T表示矩阵转置运算。当所有W和b的变化值都小于停止迭代阈值∈时,即可停止训练。通过图像特征向量在DNN模型中的输出值和预先设置好的标签值之间产生的误差,实现DNN模型各层的权值W和偏置b的更新,使得最终获取的检测模型能够根据图像特征向量进行眼底图像病灶检测。
若所述第二整体偏差程度小于所述第二偏差值,提示所述检测模型训练完成
在该步骤中,所述检测模型训练完成。确定出来的所述检测模型经过了大量的样本训练,且其第二整体偏差程度保持在一个较小的范围(小于或等于第二偏差值)内,使用该检测模型对所述眼底图像中是否包含病灶进行检测,即可得到眼底图像中是包含病灶和眼底图像中是不包含病灶的识别结果。
S50、若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
在具体的实施例中,若所述识别结果为所述眼底图像中包含病灶,则可以说明所述待检测人员患有眼科疾病。此时,服务器可以生成包含所述病灶的检测结果的筛查报告已提示所述待检测人员,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
在另外一实施例中,若所述识别结果为所述眼底图像中不包含病灶,则可以说明所述待检测人员未患有眼科疾病。此时,服务器可以生成不包含所述病灶的检测结果的筛查报告已提示所述待检测人员,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
进一步地,在所述眼底图像中包含病灶之后,且在生成包含所述病灶的检测结果的筛查报告之前,还需要判断所述病灶的急迫性,以便于将急迫性的判断加入所述筛查报告中,此时,所述步骤S50中,如图6所示,所述若所述识别结果为所述眼底图像中包含病灶之后还包括:
S501、通过所述眼底图像中包含的所述病灶的病灶类型、病灶大小、病灶位置或/和病灶数量,确定所述眼底图像中包含的病灶类型的急迫性,并判断所述眼底图像中包含的病灶类型的急迫性是否为高。
可以理解的是,判断所述眼底图像中包含的病灶类型的急迫性是否为高,可以通过判断所述病灶类型是否为预设的严重病灶清单中的类型或/和判断所述病灶位置是否在预设的高急迫性位置中或/和判断所述眼底病灶数量是否超过预设数量阈值或/和判断所述病灶大小是否大于预设尺寸阈值,上述判断方法的判断结果为是,则可以判断出所述眼底图像中包含的病灶的急迫性为高,否则可以判断出所述眼底图像中包含的病灶的急迫性为低。
S502、若所述眼底图像中包含的病灶类型的急迫性为高,则在筛查报告中生成所述病灶类型的立即就诊建议,并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员。
在此步骤中,若所述眼底图像中包含的病灶类型的急迫性为高,则说明所述待检人员的病灶很严重。此时,可以生成立即就诊建议给所述待检人员一个提醒,也可以将该病灶类型相关的病情检查信息(眼科检查相关的基础医学科普知识和所述待检测人员对应的眼科疾病表征和治疗知识等病情检查信息)以及转诊医院信息提示给所述待检测人员,对待检人员起到了一个科普教育的作用。
S503、若所述眼底图像中包含的病灶类型的急迫性为低,则在筛查报告中生成所述病灶类型的近期就诊建议,并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员。
在此步骤中,若所述眼底图像中包含的病灶类型的急迫性为低,则说明所述待检人员的病灶不严重。此时,可以生成近期就诊的建议给所述待检人员一个提醒,也可以将该病灶类型相关的病情检查信息(眼科检查相关的基础医学科普知识和所述待检测人员对应的眼科疾病表征和治疗知识等病情检查信息)提示给所述待检测人员,对待检人员起到了一个科普教育的作用。
在一实施例中,所述待检测人员的眼底图像包含两种病灶类型,第一种病灶类型的急迫性为高,就可以生成对应于第一种病灶类型的立即就诊建议,而第二种病灶类型急迫性为低,则生成对应于第二种病灶类型的近期就诊的就诊建议,且根据上述两种就诊建议可以被包含在生成的同一份报告中,该报告会被发送至所述待检测人员以供其参考如何就诊。
综上所述,上述提供了一种眼底病灶筛查方法,首先接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码;接着接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像;再接着通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格;然后若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶;最后若检测到所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,并获取所述检测模型输出的所述眼底图像的识别结果。本发明根据质量评估模型输出的评估结果检测眼底图像的图像质量,对图像质量不合格的眼底图像进行重新获取,以提升筛查眼底病灶的准确程度;同时,将图像质量合格的眼底图像通过检测模型进行识别,以确定眼底图像中的病灶,本发明无需通过医生的经验人工筛查眼底病灶,减轻了医生负担,同时减少了因医生经验不足造成的筛查误差,进一步提升了筛查眼底病灶的精准度,也同步提升了眼底病灶的监测效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种眼底病灶筛查装置,该眼底病灶筛查装置与上述实施例中眼底病灶筛查方法一一对应。如图7所示,该眼底病灶筛查装置包括分配模块11、眼底图像获取模块12、评估结果获取模块13、识别结果获取模块14和筛查报告生成模块15。各功能模块详细说明如下:
分配模块11,用于接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码。
眼底图像获取模块12,用于接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像。
评估结果获取模块13,用于通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格。
识别结果获取模块14,用于若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶。
筛查报告生成模块15,用于若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
进一步地,如图8所示,所述眼底病灶筛查装置还包括:
唯一编码获取模块16,用于在接收到预备呼叫指令时,获取检查序列在当前检测人员之后的所述待检测人员的唯一编码。
提示模块17,用于将检查序列在当前检测人员之后的所述待检测人员的名称或/和唯一编码,通过语音播报或/和在预设位置的显示屏显示的方式提示给所述待检测人员。
进一步地,如图9所示,所述眼底病灶筛查装置还包括:
呼叫模块18,用于通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认所述待检测人员是否已经开始通过所述眼科扫描设备进行扫描。
确认模块19,用于在所述待检测人员未开始通过眼科扫描设备进行扫描时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长。
生成模块20,用于在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长超过预设时长时,生成包含下一个唯一编码的检查指令,所述下一个唯一编码是指所述检查序列中的排列顺序在所述待检测人员之后的唯一编码。
时长确认模块21,用于在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长未超过预设时长时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长。
预备呼叫指令生成模块22,用于在所述待检测人员已经开始通过眼科扫描设备进行扫描时,生成包含所述下一个唯一编码的预备呼叫指令。
进一步地,所述眼底病灶筛查装置还包括:
评估样本获取模块,用于获取图像质量评估样本。
第一整体偏差程度获取模块,用于通过包含第一初始参数的质量评估模型对所述图像质量评估样本进行评估,并获取评估之后得到的评估结果与所述图像质量评估样本对应的评估结果之间的第一整体偏差程度。
判断模块,用于判断所述第一整体偏差程度是否大于预设的第一偏差值。
第一初始参数调整模块,用于若所述第一整体偏差程度大于所述第一偏差值,则将所述质量评估模型的第一初始参数调整为第一修正后参数,并通过具有所述第一修正后参数的所述质量评估模型对所述图像质量评估样本进行评估,并获取本次识别之后得到的评估结果与所述图像质量评估样本对应的评估结果之间的第一整体偏差程度,判断该第一整体偏差程度是否大于预设的第一偏差值,直至所述第一整体偏差程度小于或等于所述第一偏差值。
训练完成提示模块,用于若所述第一整体偏差程度小于或等于所述第一偏差值,则提示所述质量评估模型的训练完成。
进一步地,所述眼底病灶筛查装置还包括:
急迫性确定模块,用于通过所述眼底图像中包含的所述病灶的病灶类型、病灶大小、病灶位置或/和病灶数量,确定所述眼底图像中包含的病灶类型的急迫性,并判断所述眼底图像中包含的病灶类型的急迫性是否为高。
立即就诊建议生成模块,用于若所述眼底图像中包含的病灶类型的急迫性为高,则在筛查报告中生成所述病灶类型的立即就诊建议,并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员。
近期就诊建议生成模块,用于若所述眼底图像中包含的病灶类型的急迫性为低,则在筛查报告中生成所述病灶类型的近期就诊建议,并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员。
关于眼底病灶筛查装置的具体限定可以参见上文中对于眼底病灶筛查装置方法的限定,在此不再赘述。上述眼底病灶筛查装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储眼底病灶筛查装置方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种眼底病灶筛查装置方法。
在一个实施例中,提供了一种计算机设备,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,处理器执行计算机程序时实现上述实施例中眼底病灶筛查装置方法的步骤,例如图2所示的步骤S10至步骤S50。或者,处理器执行计算机程序时实现上述实施例中眼底病灶筛查装置的各模块/单元的功能,例如图7所示模块11至模块15的功能。为避免重复,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中眼底病灶筛查方法的步骤,例如图2所示的步骤S10至步骤S50。或者,计算机程序被处理器执行时实现上述实施例中眼底病灶筛查装置的各模块/单元的功能,例如图7所示模块11至模块15的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种眼底病灶筛查方法,其特征在于,包括:
接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码;
接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像;
通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格;
若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶;
若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
2.根据权利要求1所述的眼底病灶筛查方法,其特征在于,所述接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像之前,还包括:
在接收到预备呼叫指令时,获取检查序列在当前检测人员之后的所述待检测人员的唯一编码;
将检查序列在当前检测人员之后的所述待检测人员的名称或/和唯一编码,通过语音播报或/和在预设位置的显示屏显示的方式提示给所述待检测人员。
3.根据权利要求1所述的眼底病灶筛查方法,其特征在于,所述接收包含所述唯一编码的检查指令后,还包括:
通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认所述待检测人员是否已经开始通过所述眼科扫描设备进行扫描;
在所述待检测人员未开始通过眼科扫描设备进行扫描时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长;
在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长超过预设时长时,生成包含下一个唯一编码的检查指令,所述下一个唯一编码是指所述检查序列中的排列顺序在所述待检测人员之后的唯一编码;
在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长未超过预设时长时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长;
在所述待检测人员已经开始通过眼科扫描设备进行扫描时,生成包含所述下一个唯一编码的预备呼叫指令。
4.根据权利要求1所述的眼底病灶筛查方法,其特征在于,所述通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果之前,还包括:
获取图像质量评估样本;
通过包含第一初始参数的质量评估模型对所述图像质量评估样本进行评估,并获取评估之后得到的评估结果与所述图像质量评估样本对应的评估结果之间的第一整体偏差程度;
判断所述第一整体偏差程度是否大于预设的第一偏差值;
若所述第一整体偏差程度大于所述第一偏差值,则将所述质量评估模型的第一初始参数调整为第一修正后参数,并通过具有所述第一修正后参数的所述质量评估模型对所述图像质量评估样本进行评估,并获取本次评估之后得到的评估结果与所述图像质量评估样本对应的评估结果之间的第一整体偏差程度,判断该第一整体偏差程度是否大于预设的第一偏差值,直至所述第一整体偏差程度小于或等于所述第一偏差值;
若所述第一整体偏差程度小于或等于所述第一偏差值,则提示所述质量评估模型的训练完成。
5.根据权利要求1所述的眼底病灶筛查方法,其特征在于,所述若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告之后,还包括:
通过所述眼底图像中包含的所述病灶的病灶类型、病灶大小、病灶位置或/和病灶数量,确定所述眼底图像中包含的病灶类型的急迫性,并判断所述眼底图像中包含的病灶类型的急迫性是否为高;
若所述眼底图像中包含的病灶类型的急迫性为高,则在筛查报告中生成所述病灶类型的立即就诊建议,并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员;
若所述眼底图像中包含的病灶类型的急迫性为低,则在筛查报告中生成所述病灶类型的近期就诊建议,并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员。
6.一种眼底病灶筛查装置,其特征在于,包括:
分配模块,用于接收待检测人员触发预约按键发送的预约指令,为所述待检测人员分配唯一编码;
眼底图像获取模块,用于接收包含所述唯一编码的检查指令后,获取通过眼科扫描设备扫描所述待检测人员的眼底之后输出的眼底图像;
评估结果获取模块,用于通过预设的质量评估模型对所述眼底图像的图像质量进行评估检测,获取所述质量评估模型输出的评估结果,并判定所述评估结果是否为所述眼底图像的图像质量合格;
识别结果获取模块,用于若所述评估结果为所述眼底图像的图像质量合格,则通过预设的检测模型识别所述眼底图像,获取所述检测模型输出的所述眼底图像的识别结果,并判定所述识别结果是否为所述眼底图像中包含病灶;
筛查报告生成模块,用于若所述识别结果为所述眼底图像中包含病灶,则生成包含所述病灶的检测结果的筛查报告,并将所述筛查报告与所述待检测人员的唯一编码关联存储。
7.根据权利要求6所述的眼底病灶筛查装置,其特征在于,所述眼底病灶筛查装置还包括:
唯一编码获取模块,用于在接收到预备呼叫指令时,获取检查序列在当前检测人员之后的所述待检测人员的唯一编码;
提示模块,用于将检查序列在当前检测人员之后的所述待检测人员的名称或/和唯一编码,通过语音播报或/和在预设位置的显示屏显示的方式提示给所述待检测人员。
8.根据权利要求6所述的眼底病灶筛查装置,其特征在于,所述眼底病灶筛查装置还包括:
呼叫模块,用于通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认所述待检测人员是否已经开始通过所述眼科扫描设备进行扫描;
确认模块,用于在所述待检测人员未开始通过眼科扫描设备进行扫描时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长;
生成模块,用于在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长超过预设时长时,生成包含下一个唯一编码的检查指令,所述下一个唯一编码是指所述检查序列中的排列顺序在所述待检测人员之后的唯一编码;
时长确认模块,用于在第一次呼叫所述待检测人员的时间点与当前时间点之间的时长未超过预设时长时,返回继续通过语音播报的方式呼叫所述待检测人员的名称或/和唯一编码,并确认第一次呼叫所述待检测人员的时间点与当前时间点之间的时长是否超过预设时长;
预备呼叫指令生成模块,用于在所述待检测人员已经开始通过眼科扫描设备进行扫描时,生成包含所述下一个唯一编码的预备呼叫指令。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述眼底病灶筛查方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述眼底病灶筛查方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308657.7A CN110175983B (zh) | 2019-04-17 | 2019-04-17 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910308657.7A CN110175983B (zh) | 2019-04-17 | 2019-04-17 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110175983A true CN110175983A (zh) | 2019-08-27 |
CN110175983B CN110175983B (zh) | 2024-05-07 |
Family
ID=67689548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910308657.7A Active CN110175983B (zh) | 2019-04-17 | 2019-04-17 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175983B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110993068A (zh) * | 2019-12-04 | 2020-04-10 | 南京鼓楼医院 | 阅片质控方法及系统、阅片质控装置及电子设备 |
CN111986211A (zh) * | 2020-08-14 | 2020-11-24 | 武汉大学 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
CN112053348A (zh) * | 2020-09-03 | 2020-12-08 | 宁波市眼科医院 | 一种白内障诊断用眼底图像处理系统及方法 |
CN114451860A (zh) * | 2022-01-27 | 2022-05-10 | 广东康软科技股份有限公司 | 一种基于深度学习的眼底病变诊断方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109447987A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 |
-
2019
- 2019-04-17 CN CN201910308657.7A patent/CN110175983B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109447987A (zh) * | 2018-11-28 | 2019-03-08 | 武汉大学人民医院(湖北省人民医院) | 基于深度学习的肠镜下溃疡性结肠炎辅助诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
杜雨峰: "基于眼底图像的糖尿病视网膜病变检测系统研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 02, pages 138 - 4140 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110993068A (zh) * | 2019-12-04 | 2020-04-10 | 南京鼓楼医院 | 阅片质控方法及系统、阅片质控装置及电子设备 |
CN111986211A (zh) * | 2020-08-14 | 2020-11-24 | 武汉大学 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
CN112053348A (zh) * | 2020-09-03 | 2020-12-08 | 宁波市眼科医院 | 一种白内障诊断用眼底图像处理系统及方法 |
CN114451860A (zh) * | 2022-01-27 | 2022-05-10 | 广东康软科技股份有限公司 | 一种基于深度学习的眼底病变诊断方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110175983B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175983A (zh) | 眼底病灶筛查方法、装置、计算机设备及存储介质 | |
US11410770B2 (en) | Medical scan diagnosing system | |
US11195271B2 (en) | Confidence-based method and system for analyzing images of a retina | |
CN109242849A (zh) | 医学图像处理方法、装置、系统和存储介质 | |
CN108784655A (zh) | 针对医疗患者的快速评估和后果分析 | |
CN107292086A (zh) | 图像分析问答 | |
CN110163844A (zh) | 眼底病灶检测方法、装置、计算机设备及存储介质 | |
CN108846829A (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
CN108257111A (zh) | 在x射线成像中的自动化图像检验 | |
CN110619332B (zh) | 基于视野检查报告的数据处理方法、装置及设备 | |
KR102274072B1 (ko) | 사용자의 치매 정도 결정 방법 및 장치 | |
CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN109256205A (zh) | 用于利用本地和远程分析学进行的临床决策支持的方法和系统 | |
CN108231189A (zh) | 基于双深度神经学习网络的数据处理方法和疾病诊断装置 | |
Chang et al. | A stochastic individual-based model of the progression of atrial fibrillation in individuals and populations | |
US20220104712A1 (en) | Aortic stenosis echocardiographic follow-up expert system | |
CN117116493A (zh) | 一种基于cox回归模型的风险预测方法及系统 | |
van Assen et al. | Implications of bias in artificial intelligence: considerations for cardiovascular imaging | |
JP2021006247A (ja) | 医用画像結像方法及びシステム | |
CN114092464B (zh) | Oct图像的处理方法及装置 | |
Kopsick et al. | Formation and Retrieval of Cell Assemblies in a Biologically Realistic Spiking Neural Network Model of Area CA3 in the Mouse Hippocampus | |
US20220336060A1 (en) | Analysis device | |
CN116936117A (zh) | 基于ai分析模型的慢性病大数据识别和分析处理方法 | |
CN116312953A (zh) | 医疗信息处理系统、方法、医疗服务器及存储介质 | |
KR20240047846A (ko) | 어노테이션 품질 관리 방법 및 장치 |
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 |