CN110327013B - 眼底图像检测方法、装置及设备和存储介质 - Google Patents

眼底图像检测方法、装置及设备和存储介质 Download PDF

Info

Publication number
CN110327013B
CN110327013B CN201910422526.1A CN201910422526A CN110327013B CN 110327013 B CN110327013 B CN 110327013B CN 201910422526 A CN201910422526 A CN 201910422526A CN 110327013 B CN110327013 B CN 110327013B
Authority
CN
China
Prior art keywords
image
sub
neural network
images
fundus 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
Application number
CN201910422526.1A
Other languages
English (en)
Other versions
CN110327013A (zh
Inventor
姜泓羊
高孟娣
杨康
张冬冬
代黎明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhizhen Internet Technology Co ltd
Original Assignee
Beijing Zhizhen Internet Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhizhen Internet Technology Co ltd filed Critical Beijing Zhizhen Internet Technology Co ltd
Priority to CN201910422526.1A priority Critical patent/CN110327013B/zh
Publication of CN110327013A publication Critical patent/CN110327013A/zh
Application granted granted Critical
Publication of CN110327013B publication Critical patent/CN110327013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B3/12—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
    • A61B3/1241—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 specially adapted for observation of ocular blood flow, e.g. by fluorescein angiography
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Hematology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Vascular Medicine (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请涉及一种眼底图像检测方法、装置及设备和存储介质，其中方法包括：获取当前需要检测的眼底图像；对获取到的眼底图像进行区域分割提取，得到多张子图像；通过不同的神经网络模型对眼底图像和各子图像进行检测，得到相应的检测结果，并对各检测结果进行综合处理，得到眼底图像的筛查结果。通过对获取到的眼底图像进行区域分割提取，再通过不同的神经网络模型对眼底图像和得到的各子图像进行检测，得到相应的检测结果后，对各检测结果进行综合处理，得到眼底图像的筛查结果，使得最终所获取到的筛查结果可以包括眼底图像中各不同区域的检测结果，这也就有效提高了眼底图像筛查结果的全面性和多样性。

Description

眼底图像检测方法、装置及设备和存储介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种眼底图像检测方法、装置及设备和存储介质。
背景技术
近年来，随着人工智能技术的发展，基于人工智能计算视觉技术使得计算机能够像医生一样能够“看懂”医学图像，并能够高效地给出相应的检测结果。人工智能图像识别为医学影像识别带来了革命性的方法。但是，在相关技术中，基于深度学习模型检测眼底影像、筛查眼底的方法中，通常只是针对于单个病种进行的检测，这就使得相关技术中的基于深度学习模型检测眼底影像的方法，不能全面地反映整个眼底的检测结果，这就使得检测结果较为单一。
发明内容
有鉴于此，本公开提出了一种眼底图像检测方法、装置及设备和存储介质，可以有效提高眼底图像检测结果的多样性。
根据本公开的一方面，提供了一种眼底图像检测方法，其特征在于，包括：
获取当前需要检测的眼底图像；
对获取到的所述眼底图像进行区域分割提取，得到多张子图像；其中，多张所述子图像包括视盘子图像、黄斑子图像和血管分支子图像中的至少一种；
通过不同的神经网络模型对所述眼底图像和各所述子图像进行检测，得到相应的检测结果，并对各所述检测结果进行综合处理，得到所述眼底图像的筛查结果。
在一种可能的实现方式中，对获取到的眼底图像进行区域分割提取，得到多张子图像，包括：
采用目标检测模型对所述眼底图像进行定位识别，获取所述眼底图像中的视盘区域和黄斑区域，并将所述视盘区域和所述黄斑区域分别分割出来，得到所述视盘子图像和所述黄斑子图像；
采用语义分割模型由所述眼底图像中提取出血管分支，得到所述血管分支子图像。
在一种可能的实现方式中，通过不同的神经网络模型对所述眼底图像和各所述子图像进行检测，得到相应的检测结果，包括：
采用第一神经网络模型对所述视盘子图像进行检测，得到所述视盘子图像的检测结果；其中，所述第一神经网络模型为基于金标的视盘图像集训练得到的分类神经网络；
采用第二神经网络模型对所述黄斑子图像进行检测，得到所述黄斑子图像的检测结果；其中，所述第二神经网络为基于金标的黄斑图像集训练得到的分类神经网络；
采用第三神经网络模型对所述血管分支子图像进行检测，得到所述血管分支子图像的检测结果；其中，所述第三神经网络模型为基于金标的血管图像集训练得到的目标检测神经网络；
采用第四神经网络模型和第五神经网络模型对所述眼底图像中的视网膜区域进行检测，得到所述视网膜区域的检测结果；
其中，所述第四神经网络模型为基于对视网膜整体区域标注后的图像集训练得到的分类神经网络；所述第五神经网络模型为基于对视网膜独立区域标注后的图像集训练得到的目标检测神经网络。
在一种可能的实现方式中，还包括：
获取当前接收到的识别信号，并由所述识别信号中提取出类型信息；
根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果。
在一种可能的实现方式中，根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果，包括：
在所述类型信息包括白内障类型时，由多张所述子图像中提取出所述血管分支子图像和所述黄斑子图像；
基于所述血管分支子图像和所述黄斑子图像，计算获取相应的血管占比值，并根据计算得到的所述血管占比值的大小，得到第一识别结果；
其中，所述血管占比值为所述黄斑子图像中的血管影像所占的像素个数与所述黄斑子图像中黄斑区域的面积的比值；
在所述类型信息包括青光眼类型时，由多张所述子图像中提取出所述视盘子图像，并采用第六神经网络模型由所述视盘子图像中提取出视盘和视杯；
计算提取出的所述视盘的直径和所述视杯的直径，基于所述视盘的直径和所述视杯的直径，计算得到杯盘比，并根据计算得到的所述杯盘比得到第二识别结果；
在所述类型信息包括年龄性黄斑变性类型时，由多张所述子图像中提取出所述黄斑子图像；
采用第七神经网络模型对所述黄斑子图像进行分级预测，得到相应的第一预测结果，并基于所述第一预测结果对所述黄斑子图像进行标注，得到第三识别结果。
在一种可能的实现方式中，还包括：
在所述类型信息包括糖尿病视网膜类型时，读取所述眼底图像；
采用第八神经网络模型对所述眼底图像进行分级预测，得到相应的第二预测结果，并基于所述第二预测结果对所述眼底图像进行标注，得到第四识别结果。
根据本公开的一方面，还提供了一种眼底图像检测装置，包括：
图像获取模块，被配置为获取当前需要检测的眼底图像；
分割提取模块，被配置为对获取到的所述眼底图像进行区域分割提取，得到多张子图像；其中，多张所述子图像包括视盘子图像、黄斑子图像和血管分支子图像中的至少一种；
图像检测模块，被配置为通过不同的神经网络模型对所述眼底图像和各所述子图像进行检测，得到相应的检测结果，并对各所述检测结果进行综合处理，得到所述眼底图像的筛查结果。
在一种可能的实现方式中，还包括：
信号获取模块，被配置为获取当前接收到的识别信号，并由所述识别信号中提取出类型信息；
分析判断模块，被配置为根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果。
根据本公开的另一方面，还提供了一种眼底图像检测设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的眼底图像检测方法。
根据本公开的另一方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前面任一所述的眼底图像检测方法。
本公开实施例的眼底图像检测方法，通过对获取到的眼底图像进行区域分割提取，得到多张子图像，进而再通过不同的神经网络模型对眼底图像和各子图像进行检测，得到相应的检测结果后，对各检测结果进行综合处理，得到眼底图像的筛查结果。这就使得最终所获取到的筛查结果可以包括眼底图像中各不同区域的检测结果，从而也就有效提高了眼底图像筛查结果的全面性和多样性。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本公开实施例的眼底图像检测方法的流程图；
图2示出本公开实施例的眼底图像检测方法的示意图；
图3示出本公开实施例的眼底图像检测方法中，对眼底图像中的视盘区域和黄斑区域进行检测时的流程图；
图4示出本公开实施例的眼底图像检测方法中，对眼底图像中的血管区域进行检测时的流程图；
图5示出本公开实施例的眼底图像检测方法中，对眼底图像中的视网膜区域进行检测时的流程图；
图6示出本公开实施例的眼底图像检测方法中，对眼底图像进行白内障检测的流程图；
图7示出本公开实施例的眼底图像检测方法中，对眼底图像进行青光眼检测的流程图；
图8示出本公开实施例的眼底图像检测方法中，对眼底图像进行年龄性黄斑变性检测的流程图；
图9示出本公开实施例的眼底图像检测方法中，对眼底图像进行糖尿病视网膜检测的流程图；
图10示出本公开实施例的眼底图像检测装置的框图；
图11示出本公开实施例的眼底图像检测设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的眼底图像检测方法的流程图。如图1所示，该方法包括：步骤S100，获取当前需要检测的眼底图像。其中，需要指出的是，在本公开实施例中，眼底图像可以为彩色图像，也可以为灰度图像，此处不对眼底图像的格式进行限定。同时，眼底图像可以通过任一种类型的眼底相机直接拍摄得到的图像，也可以为由拍摄得到的眼底视频流中选取的某一帧图像。此处也不对眼底图像的来源方式进行具体限定。
步骤S200，对获取到的眼底图像进行区域分割提取，得到多张子图像。其中，多张子图像可以包括视盘子图像、黄斑子图像和血管分支子图像中的至少一种。此处，应当指出的是，在对获取到的眼底图像进行区域分割提取时，可以通过神经网络模型来实现。并且，对于不同区域的分割提取可以选择性地选用相应的神经网络模型。
在得到多张子图像之后，即可执行步骤S300，通过不同的神经网络模型对眼底图像和各子图像进行检测，得到相应的检测结果，并对各检测结果进行综合处理，得到眼底图像的筛查结果。
由此，本公开实施例的眼底图像检测方法，通过对获取到的眼底图像进行区域分割提取，得到多张子图像，进而再通过不同的神经网络模型对眼底图像和各子图像进行检测，得到相应的检测结果后，对各检测结果进行综合处理，得到眼底图像的筛查结果。这就使得最终所获取到的筛查结果可以包括眼底图像中各不同区域的检测结果，从而也就有效提高了眼底图像筛查结果的全面性和多样性。
需要说明的是，尽管以图1所示作为示例介绍了本公开实施例的眼底图像检测方法，但本领域技术人员能够理解，本公开应不限于此。事实上，用户完全可根据个人喜好和/或实际应用场景灵活设定。
在一种可能的实现方式中，对获取到的眼底图像进行区域分割提取，得到多张子图像，可以通过以下方式来实现。
即，采用目标检测模型对眼底图像进行定位识别，获取眼底图像中的视盘区域和黄斑区域，并将视盘区域和黄斑区域分别分割出来，得到视盘子图像和黄斑子图像。以及，采用语义分割模型由眼底图像中提取出血管分支，得到血管分支子图像。
此处，需要说明的是，对眼底图像进行定位识别，获取眼底图像中的视盘区域和黄斑区域所采用的目标检测模型可以为采用样本数据集训练好的具有目标检测功能的神经网络模型。如：目标检测模型可以采用Faster Rcnn模型来进行眼底图像的定位识别。其中，对Faster Rcnn模型进行训练时使用的样本数据集为标注了视盘区域和黄斑区域的各眼底图像所组成的眼底图像集。
在获取到眼底图像中不同区域的子图像后，即可执行步骤S300，通过不同的神经网络模型对眼底图像和各子图像进行检测，得到相应的检测结果。其中，在本公开实施例的眼底图像检测方法中，通过不同的神经网络模型对眼底图像和各子图像进行检测时，可以通过以下方式来实现。
对于视盘区域的检测，可以采用第一神经网络模型对视盘子图像进行检测，得到视盘子图像的检测结果。其中，需要指出的是，第一神经网络模型为基于金标的视盘图像集训练得到的分类神经网络。此处，本领域技术人员可以理解的是，基于金标的视盘图像集指的是，对多张视盘图像均进行标注后组成的视盘图像集。
如：参阅图3，在通过步骤S100，获取眼底图像，并通过步骤S210，对获取到的眼底图像进行定位，识别出眼底图像中的视盘位置后，再通过步骤S220，根据识别出的视盘位置，对眼底图像进行分割提取，裁剪得到只具有视盘区域的视盘子图像，从而实现视盘子图像的分割提取。其中，需要指出的是，在根据识别出的视盘位置对眼底图像进行分割提取时，可以采用正方矩形(即，正方形)的方式进行分割。即，以视盘位置为中心，在眼底图像中分割出具有一定边长的正方矩形区域。在一种可能的实现方式中，几何中心为定位出的视盘位置的几何中心，其边长可以为定位出的视盘直径的两倍长度。
待获取到视盘子图像后，即可采用第一神经网络模型对视盘子图像进行检测。其中，在对视盘子图像进行检测时所使用的第一神经网络模型可以为预先训练好的Inception V3模型。此处，本领域技术人员可以理解，对Inception V3模型进行训练时所使用的样本数据即为前面所述的基于金标的视盘图像集。
其中，在通过上述方式对视盘子图像进行检测后，即可得到与视盘子图像相对应的检测结果。此处，需要指出的是，检测结果可以包括正常或异常。正常，指的是当前所检测的视盘区域没有发生改变。异常，则指的是当前所检测的视盘区域与正常的视盘区域标准不相符合。如：视盘水肿、视盘炎和视盘出血等。
其中，在检测结果为异常时，在一种可能的实现方式中，还可以通过对异常区域进行标注，并将标注异常部位后的视盘子图像作为相应的检测结果。
由此，通过上述方式对视盘子图像进行检测，得到相应的检测结果从而使得医护人员能够根据得到的检测结果进行相应的排查，实现了有效辅助医护人员进行眼底图像的检查的目的，这也就有效提高了眼底检查的效率。
进一步的，对于黄斑区域的检测，可以采用第二神经网络模型对黄斑子图像进行检测，得到黄斑子图像的检测结果。其中，第二神经网络为基于金标的黄斑图像集训练得到的分类神经网络。
此处，应当指出的是，对黄斑区域的检测方式与对视盘区域的检测方式，原理相同或相似。如：参阅图3，在通过步骤S100，获取眼底图像，并通过步骤S210’，对获取到的眼底图像进行定位，识别出眼底图像中的黄斑位置后，再通过步骤S220’，根据识别出的黄斑位置，对眼底图像进行分割提取，裁剪得到只具有黄斑区域的黄斑子图像，从而实现黄斑子图像的分割提取。其中，需要指出的是，在根据识别出的黄斑位置对眼底图像进行分割提取时，所采取的方式与前面所述的视盘区域的分割提取方式相同或相似。即，需要分割出正方矩形区域，其几何中心为定位出的黄斑区域的几何中心，其边长可以同样设定为视盘直径的两倍长度。
待获取到黄斑子图像后，即可采用第二神经网络模型对黄斑子图像进行检测。其中，在对黄斑子图像进行检测时所使用的第二神经网络模型同样可以为预先训练好的Inception V3模型。此处，本领域技术人员可以理解，对Inception V3模型进行训练时所使用的样本数据即为前面所述的基于金标的黄斑图像集。也就是说，在使用预先训练好的Inception V3模型对黄斑子图像进行检测时，所使用的Inception V3模型的网络结构可以相同，所不同的是网络参数。即，Inception V3模型中的权值、偏移参数等根据所检测的对象的不同而不同。
其中，在通过上述方式对黄斑子图像进行检测后，即可得到与黄斑子图像相对应的检测结果。此处，需要指出的是，检测结果同样也可以包括正常或异常。正常，则指的是当前所检测的黄斑区域没有发生改变，符合正常黄斑的标准。异常，则指的是当前所检测的黄斑区域与正常的黄斑区域标准不相符合。其中，导致异常的情况可以包括黄斑变性、黄斑水肿、黄斑裂孔及黄斑前膜等。
在检测结果为异常时，在一种可能的实现方式中，还可以通过对异常区域进行标注，并将标注异常部位后的黄斑子图像作为相应的检测结果。
由此，通过上述方式对黄斑子图像进行检测，得到相应的检测结果从而使得医护人员能够根据得到的检测结果进行相应的排查，这也就更进一步地实现了有效辅助医护人员进行眼底图像的检查的目的，从而更进一步地有效提高了眼底检查的效率。
另外，对于血管区域的检测，则可以采用第三神经网络模型对血管分支子图像进行检测，得到血管分支子图像的检测结果。其中，第三神经网络模型为基于金标的血管图像集训练得到的目标检测神经网络。
其中，参阅图4，在进行血管区域的检测时，同样，再通过步骤S100，获取眼底图像后，通过步骤S210”，采用语义分割模型(如：可以为Segnet模型)由眼底图像中提取出相应的血管子图像后，即可采用第三神经网络模型对提取出的血管子图像进行检测。
此处，需要指出的是，在一种可能的实现方式中，第三神经网络模型可以为FasterRcnn模型。本领域技术人员可以理解的是，此处所采用的Faster Rcnn模型为使用金标的血管图像集进行预先训练好的目标检测模型。其网络结构可以与前面所述的Faster Rcnn模型相同，所不同的则是网络参数。即，Faster Rcnn模型中的权值、偏移参数等不同。
通过采用预先训练好的Faster Rcnn模型对血管子图像进行检测，能够有效定位出血管的异常形态，如：血管迂曲和新生血管等。从而也就有效提高了血管子图像的检测精确度。其中，在检测结果为异常时，在一种可能的实现方式中，还可以通过对异常区域进行标注，并将标注异常部位后的血管子图像作为相应的检测结果。
更进一步地，对于视网膜的检测，由于在本公开实施例的眼底图像检测方法中，视网膜影像指的是单张眼底影像(单张眼底图像)覆盖的整个区域。同时，视网膜眼底存在两种异常情况，第一种为视网膜整体异常，如：大面积出血、色素变性和豹纹斑等。第二种则为视网膜上独立可数的区域。如：出血点、微血管瘤、渗出和玻璃膜疣等。
因此，在进行视网膜的检测时，可以采用第四神经网络模型和第五神经网络模型对眼底图像中的视网膜区域进行检测，得到视网膜区域的检测结果。其中，第四神经网络模型为基于对视网膜整体区域标注后的图像集训练得到的分类神经网络。第五神经网络模型为基于对视网膜独立区域标注后的图像集训练得到的目标检测神经网络。
如：参阅图5，在通过步骤S100，获取眼底图像后，直接读取所获取到的眼底图像，并分别通过步骤S210”’，采用第四神经网络模型对眼底图像中的视网膜进行整体性检测，以及步骤S210””，采用第五神经网络模型对眼底图像中的视网膜进行部分区域检测，从而得到相应的检测结果。
其中，在上述检测过程中，所得到的检测结果包括视网膜整体是否存在异常，以及在存在异常的部位进行标注后的眼底图像。
还应当指出的是，第四神经网络模型可以采用分类模型，如：Resnet模型。第五神经网络模型则可以采用目标检测模型，如：Faster Rcnn模型。本领域技术人员同样可以理解的是，在该检测项目中，所采用的Resnet模型和Faster Rcnn模型同样均为预先训练好的神经网络模型。并且，Resnet模型和Faster Rcnn模型与前面任一检测项目中所提及到的神经网络模型的网络结构可以相同，所不同的则是网络参数不同。
参阅图2，在通过上述任一种方式分别获取眼底图像不同区域处的检测结果后，再对所获取到的各检测结果进行综合处理。在本公开实施例的眼底图像检测方法中，对各检测结果进行综合处理可以包括将各检测结果进行排列，得到相应的数据列表，然后以列表的形式或表格的形式推送显示。
由此，本公开实施例的眼底图像检测方法，通过对眼底图像进行区域分割提取，实现了基于多区域的深度学习模型融合筛查的目的。并且，通过对不同区域进行针对性地检测，有效增加了检测结果的多样性，这也就使得最终所得到的筛查结果更加全面。
另外，在一种可能的实现方式中，本公开实施例的眼底图像检测方法还可以包括：获取当前接收到的识别信号，并由识别信号中提取出类型信息的步骤。以及，根据类型信息，由多张子图像中提取出与类型信息相匹配的子图像，并基于识别信号，对提取出的子图像进行分析判断，得到相应的识别结果的步骤。
此处，应当指出的是，识别信号中的类型信息用于定义当前所要进行检测的病变类型。即，类型信息可以包括：白内障类型、青光眼类型、年龄性黄斑变性类型、以及糖尿病视网膜类型等。
在一种可能的实现方式中，在类型信息包括白内障类型时，由于血管神经和眼底浑浊度可以用来表征眼底图像的当前处于白内障的阶段。因此，在进行白内障类型识别时，可以由多张子图像中提取出血管分支子图像和黄斑子图像，进而再基于提取出的血管分支子图像和黄斑子图像，计算获取相应的血管占比值，并根据计算得到的血管占比值的大小，得到第一识别结果。
其中，应当说明的是，血管占比值为黄斑子图像中的血管分支影像所占的像素个数与黄斑子图像中黄斑区域的面积的比值。血管占比值用于表征血管清晰度。在眼底血管清晰、一级血管、二级血管及三级血管均清晰可见，则血管占比值较大，最大值不超过1。在眼底血管模糊时，则血管占比值则会相对较小，最小值为0。
由此，参阅图6，在进行眼底图像的血管清晰度识别时，可以先通过步骤S410，由多张子图像中提取出血管分支子图像(即，已分割血管)，并通过步骤S420，获取黄斑子图像。进而再通过步骤S430，计算获取血管占比，并通过步骤S440，将血管占比与阈值进行比较，进而再根据比较结果得到相应的识别结果。
在上述实施例中，计算血管占比时，可以根据公式：
Figure BDA0002066467120000121
计算得到。其中，R为血管占比值，num为截取的黄斑区域中血管所占的像素个数，row为黄斑区域图像像素的行数，col为黄斑区域图像像素的列数。
通过上述公式计算得到血管占比后，再将计算得到的血管占比与所设定的阈值进行比较。在血管占比大于或等于阈值时，则可以识别出当前检测的眼底图像正常。即，当前检测的眼底图像的视神经盘、血管神经和眼底均比较清晰。在血管占比小于阈值时，则可以识别出当前检测的眼底图像异常，即，当前检测的眼底图像的视神经盘、血管神经和眼底较为浑浊。在识别出当前检测的眼底图像异常时，可以通过对异常部位进行标注，以获取相应的标注结果，从而更加有效地辅助医护人员进行眼底图像的检查。
此处，还需要指出的是，在采用血管占比与阈值进行比较的方式来识别当前检测的眼底图像是否正常时，阈值的取值可以通过支持向量机来确定。本领域技术人员可以理解的是，支持向量机(Support Vector Machine,SVM)是一类按监督学习(supervisedlearning)方式对数据进行二元分类(binary classification)的广义线性分类器(generalized linear classifier)。采用支持向量机确定边界值为本领域的常规技术手段，此处不再进行赘述。
进一步的，在类型信息包括青光眼类型时，由于青光眼的发生一般伴随着视杯、视盘及视网膜神经纤维层的改变。因此在进行青光眼类型(即，视杯、视盘及视网膜纤维层的改变)的识别时，可以通过由多张子图像中提取出视盘子图像，并采用第六神经网络模型由视盘子图像中提取出视盘和视杯的方式来实现。
其中，在由多张子图像中提取出视盘子图像后，再计算提取出的视盘的直径和视杯的直径，基于视盘的直径和视杯的直径，计算得到杯盘比。最后，再根据计算得到的杯盘比得到第二识别结果。
举例来说，参阅图7，首先，通过步骤S410’，由多张子图像中提取出相应的视盘子图像后，再通过步骤S420’，由视盘子图像中提取出视盘和视杯，并计算出视盘的直径C和视杯的直径D；进而再通过步骤S430’，对视盘的直径C和视杯的直径D进行比值计算，得到相应的杯盘比(C/D)。其中，C/D指标客观反映了视神经的状况。由此，在计算得到杯盘比后，根据杯盘比的取值即可实现对当前检测的眼底图像的视杯、视盘及视网膜纤维层是否发生改变的识别。
其中，视盘和视杯的提取可以通过采用语义分割模型(如：Segnet模型)来实现。本领域技术人员可以理解的是，此处所采用的Segnet模型同样是预先训练好的神经网络模型。训练所采用的样本数据为标注有视盘和视杯的视盘图像集。由此，此处所采用的Segnet模型的网络参数与前面任一所述的Segnet模型的网络参数不同。
此处，还需要说明的是，为了简化计算，减小计算量，在进行视杯、视盘及视网膜纤维层是否发生改变的识别时，还可以通过以下方式来实现。
即，参阅图7，获取视盘子图像的检测结果，在视盘子图像的检测结果为异常时，还包括步骤S420”，对异常进行分类，获取相应的分类结果(即，标记出异常情况为视盘水肿、视盘炎和视盘出血中的哪一种)。同时，执行步骤S420’，由视盘子图像中提取出视盘和视杯，并进行杯盘比的计算，从而将计算得到的杯盘比与分类结果进行组合后，作为第二识别结果进行输出推送，以实现辅助医护人员进行眼底图像的检查的目的。
在视盘子图像的检测结果为正常时，则直接将视盘子图像的检测结果作为第二识别结果进行输出推送。从而避免了在视盘子图像的检测结果为正常时还进行杯盘比的计算所导致的资源浪费的现象，这也就有效加快了眼底图像的检测效率。
另外，在类型信息包括年龄性黄斑变性类型时，由于年龄性黄斑变性(AMD)是黄斑区结构的衰老性改变。因此，在进行黄斑区的衰老性识别时，可以先由多张子图像中提取出黄斑子图像，然后再采用第七神经网络模型对黄斑子图像进行分级预测，得到相应的第一预测结果，并基于第一预测结果对黄斑子图像进行标注，得到第三识别结果。
此处，应当指出的是，第七神经网络模型可以为预先训练好的图像预处理和深度分类的神经网络模型，如：Resnet模型。其中，在该实施例中所采用的样本数据为基于丰富的AMD金标图像。本领域技术人员可以理解的是，AMD金标图像集，指的是标注有AMD的黄斑图像集。同时，Resnet模型为图像处理中常用的神经网络模型，此处不再进行赘述。
其中，采用第七神经网络模型对黄斑子图像进行分级预测时，所得到的第一预测结果表征了当前检测的眼底图像的AMD级别。其中，AMD级别可以包括无明显改变、正常改变、早期AMD、中期AMD和晚期AMD。每一各AMD级别表明了异常部位的大小。由此，在获取第一预测结果后，即可基于第一预测结果，使用预先训练好的目标检测模型(如：Faster Rcnn模型)进行黄斑子图像的标注，将黄斑子图像中出现异常的区域标注出来，从而得到相应的第三识别结果。
此处，需要说明的是，第三识别结果可以为带有标注信息的黄斑子图像。标注信息指的就是黄斑子图像中出现异常的区域。
参阅图8，即，在本公开实施例中，对眼底图像进行黄斑区结构的衰老性改变的识别(即，类型信息包括年龄性黄斑变性类型)时，首先通过步骤S410”，由多张子图像中提取出黄斑子图像，进而再通过步骤S420”’，基于丰富的AMD金标图像集，使用预先训练好的图像预处理和深度分类模型(Resnet模型)对黄斑子图像进行AMD分级，得到第一预测结果。同时，在第一预测结果表明当前对黄斑子图像进行分级后的结果超过第一预设级别时，即可通过步骤S430”，使用预先训练好的目标检测模型(Faster Rcnn模型)对黄斑子图像进行标注，从而得到第三识别结果。在第一预测结果表明当前对黄斑子图像进行分级后的结果未超过第一预设级别时，则直接将得到的第一预测结果作为第三识别结果进行输出显示。
此处，应当说明的是，第一预设级别可以根据实际情况预先设置，如：可以设置为前面所述的早期AMD级别。
更进一步地，在类型信息包括糖尿病视网膜类型时，由于糖尿病视网膜主要反映了微血管的状况。而微血管遍布眼底图像的整体区域，因此，在进行微血管的当前状况的识别(即，类型信息包括糖尿病视网膜类型)时，可以通过读取眼底图像，采用第八神经网络模型对眼底图像进行分级预测，得到相应的第二预测结果，并基于第二预测结果对眼底图像进行标注，得到第四识别结果的方式来实现。
此处，应当指出的是，第八神经网络模型同样可以为预先训练好的图像预处理和深度分类的神经网络模型，如：Resnet模型。其中，在该实施例中所采用的样本数据为基于丰富的DR金标图像。本领域技术人员可以理解的是，DR金标图像集，指的是标注有DR的眼底图像集。同时，Resnet模型为图像处理中常用的神经网络模型，此处不再进行赘述。
其中，采用第八神经网络模型对眼底图像进行分级预测时，所得到的第一预测结果表征了当前检测的眼底图像的DR级别。其中，DR级别可以包括无明显糖尿病视网膜特征、轻度糖尿病视网膜特征(即，轻度NPDR)、中度糖尿病视网膜特征(即，中度NPDR)、重度糖尿病视网膜特征(即，重度NPDR)和增生性糖尿病视网膜病变(即，PDR)。每一DR级别表明了微血管异常部位的状况。
由此，在获取第二预测结果后，即可基于第二预测结果，使用预先训练好的目标检测模型(如：Faster Rcnn模型)进行眼底图像的标注，将眼底图像中出现异常的微血管区域标注出来，从而得到相应的第四识别结果。
此处，需要说明的是，第四识别结果可以为带有标注信息的眼底图像。标注信息指的就是眼底图像中出现异常的微血管区域。
参阅图9，即，在本公开实施例中，对眼底图像进行微血管的当前状况的识别(即，类型信息包括糖尿病视网膜类型)时，首先通过步骤S410”’，读取眼底图像，进而再通过步骤S420””，基于丰富的DR金标图像集，使用预先训练好的图像预处理和深度分类模型(Resnet模型)对眼底图像进行DR分级，得到第二预测结果。同时，在第二预测结果表明当前对眼底图像进行分级后的结果超过第二预设级别时，则通过步骤S430”’，使用预先训练好的目标检测模型(Faster Rcnn模型)对眼底图像进行标注，从而得到第四识别结果。
在第二预测结果表明当前对黄斑子图像进行分级后的结果未超过第二预设级别时，则直接将得到的第二预测结果作为第四识别结果进行输出显示。此处，应当指出的是，第二预设级别可以根据实际情况进行设置，如：可以设置为前面所述的中度NPDR。
由此，本公开实施例的眼底图像检测方法，通过增加基于多模型融合的眼底多病种筛查方案，将多模型融合的眼底多病种筛查方案与前面任一所述的基于多区域的深度学习模型融合的筛查方案相结合，并将所得到的各识别结果和各检测结果进行综合处理后，得到最终的筛查结果，使得最终得到的筛查结果更加丰富。
相应的，基于前面任一所述的眼底图像检测方法，本公开实施例还提供了一种眼底图像检测装置。由于本公开实施例的眼底图像检测装置的工作原理与本公开实施例的眼底图像检测方法的原理相同或相似，因此重复之处不再赘述。
参阅图10，本公开实施例的眼底图像检测装置100，包括：
图像获取模块110，被配置为获取当前需要检测的眼底图像；
分割提取模块120，被配置为对获取到的所述眼底图像进行区域分割提取，得到多张子图像；其中，多张所述子图像包括视盘子图像、黄斑子图像和血管分支子图像中的至少一种；
图像检测模块130，被配置为通过不同的神经网络模型对所述眼底图像和各所述子图像进行检测，得到相应的检测结果，并对各所述检测结果进行综合处理，得到所述眼底图像的筛查结果。
在一种可能的实现方式中，本公开实施例的眼底图像检测装置100还可以包括：
信号获取模块，被配置为获取当前接收到的识别信号，并由所述识别信号中提取出类型信息；
分析判断模块，被配置为根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果。
进一步，参阅图11，本公开还提供了一种眼底图像检测设备200，包括处理器210，以及用于存储处理器210可执行指令的存储器220。其中，处理器210被配置为执行可执行指令时实现前面任一所述的眼底图像检测方法。
此处，应当指出的是，处理器210的个数可以为一个或多个。同时，在本公开实施例的眼底图像处理设备200中，还可以包括输入装置230和输出装置240。其中，处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器220作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本公开实施例的眼底图像检测方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块，从而执行眼底图像检测设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
根据本公开的另一方面，还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，计算机程序指令被处理器210执行时实现前面任一所述的眼底图像检测方法。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (6)

1.一种眼底图像检测装置，其特征在于，包括：
图像获取模块，被配置为获取当前需要检测的眼底图像；
分割提取模块，被配置为对获取到的所述眼底图像进行区域分割提取，得到多张子图像；其中，多张所述子图像包括视盘子图像、黄斑子图像和血管分支子图像中的至少一种；
图像检测模块，被配置为通过不同的神经网络模型对所述眼底图像和各所述子图像进行检测，得到相应的检测结果，并对各所述检测结果进行综合处理，得到所述眼底图像的筛查结果；
信号获取模块，被配置为获取当前接收到的识别信号，并由所述识别信号中提取出类型信息；
分析判断模块，被配置为根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果；
其中，所述分析判断模块，被配置为根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果时，包括：
在所述类型信息包括白内障类型时，由多张所述子图像中提取出所述血管分支子图像和所述黄斑子图像；
基于所述血管分支子图像和所述黄斑子图像，计算获取相应的血管占比值，并根据计算得到的所述血管占比值的大小，得到第一识别结果；
其中，所述血管占比值为所述黄斑子图像中的血管分支影像所占的像素个数与所述黄斑子图像中黄斑区域的面积的比值；
在所述类型信息包括青光眼类型时，由多张所述子图像中提取出所述视盘子图像，并采用第六神经网络模型由所述视盘子图像中提取出视盘和视杯；
计算提取出的所述视盘的直径和所述视杯的直径，基于所述视盘的直径和所述视杯的直径，计算得到杯盘比，并根据计算得到的所述杯盘比得到第二识别结果；
在所述类型信息包括年龄性黄斑变性类型时，由多张所述子图像中提取出所述黄斑子图像；
采用第七神经网络模型对所述黄斑子图像进行分级预测，得到相应的第一预测结果，并基于所述第一预测结果对所述黄斑子图像进行标注，得到第三识别结果。
2.根据权利要求1所述的装置，其特征在于，所述分割提取模块，被配置为对获取到的眼底图像进行区域分割提取，得到多张子图像时，包括：
采用目标检测模型对所述眼底图像进行定位识别，获取所述眼底图像中的视盘区域和黄斑区域，并将所述视盘区域和所述黄斑区域分别分割出来，得到所述视盘子图像和所述黄斑子图像；
采用语义分割模型由所述眼底图像中提取出血管分支，得到所述血管分支子图像。
3.根据权利要求1所述的装置，其特征在于，所述图像检测模块，被配置为通过不同的神经网络模型对所述眼底图像和各所述子图像进行检测，得到相应的检测结果时，包括：
采用第一神经网络模型对所述视盘子图像进行检测，得到所述视盘子图像的检测结果；其中，所述第一神经网络模型为基于金标的视盘图像集训练得到的分类神经网络；基于金标的视盘图像集指的是，对多张视盘图像均进行标注后组成的视盘图像集；
采用第二神经网络模型对所述黄斑子图像进行检测，得到所述黄斑子图像的检测结果；其中，所述第二神经网络为基于金标的黄斑图像集训练得到的分类神经网络；基于金标的黄斑图像集指的是，对多张黄斑图像均进行标注后组成的黄斑图像集；
采用第三神经网络模型对所述血管分支子图像进行检测，得到所述血管分支子图像的检测结果；其中，所述第三神经网络模型为基于金标的血管图像集训练得到的目标检测神经网络；基于金标的血管图像集指的是，对多张血管图像均进行标注后组成的血管图像集；
采用第四神经网络模型和第五神经网络模型对所述眼底图像中的视网膜区域进行检测，得到所述视网膜区域的检测结果；
其中，所述第四神经网络模型为基于对视网膜整体区域标注后的图像集训练得到的分类神经网络；所述第五神经网络模型为基于对视网膜独立区域标注后的图像集训练得到的目标检测神经网络。
4.根据权利要求1所述的装置，其特征在于，所述分析判断模块，被配置为根据所述类型信息，由多张所述子图像中提取出与所述类型信息相匹配的子图像，并基于所述识别信号，对提取出的子图像进行分析判断，得到相应的识别结果时，还包括：
在所述类型信息包括糖尿病视网膜类型时，读取所述眼底图像；
采用第八神经网络模型对所述眼底图像进行分级预测，得到相应的第二预测结果，并基于所述第二预测结果对所述眼底图像进行标注，得到第四识别结果。
5.一种眼底图像检测设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1至4中任意一项所述的装置所执行的方法。
6.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的装置所执行的方法。
CN201910422526.1A 2019-05-21 2019-05-21 眼底图像检测方法、装置及设备和存储介质 Active CN110327013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910422526.1A CN110327013B (zh) 2019-05-21 2019-05-21 眼底图像检测方法、装置及设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910422526.1A CN110327013B (zh) 2019-05-21 2019-05-21 眼底图像检测方法、装置及设备和存储介质

Publications (2)

Publication Number Publication Date
CN110327013A CN110327013A (zh) 2019-10-15
CN110327013B true CN110327013B (zh) 2022-02-15

Family

ID=68139635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910422526.1A Active CN110327013B (zh) 2019-05-21 2019-05-21 眼底图像检测方法、装置及设备和存储介质

Country Status (1)

Country Link
CN (1) CN110327013B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127425B (zh) * 2019-12-23 2023-04-28 北京至真互联网技术有限公司 基于视网膜眼底图像的目标检测定位方法和装置
CN111311565A (zh) * 2020-02-11 2020-06-19 平安科技（深圳）有限公司 基于眼部oct图像的视杯和视盘定位点检测方法及装置
CN111476799A (zh) * 2020-03-23 2020-07-31 福建星网物联信息系统有限公司 一种图像分析方法及存储介质
CN111640498A (zh) * 2020-06-08 2020-09-08 博奥生物集团有限公司 基于眼象数据的信息处理方法及装置
CN111583261B (zh) * 2020-06-19 2023-08-18 智眸医疗(深圳)有限公司 眼底超广角影像分析方法及终端
CN111784683B (zh) * 2020-07-10 2022-05-17 天津大学 病理切片检测方法及装置、计算机设备及存储介质
CN112017168B (zh) * 2020-08-25 2024-09-06 北京致远慧图科技有限公司 一种检测视神经纤维层缺损的方法及装置
CN112184647B (zh) * 2020-09-22 2023-07-04 清华大学深圳国际研究生院 基于迁移卷积网络对眼底图像进行血管病变分级识别方法
CN114718587A (zh) * 2021-01-02 2022-07-08 杨立鹏 一种软弱围岩隧道挖掘机斗齿
EP4050560B1 (en) 2021-01-08 2023-07-12 Changxin Memory Technologies, Inc. Wafer testing method and apparatus, and device and storage medium
CN114764770A (zh) * 2021-01-08 2022-07-19 长鑫存储技术有限公司 晶圆检测方法、装置、设备及存储介质
CN116548910B (zh) * 2023-05-19 2023-12-08 北京至真互联网技术有限公司 一种眼科相干断层扫描仪的分辨率自适应调节方法及系统
CN116823828B (zh) * 2023-08-29 2023-12-08 武汉楚精灵医疗科技有限公司 黄斑变性程度参数确定方法、装置、设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103458772A (zh) * 2011-04-07 2013-12-18 香港中文大学 视网膜图像分析方法和装置
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104881683A (zh) * 2015-05-26 2015-09-02 清华大学 基于组合分类器的白内障眼底图像分类方法及分类装置
CN105411525A (zh) * 2015-11-10 2016-03-23 广州河谷互动医疗科技有限公司 一种眼底照片图像智能获取识别系统
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106530295A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种视网膜病变的眼底图像分类方法和装置
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及系统
CN107423571A (zh) * 2017-05-04 2017-12-01 深圳硅基仿生科技有限公司 基于眼底图像的糖尿病视网膜病变识别系统
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
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断系统
CN108596895A (zh) * 2018-04-26 2018-09-28 上海鹰瞳医疗科技有限公司 基于机器学习的眼底图像检测方法、装置及系统
CN108717868A (zh) * 2018-04-26 2018-10-30 博众精工科技股份有限公司 基于深度学习的青光眼眼底图像筛查方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016002380A (ja) * 2014-06-18 2016-01-12 キヤノン株式会社 画像処理装置、その作動方法及びプログラム
US10405739B2 (en) * 2015-10-23 2019-09-10 International Business Machines Corporation Automatically detecting eye type in retinal fundus images
CN109658393B (zh) * 2018-12-06 2022-11-22 代黎明 眼底图像拼接方法及系统
CN109411086A (zh) * 2018-12-26 2019-03-01 深圳硅基智能科技有限公司 眼底图像病变的筛查系统
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103458772A (zh) * 2011-04-07 2013-12-18 香港中文大学 视网膜图像分析方法和装置
CN103870838A (zh) * 2014-03-05 2014-06-18 南京航空航天大学 糖尿病视网膜病变的眼底图像特征提取方法
CN104881683A (zh) * 2015-05-26 2015-09-02 清华大学 基于组合分类器的白内障眼底图像分类方法及分类装置
CN105411525A (zh) * 2015-11-10 2016-03-23 广州河谷互动医疗科技有限公司 一种眼底照片图像智能获取识别系统
CN106408564A (zh) * 2016-10-10 2017-02-15 北京新皓然软件技术有限责任公司 一种基于深度学习的眼底图像处理方法、装置及系统
CN106530295A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种视网膜病变的眼底图像分类方法和装置
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
CN107045720A (zh) * 2017-05-04 2017-08-15 深圳硅基智能科技有限公司 用于识别眼底图像病变的人工神经网络及系统
CN107423571A (zh) * 2017-05-04 2017-12-01 深圳硅基仿生科技有限公司 基于眼底图像的糖尿病视网膜病变识别系统
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断系统
CN108596895A (zh) * 2018-04-26 2018-09-28 上海鹰瞳医疗科技有限公司 基于机器学习的眼底图像检测方法、装置及系统
CN108717868A (zh) * 2018-04-26 2018-10-30 博众精工科技股份有限公司 基于深度学习的青光眼眼底图像筛查方法及系统

Also Published As

Publication number Publication date
CN110327013A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
CN110327013B (zh) 眼底图像检测方法、装置及设备和存储介质
CN111481166B (zh) 基于眼底筛查的自动识别系统
SK et al. A machine learning ensemble classifier for early prediction of diabetic retinopathy
Ramasamy et al. Detection of diabetic retinopathy using a fusion of textural and ridgelet features of retinal images and sequential minimal optimization classifier
Akbar et al. Automated techniques for blood vessels segmentation through fundus retinal images: A review
Kauppi et al. The diaretdb1 diabetic retinopathy database and evaluation protocol.
Osareh et al. Automatic recognition of exudative maculopathy using fuzzy c-means clustering and neural networks
Niemeijer et al. Image structure clustering for image quality verification of color retina images in diabetic retinopathy screening
Reza et al. A decision support system for automatic screening of non-proliferative diabetic retinopathy
Irshad et al. Classification of retinal vessels into arteries and veins for detection of hypertensive retinopathy
KR102313143B1 (ko) 딥러닝에 기반한 당뇨망막병증 검출 및 증증도 분류장치 및 그 방법
Guo et al. Automatic determination of vertical cup-to-disc ratio in retinal fundus images for glaucoma screening
Waheed et al. Hybrid features and mediods classification based robust segmentation of blood vessels
Zou et al. Learning‐Based Visual Saliency Model for Detecting Diabetic Macular Edema in Retinal Image
Li et al. Vessel recognition of retinal fundus images based on fully convolutional network
KR102220573B1 (ko) 인공지능을 이용한 안저 영상 데이터의 품질 점수 산출 방법, 장치 및 컴퓨터프로그램
Zhang et al. MRMR optimized classification for automatic glaucoma diagnosis
Thomas et al. Grading and classification of retinal images for detecting diabetic retinopathy using convolutional neural network
Pendekal et al. An ensemble classifier based on individual features for detecting microaneurysms in diabetic retinopathy
Kind et al. An explainable AI-based computer aided detection system for diabetic retinopathy using retinal fundus images
Shaharum et al. Automatic detection of diabetic retinopathy retinal images using artificial neural network
Mankar et al. Automatic detection of diabetic retinopathy using morphological operation and machine learning
Syed et al. Automated laser mark segmentation from colored retinal images
Hemalatha et al. A detailed study on diagnosis and prediction of diabetic retinopathy using current machine learning and deep learning techniques
CN115526888A (zh) 眼图数据识别方法、装置、存储介质及电子设备

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