CN110400289B - 眼底图像识别方法、装置、设备和存储介质 - Google Patents
眼底图像识别方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN110400289B CN110400289B CN201910560716.XA CN201910560716A CN110400289B CN 110400289 B CN110400289 B CN 110400289B CN 201910560716 A CN201910560716 A CN 201910560716A CN 110400289 B CN110400289 B CN 110400289B
- Authority
- CN
- China
- Prior art keywords
- fundus image
- image
- mask
- macular
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 206010064930 age-related macular degeneration Diseases 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000008030 elimination Effects 0.000 claims abstract description 12
- 238000003379 elimination reaction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 58
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 19
- 206010025421 Macule Diseases 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 12
- 208000002780 macular degeneration Diseases 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 9
- 210000005252 bulbus oculi Anatomy 0.000 description 6
- 210000001525 retina Anatomy 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 210000004220 fundus oculi Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000002919 epithelial cell Anatomy 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 210000000873 fovea centralis Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- KBPHJBAIARWVSC-RGZFRNHPSA-N lutein Chemical compound C([C@H](O)CC=1C)C(C)(C)C=1\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\[C@H]1C(C)=C[C@H](O)CC1(C)C KBPHJBAIARWVSC-RGZFRNHPSA-N 0.000 description 1
- 229960005375 lutein Drugs 0.000 description 1
- ORAKUVXRZWMARG-WZLJTJAWSA-N lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C ORAKUVXRZWMARG-WZLJTJAWSA-N 0.000 description 1
- 235000012680 lutein Nutrition 0.000 description 1
- 239000001656 lutein Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001927 retinal artery Anatomy 0.000 description 1
- 239000000790 retinal pigment Substances 0.000 description 1
- 210000001957 retinal vein Anatomy 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000005808 skin problem Effects 0.000 description 1
- KBPHJBAIARWVSC-XQIHNALSSA-N trans-lutein Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C(=CC(O)CC2(C)C)C KBPHJBAIARWVSC-XQIHNALSSA-N 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- FJHBOVDFOQMZRV-XQIHNALSSA-N xanthophyll Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1=C(C)CC(O)CC1(C)C)C=CC=C(/C)C=CC2C=C(C)C(O)CC2(C)C FJHBOVDFOQMZRV-XQIHNALSSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请涉及人工智能技术领域，提供了眼底图像识别方法、装置、设备和存储介质，方法包括：获取眼底图像；从眼底图像中提取第一目标数据，对第一目标数据进行去冗余处理，得到第一中心凹特征；根据第一中心凹特征生成黄斑区掩膜；通过黄斑区掩膜截取眼底图像中的黄斑区，得到黄斑区图像；识别黄斑区图像中的老年性黄斑变性病灶特征，根据老年性黄斑变性病灶特征对黄斑区图像进行分类。通过掩膜生成模型从眼底图像中裁剪出黄斑区图像，根据黄斑区图像中的AMD病灶特征对黄斑区图像进行分类，黄斑区图像中的特征数据明显且易于识别，从而有效提高眼底图像分类的准确率。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及眼底图像识别方法、装置、设备和存储介质。
背景技术
老年性黄斑变性，又称年龄相关性黄斑变性(Age-related MacularDegeneration，AMD)，是50岁以上成年人主要的致盲病之一。在眼底图像中，AMD病灶常表现为：黄斑区出现玻璃膜疣以及视网膜发生色素异常(如色素增强或色素脱失)等。
目前，只有很少的机器学习算法被用于辨识图像特征来检测老年性黄斑变性。目前常用的方法是采用镜像检查，镜像检查是一种用于捕获眼底图像的技术，并通过这些图像分析出不同类型的皮肤问题。眼底成像的技术在诊断老年性黄斑变性的过程中可以提高准确率，它使用了光学放大技术和偏振光技术来获取老年性黄斑变性区域的图像。与传统的显微成像技术相比，镜像技术让裸眼无法观察到的眼底结构更加清晰的呈现在图像中。但是，如果医生经验不足，诊断老年性黄斑变性的准确率仍然是很低的。
随着技术的进步发展，在临床诊断中，医生根据老年性黄斑变性表面的特性和生长的特性研究出了多种不同诊断标准，其中应用比较广泛的诊断标准包括模式分析法、ABCD原则和七点检查法，但这些特征提取的方法比较复杂，实际使用时一般都需要依靠人工手动操作来完成，且这些人工提取特征的方法又极易导致部分特征信息的丢失，使得诊断识别性能不太理想，主要还是依靠医师的经验进行辨识，医师经验不足就会出现误判，因此有待进一步提高。
发明内容
本申请的主要目的在于解决现有的AMD诊断方式人力成本高、效率低的技术问题，提出了一种眼底图像识别方法，将深度学习与眼底图像识别相结合，通过画质识别模型检测原始眼底图像的画质，以得到便于识别的眼底图像；通过掩膜生成模型从眼底图像中裁剪出黄斑区图像，根据黄斑区图像中的AMD病灶特征对黄斑区图像进行分类，黄斑区图像中的特征数据明显且易于识别，从而有效提高眼底图像分类的准确率。
一种眼底图像识别方法，包括：获取眼底图像；通过卷积神经网络的卷积层从所述眼底图像中提取第一目标数据，通过所述卷积神经网络的池化层对所述第一目标数据进行去冗余处理，得到第一中心凹特征；根据所述第一中心凹特征生成黄斑区掩膜；所述黄斑区掩膜的大小与所述眼底图像的大小相同，所述黄斑区掩膜包括由逻辑1阵列组成的目标截取区域；所述目标截取区域用于截取所述眼底图像中的黄斑区；将所述目标截取区域与所述眼底图像中的黄斑区执行按位与运算，以得到黄斑区图像；通过病灶识别模型识别所述黄斑区图像中的老年性黄斑变性病灶特征，根据所述老年性黄斑变性病灶特征对所述黄斑区图像进行分类，得到图像类别。
可选地，在所述获取眼底图像之前，所述方法还包括：
获取原始眼底图像；将所述原始眼底图像输入至画质识别模型，所述画质识别模型用于识别所述原始眼底图像的画面清晰度；根据所述画质识别模型输出的画面清晰度，判断所述原始眼底图像的画质是否合格；若所述原始眼底图像的画质合格，则将所述原始眼底图像设置为所述眼底图像。
可选地，所述第一中心凹特征包括中心凹的形状、大小、颜色以及反光点。
所述根据所述第一中心凹特征生成黄斑区掩膜，包括：根据中心凹的形状、颜色以及反光点确定所述眼底图像中的所述中心凹的所在区域，以及获取所述中心凹的所在区域的像素点坐标集合；从所述像素点坐标集合中提取中心像素点的坐标，以及根据所述眼底图像生成所述黄斑区掩膜；以所述中心像素点的坐标为中心，在所述黄斑区掩膜上生成规则形状的目标截取区域。
可选地，所述从所述像素点坐标集合中提取中心像素点的坐标，包括：
遍历所述像素点坐标集合，以得到所述像素点坐标集合中的最小横坐标、最大横坐标、最小纵坐标以及最大纵坐标；根据所述最小横坐标以及所述最大横坐标，得到所述中心像素点的横坐标；以及根据所述最小纵坐标以及所述最大纵坐标，得到所述中心像素点的纵坐标。
所述中心像素点的横坐标表达式为：
其中，xmid表示所述中心像素点的横坐标，xmin表示所述最小横坐标，xmax表示所述最大横坐标；
所述中心像素点的纵坐标表达式为：
其中，ymid表示所述中心像素点的纵坐标；ymin表示所述最小纵坐标；ymax表示所述最大纵坐标。
可选地，通过掩膜生成模型生成所述黄斑区掩膜；所述第一中心凹特征为所述掩膜生成模型的输入数据，所述黄斑区掩膜为所述掩膜生成模型的输出结果；
在所述获取所述眼底图像之前，所述方法还包括：创建所述掩膜生成模型；分别对多个训练用眼底图像进行预处理，得到多个预处理训练图像；所述预处理包括图像降噪、图像尺寸调整以及图像旋转；分别获取各预处理训练图像所对应的黄斑区掩膜样本；通过所述卷积神经网络的卷积层分别提取各预处理训练图像中的第二目标数据，通过所述卷积神经网络的池化层分别对各第二目标数据进行去冗余处理，得到多个第二中心凹特征，将各第二中心凹特征分别输入至所述掩膜生成模型，以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，使得所述掩膜生成模型的参数收敛。
可选地，所述以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，包括：
以黄斑区掩膜样本为参考，通过损失函数计算得到所述掩膜生成模型输出的黄斑区训练掩膜的误差；采用反向传导法根据所述误差调整所述整掩膜生成模型各层的参数。
所述损失函数的函数表达式为：
J_loss＝-J(A，B)
其中，J_loss表示所述误差，A表示黄斑区掩膜样本，B表示所述掩膜生成模型输出的黄斑区训练掩膜，J(A，B)表示相似性系数。
基于相同的技术构思，本申请还提供了一种眼底图像识别装置，包括：
获取模块，用于获取眼底图像。
处理模块，用于通过卷积神经网络的卷积层从所述眼底图像中提取第一目标数据，通过所述卷积神经网络的池化层对所述第一目标数据进行去冗余处理，得到第一中心凹特征；根据所述第一中心凹特征生成黄斑区掩膜；所述黄斑区掩膜的大小与所述眼底图像的大小相同，所述黄斑区掩膜包括由逻辑1阵列组成的目标截取区域；所述目标截取区域用于截取所述眼底图像中的黄斑区；将所述目标截取区域与所述眼底图像中的黄斑区执行按位与运算，以得到黄斑区图像；通过病灶识别模型识别所述黄斑区图像中的老年性黄斑变性病灶特征，根据所述老年性黄斑变性病灶特征对所述黄斑区图像进行分类，得到图像类别。
可选地，处理模块还用于利用获取模块获取原始眼底图像；将所述原始眼底图像输入至画质识别模型，所述画质识别模型用于识别所述原始眼底图像的画面清晰度；根据所述画质识别模型输出的画面清晰度，判断所述原始眼底图像的画质是否合格；若所述原始眼底图像的画质合格，则将所述原始眼底图像设置为所述眼底图像。
可选地，所述第一中心凹特征包括中心凹的形状、大小、颜色以及反光点。
处理模块具体用于根据中心凹的形状、颜色以及反光点确定所述眼底图像中的所述中心凹的所在区域，以及获取所述中心凹的所在区域的像素点坐标集合；从所述像素点坐标集合中提取中心像素点的坐标，以及根据所述眼底图像生成所述黄斑区掩膜；以所述中心像素点的坐标为中心，在所述黄斑区掩膜上生成规则形状的目标截取区域。
可选地，处理模块具体用于遍历所述像素点坐标集合，以得到所述像素点坐标集合中的最小横坐标、最大横坐标、最小纵坐标以及最大纵坐标；根据所述最小横坐标以及所述最大横坐标，得到所述中心像素点的横坐标；以及根据所述最小纵坐标以及所述最大纵坐标，得到所述中心像素点的纵坐标。
可选地，所述中心像素点的坐标的表达式为：
其中，xmid表示所述中心像素点的横坐标，ymid表示所述中心像素点的纵坐标；xmin表示所述最小横坐标，xmax表示所述最大横坐标；ymin表示所述最小纵坐标；ymax表示所述最大纵坐标。
可选地，通过掩膜生成模型生成所述黄斑区掩膜；所述第一中心凹特征为所述掩膜生成模型的输入数据，所述黄斑区掩膜为所述掩膜生成模型的输出结果；
处理模块还用于创建所述掩膜生成模型；分别对多个训练用眼底图像进行预处理，得到多个预处理训练图像；所述预处理包括图像降噪、图像尺寸调整以及图像旋转；分别获取各预处理训练图像所对应的黄斑区掩膜样本；通过所述卷积神经网络的卷积层分别提取各预处理训练图像中的第二目标数据，通过所述卷积神经网络的池化层分别对各第二目标数据进行去冗余处理，得到多个第二中心凹特征，将各第二中心凹特征分别输入至所述掩膜生成模型，以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，使得所述掩膜生成模型的参数收敛。
可选地，处理模块具体用于以黄斑区掩膜样本为参考，通过损失函数计算得到所述掩膜生成模型输出的黄斑区训练掩膜的误差；采用反向传导法根据所述误差调整所述整掩膜生成模型各层的参数。
所述损失函数的函数表达式为：
其中，J_loss表示所述误差，A表示黄斑区掩膜样本，B表示所述掩膜生成模型输出的黄斑区训练掩膜，J(A，B)表示相似性系数。
基于相同的技术构思，本申请还提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上述的眼底图像识别方法中的步骤。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如上述的眼底图像识别方法中的步骤。
本申请的有益效果：通过掩膜生成模型识别眼底图像中的第一中心凹特征，根据第一中心凹特征生成黄斑区掩膜，通过所述黄斑区掩膜截取所述眼底图像中的黄斑区，得到黄斑区图像，通过掩膜生成模型从眼底图像中裁剪出黄斑区图像；根据黄斑区图像中的AMD病灶特征对黄斑区图像进行分类，黄斑区图像中的特征数据明显且易于识别，从而有效提高眼底图像分类的准确率；此外，在眼底图像中，中心凹是黄斑区的最容易识别的区域，且数据量少；根据第一中心凹特征可以简单、准确的生成黄斑区掩膜，提高图像识别过程中的数据处理速度。
附图说明
图1为本申请实施例中眼底图像识别方法的流程示意图。
图2为本申请实施例中眼底图像识别装置的结构示意图。
图3为本申请实施例中计算机设备的结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可以包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、程序、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、程序、步骤、操作、元件、组件和/或它们的组。
图1为本申请一些实施方式中一种眼底图像识别方法的流程图，该眼底图像识别方法由眼底图像识别设备执行，该眼底图像识别设备可以电脑或手机等，如图1所示，可以包括以下步骤S1-S5：
S1、获取眼底图像。
眼底是眼球内后部的组织，即眼球的内膜，包含视网膜、视乳头、黄斑和视网膜中央动静脉。
眼底图像采用眼底照相技术生成，眼底照相是早期发现隐匿性眼病的有效方法，对指导眼底疾病的诊治和评估全身健康状况都有重要意义。眼底照相是近年来在临床采用得比较多的眼底检查，就是利用照相仪器如数码相机，和眼底镜连接，借助眼底镜可以清楚的观察眼球后面视网膜上的血管以及视神经，利用照相仪器摄取眼球后面视网膜的图像。眼底图像能够客观的记录眼底后极部视网膜形态学变化，具有较好的客观性和可对比性。
一些实施方式中，在步骤S1之前，该眼底图像识别方法还包括以下步骤S11-S14：
S11、获取原始眼底图像。
S12、将所述原始眼底图像输入至画质识别模型。
所述画质识别模型用于识别所述原始眼底图像的画面清晰度，识别出模糊、过暗、过亮、镜头污染或角度异常的原始眼底图像，以保证最终得到画质清晰的眼底图像。
所述画质识别模型预先利用训练样本训练得到。在训练所述画质识别模型的过程中，采用以下损失函数计算所述画质识别模型输出的误差：
其中，M表示类别的数量，M为大于或等于1的整数；yc表示指示变量，如果类别c与训练样本所标注的类别相同，则yc等于1，否则yc等于0；pc表示对于训练样本属于类别c的预测概率值。该损失函数计算所述画质识别模型分类结果相对于训练样本所标注的类别的误差，采用反向传导法根据该误差更新画质识别模型各层的参数。重复上述训练，直至画质识别模型内部网络收敛，对训练样本的分类准确率达到预设要求。
S13、根据所述画质识别模型的画面清晰度，判断所述原始眼底图像的画质是否合格。
所述原始眼底图像的画质可划分为模糊类、过暗类、过亮类、镜头污染类、角度异常类和合格类。其中，模糊类、过暗类、过亮类、镜头污染类和角度异常类均为不合格类。
S14、若原始眼底图像的画质合格，则将所述原始眼底图像设置为所述眼底图像；若原始眼底图像的画质不合格，则提示输入新的原始眼底图像。
受曝光度或者其它噪声的影响，照相仪器所拍摄的所述原始眼底图像的画质可能不清晰，不足以用于眼底图像的识别处理。本实施方式，预先获取若干个所述原始眼底图像，对当前输入的所述原始眼底图像的画质进行画质识别，如果画质达不到预设标准，则提示输入其它的原始眼底图像，以确保后续的眼底图像识别结果准确。
S2、通过卷积神经网络的卷积层从所述眼底图像中提取第一目标数据，通过所述卷积神经网络的池化层对所述第一目标数据进行去冗余处理，得到第一中心凹特征。
第一目标数据是用于识别中心凹的数据，例如包括中心凹的形状、大小、颜色、反光点以及相对于眼球的所在位置等。通过卷积神经网络的卷积层对眼底图像进行初筛选，得到初步的中心凹的特征数据，即第一目标数据，然后通过所述卷积神经网络的池化层对第一目标数据进行进一步筛选，筛除中心凹的自身颜色以及中心凹相对于眼球的所在位置等信息，以得到便于识别中心凹的数据，即第一中心凹特征，第一中心凹特征包括中心凹的形状、颜色以及反光点。
预先设置3*3宽度的卷积神经网络，卷积神经网络从眼底图像的起始像素点的位置开始，以1个像素点为步幅，逐步对眼底图像的数据进行遍历，运行卷积运算，提取眼底图像中的第一中心凹特征。卷积神经网络将第一中心凹特征拼接成连续的数据。卷积神经网络从图像中获取特征信息属于现有技术，在此不再赘述。
视网膜后极部有一直径约2mm的浅漏斗状小凹陷区，称为黄斑，这是由于该区含有丰富的叶黄素而得名。其中央有一小凹为黄斑中心凹，黄斑区无血管，但因色素上皮细胞中含有较多色素，因此在检眼镜下颜色较暗，中心凹处可见反光点，称为中心凹反射，它是视网膜上视觉最敏锐的部位，也是眼底图像中最易识别的区域，因此确定眼底图像中中心凹的所在位置，可准确并且快捷的确定黄斑区的所在区域。
S3、根据所述第一中心凹特征生成黄斑区掩膜。
所述第一中心凹特征包括中心凹的亮度、形状以及与周围区域的像素差。
所述黄斑区掩膜的大小与所述眼底图像的大小相同。所述黄斑区掩膜包括目标截取区域和屏蔽区域。所述目标截取区域用于截取所述眼底图像中的黄斑区；所述屏蔽区域为所述黄斑区掩膜中除所述黄斑区以外的区域。
所述黄斑区掩膜是指示所述眼底图像中黄斑区的二值掩码，形式上是一张只有黑色(用逻辑0表示)和白色(用逻辑1表示)的与所述眼底图像大小相同的图像。其中，黑色区域即为所述屏蔽区域。白色区域即为所述目标截取区域，表示眼底图像中的黄斑区。这样，通过掩膜可以将所述眼底图像中的黄斑区与其它区域区分开来。
一些实施方式中，步骤S3包括以下步骤S31-S33：
S31、根据所述中心凹的形状、颜色以及反光点确定所述眼底图像中的所述中心凹的所在区域，以及获取所述中心凹的所在区域的像素点坐标集合。
识别出所述第一中心凹特征，即确定了中心凹在所述眼底图像中的所在区域，获取中心凹所在区域的所有像素点的坐标，得到所述像素点坐标集合。
S32、从所述像素点坐标集合中提取中心像素点的坐标，以及根据所述眼底图像生成与所述眼底图像的大小相同的黄斑区掩膜。
步骤S32中，所述从所述像素点坐标集合中提取中心像素点的坐标，包括以下步骤：
遍历所述像素点坐标集合，以得到所述像素点坐标集合中的最小横坐标、最大横坐标、最小纵坐标以及最大纵坐标。根据所述最小横坐标以及所述最大横坐标，得到所述中心像素点的横坐标；以及根据所述最小纵坐标以及所述最大纵坐标，得到所述中心像素点的纵坐标。
一些实施方式中，利用下列公式得到所述中心像素点的坐标：
其中，xmid表示所述中心像素点的横坐标，ymid表示所述中心像素点的纵坐标；xmin表示所述像素点坐标集合中的最小横坐标，xmax表示所述像素点坐标集合的最大横坐标；ymin表示所述像素点坐标集合中的最小纵坐标；ymax表示所述像素点坐标集合中的最大纵坐标。
S33、以所述中心像素点的坐标为中心，在所述黄斑区掩膜上生成规则形状的所述目标截取区域，以得到所述黄斑区掩膜。
所述目标截取区域以所述中心像素点的坐标为中心，以长度S为轮廓总长。
可选地，所述目标截取区域呈正方形，所述长度S的表达式为：
S＝4L1
L1＝2*2*l＝4l
其中，L1表示正方形的所述目标截取区域的边长；l表示视盘在所述眼底图像中的长径。
可选地，所述目标截取区域呈圆形，所述长度S的表达式为：
S＝2*π*L2
L2＝2*l
其中，L2表示圆形的所述目标截取区域的半径；l表示视盘在所述眼底图像中的长径。
临床上以中心凹为中心，2倍的视盘长径为半径的中心凹周围区内的玻璃膜疣最具有临床统计价值。中心凹是黄斑区最易识别的特征，本实施例中，以中心凹为参考点，生成与黄斑区域对应的黄斑区掩膜，通过该黄斑区掩膜截取所述眼底图像中的黄斑区，黄斑区的识别方法简单、准确，且截取的黄斑区携带的病灶特征更加明显。
一些实施方式中，通过掩膜生成模型生成所述黄斑区掩膜；所述第一中心凹特征为所述掩膜生成模型的输入数据，所述黄斑区掩膜为所述掩膜生成模型的输出结果；
在步骤S1之前，该眼底图像识别方法还包括以下步骤S01-S04：
S01、创建所述掩膜生成模型。
S02、分别对多个训练用眼底图像进行预处理，得到多个预处理训练图像。
所述预处理包括图像降噪、图像尺寸调整、图像旋转以及图像翻转等。
S03、分别获取各预处理训练图像所对应的黄斑区掩膜样本。
人工预先为每个训练用眼底图像设置黄斑区掩膜样本，掩膜生成模型在训练过程中计算实际生成的黄斑区掩膜与预先设置的黄斑区掩膜样本之间的偏差，根据偏差大小做自我参数调整，达到训练目的。
S04、通过所述卷积神经网络的卷积层分别提取各预处理训练图像中的第二目标数据，通过所述卷积神经网络的池化层分别对各第二目标数据进行去冗余处理，得到多个第二中心凹特征，将各第二中心凹特征分别输入至所述掩膜生成模型，以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，使得所述掩膜生成模型的参数收敛。
所述以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，包括以下步骤S041-S042：
S041、以黄斑区掩膜样本为参考，通过损失函数计算得到所述掩膜生成模型输出的黄斑区训练掩膜的误差。
可选地，损失函数的函数表达式为：
其中，J_loss表示所述误差，A表示黄斑区掩膜样本，B表示所述掩膜生成模型输出的黄斑区训练掩膜，J(A，B)表示相似性系数(或称jaccard系数)。其函数意义，给定两个集合A、B，jaccard系数定义为A与B交集的大小与并集大小的比值，jaccard值越大说明相似度越高。该损失函数值J_loss为负的jaccard系数，即J_loss＝-J(A,B)。
S042、采用反向传导法根据所述误差调整所述整掩膜生成模型各层的参数。
本实施例中，训练图像共2595张，其中，80％用于训练，20％用于训练验证。训练图像预先设置为128*128的大小，并做旋转90、180、270度以及水平和垂直翻转操作，来进行数据增强。掩膜生成模型训练时，采用Adam优化器来控制学习速度，初始学习率设置为0.0001，利用反向传导法则更新分割模型各层的参数。
一些实施方式中，步骤S3具体包括：将所述第一中心凹特征输入至所述掩膜生成模型，通过所述掩膜生成模型输出与所述第一中心凹特征对应的所述黄斑区掩膜。
上述实施方式中，黄斑区掩膜利用预先训练后的掩膜生成模型生成。一般地，训练图像的数量越多，训练后的掩膜生成模型的识别精度就越高。采用反向传导法对掩膜生成模型进行训练，具有训练速度快以及容易实现等优点。
S4、将所述目标截取区域与所述眼底图像中的黄斑区执行按位与运算，以得到黄斑区图像。
通过所述目标截取区域以及所述屏蔽区域与眼底图像的相应数值进行按位与运算，即可将黄斑区的图像从原眼底图像提取出来。
S5、通过病灶识别模型识别所述黄斑区图像中的老年性黄斑变性病灶特征，根据所述老年性黄斑变性病灶特征对所述黄斑区图像进行分类，得到图像类别。
按照黄斑区图像所反映的AMD病情的严重程度，将黄斑区图像的类型分为‘非紧急’、‘一般紧急’、‘紧急’和‘十分紧急’。
病灶分类模型通过训练得到。人工对多个分类训练用的黄斑区图像样本进行类型标注；将标注后的黄斑区图像样本输入至病灶分类模型；病灶分类模型根据黄斑区图像样本不断更新自身各层的参数，直至病灶分类模型内部的网络收敛。
上述实施方式，通过画质识别模型检测原始眼底图像的画质，以得到便于识别的所述眼底图像；通过掩膜生成模型从所述眼底图像中裁剪出黄斑区图像；根据黄斑区图像中的AMD病灶特征对黄斑区图像进行分类，实现AMD病灶自动识别，提高了AMD病灶的诊断效率、降低了人力成本。
基于相同的技术构思，本申请还提供了一种眼底图像识别装置，其可用于自动识别眼底图像中黄斑区的AMD病灶特征，可为AMD诊断提供参考依据。本申请实施例中的装置能够实现对应于上述图1所对应的实施例中所执行的眼底图像识别的方法的步骤。该装置实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。如图2所示，该装置包括获取模块1和处理模块2。所述处理模块2和获取模块2的功能实现可参考图1所对应的实施例中所执行的操作，此处不作赘述。所述处理模块2可用于控制所述获取模块1的收发操作。
所述获取模块1，用于获取眼底图像。
所述处理模块2，用于通过卷积神经网络的卷积层从所述眼底图像中提取第一目标数据，通过所述卷积神经网络的池化层对所述第一目标数据进行去冗余处理，得到第一中心凹特征；根据所述第一中心凹特征生成黄斑区掩膜；所述黄斑区掩膜的大小与所述眼底图像的大小相同，所述黄斑区掩膜包括由逻辑1阵列组成的目标截取区域；所述目标截取区域用于截取所述眼底图像中的黄斑区；将所述目标截取区域与所述眼底图像中的黄斑区执行按位与运算，以得到黄斑区图像；通过病灶识别模型识别所述黄斑区图像中的老年性黄斑变性病灶特征，根据所述老年性黄斑变性病灶特征对所述黄斑区图像进行分类，得到图像类别。
一些实施方式中，所述处理模块2还用于还用于利用获取模块1获取原始眼底图像；将所述原始眼底图像输入至画质识别模型，所述画质识别模型用于识别所述原始眼底图像的画面清晰度；根据所述画质识别模型输出的画面清晰度，判断所述原始眼底图像的画质是否合格；若所述原始眼底图像的画质合格，则将所述原始眼底图像设置为所述眼底图像。
一些实施方式中，所述第一中心凹特征包括中心凹的形状、大小、颜色以及反光点。所述处理模块2具体用于根据中心凹的形状、颜色以及反光点确定所述眼底图像中的所述中心凹的所在区域，以及获取所述中心凹的所在区域的像素点坐标集合；从所述像素点坐标集合中提取中心像素点的坐标，以及根据所述眼底图像生成所述黄斑区掩膜；以所述中心像素点的坐标为中心，在所述黄斑区掩膜上生成规则形状的目标截取区域。
一些实施方式中，处理模块具体用于遍历所述像素点坐标集合，以得到所述像素点坐标集合中的最小横坐标、最大横坐标、最小纵坐标以及最大纵坐标；根据所述最小横坐标以及所述最大横坐标，得到所述中心像素点的横坐标；以及根据所述最小纵坐标以及所述最大纵坐标，得到所述中心像素点的纵坐标。
一些实施方式中，所述中心像素点的坐标的表达式为：
其中，xmid表示所述中心像素点的横坐标，ymid表示所述中心像素点的纵坐标；xmin表示所述像素点坐标集合中的最小横坐标，xmax表示所述像素点坐标集合的最大横坐标；ymin表示所述像素点坐标集合中的最小纵坐标；ymax表示所述像素点坐标集合中的最大纵坐标。
一些实施方式中，通过掩膜生成模型生成所述黄斑区掩膜；所述第一中心凹特征为所述掩膜生成模型的输入数据，所述黄斑区掩膜为所述掩膜生成模型的输出结果。
所述处理模块2还用于创建所述掩膜生成模型；分别对多个训练用眼底图像进行预处理，得到多个预处理训练图像；所述预处理包括图像降噪、图像尺寸调整以及图像旋转；分别获取各预处理训练图像所对应的黄斑区掩膜样本；通过所述卷积神经网络的卷积层分别提取各预处理训练图像中的第二目标数据，通过所述卷积神经网络的池化层分别对各第二目标数据进行去冗余处理，得到多个第二中心凹特征，将各第二中心凹特征分别输入至所述掩膜生成模型，以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，使得所述掩膜生成模型的参数收敛。
所述处理模块2还用于将所述第一中心凹特征输入至所述掩膜生成模型，通过所述掩膜生成模型输出与所述第一中心凹特征对应的所述黄斑区掩膜。
一些实施方式中，所述处理模块2具体用于以黄斑区掩膜样本为参考，通过损失函数计算得到所述掩膜生成模型输出的黄斑区训练掩膜的误差；采用反向传导法根据所述误差调整所述整掩膜生成模型各层的参数。
所述损失函数的函数表达式为：
J_loss＝-J(A，B)；
其中，J_loss表示所述误差，A表示黄斑区掩膜样本，B表示所述掩膜生成模型输出的黄斑区训练掩膜，J(A，B)表示相似性系数。
基于相同的技术构思，本申请还提供了一种计算机设备，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如上述的眼底图像识别方法中的步骤。
上述实施方式，通过画质识别模型检测原始眼底图像的画质，以得到便于识别的所述眼底图像；通过掩膜生成模型从所述眼底图像中裁剪出黄斑区图像；根据黄斑区图像中的AMD病灶特征对黄斑区图像进行分类，实现AMD病灶自动识别，提高了AMD病灶的诊断效率、降低了人力成本。
基于相同的技术构思，本申请还提供了一种计算机设备，如图3所示，该计算机设备包括输入输出单元31、处理器32和存储器33，所述存储器33中存储有计算机可读指令，所述计算机可读指令被所述处理器32执行时，使得所述处理器执行上述各实施方式中的所述的眼底图像识别方法的步骤。
图2中所示的获取模块1对应的实体设备为图3所示的输入输出单元31，该输入输出单元31能够实现获取模块1部分或全部的功能，或者实现与获取模块1相同或相似的功能。
图2中所示的处理模块2对应的实体设备为图3所示的处理器32，该处理器32能够实现处理模块2部分或全部的功能，或者实现与处理模块2相同或相似的功能。
基于相同的技术构思，本申请还提供了一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述各实施方式中的所述的眼底图像识别方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器或者网络设备等)执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，这些均属于本申请的保护之内。
Claims (8)
1.一种眼底图像识别方法，其特征在于，包括：
创建掩膜生成模型；
分别对多个训练用眼底图像进行预处理，得到多个预处理训练图像；
分别获取各预处理训练图像所对应的黄斑区掩膜样本；
通过卷积神经网络的卷积层分别提取各预处理训练图像中的第二目标数据，通过所述卷积神经网络的池化层分别对各第二目标数据进行去冗余处理，得到多个第二中心凹特征，将各第二中心凹特征分别输入至所述掩膜生成模型，以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，使得所述掩膜生成模型的参数收敛；
获取眼底图像；
通过卷积神经网络的卷积层从所述眼底图像中提取第一目标数据，通过所述卷积神经网络的池化层对所述第一目标数据进行去冗余处理，得到第一中心凹特征；
根据所述第一中心凹特征生成黄斑区掩膜；所述黄斑区掩膜的大小与所述眼底图像的大小相同，所述黄斑区掩膜包括由逻辑1阵列组成的目标截取区域；所述目标截取区域用于截取所述眼底图像中的黄斑区；
将所述目标截取区域与所述眼底图像中的黄斑区执行按位与运算，以得到黄斑区图像；
通过病灶识别模型识别所述黄斑区图像中的老年性黄斑变性病灶特征，根据所述老年性黄斑变性病灶特征对所述黄斑区图像进行分类，得到图像类别；
所述根据所述第一中心凹特征生成黄斑区掩膜，包括：
将所述第一中心凹特征输入至所述掩膜生成模型，通过所述掩膜生成模型输出与所述第一中心凹特征对应的所述黄斑区掩膜；
所述通过所述掩膜生成模型输出与所述第一中心凹特征对应的所述黄斑区掩膜，包括：
根据所述第一中心凹的形状、颜色以及反光点确定所述眼底图像中的所述第一中心凹的所在区域，以及获取所述第一中心凹的所在区域的像素点坐标集合；
从所述像素点坐标集合中提取中心像素点的坐标，以及根据所述眼底图像生成所述黄斑区掩膜；
以所述中心像素点的坐标为中心，在所述黄斑区掩膜上生成规则形状的所述目标截取区域。
2.根据权利要求1所述的眼底图像识别方法，其特征在于，
在所述获取眼底图像之前，所述眼底图像识别方法还包括：
获取原始眼底图像；
将所述原始眼底图像输入至画质识别模型，所述画质识别模型用于识别所述原始眼底图像的画面清晰度；
根据所述画质识别模型输出的画面清晰度，判断所述原始眼底图像的画质是否合格；
若所述原始眼底图像的画质合格，则将所述原始眼底图像设置为所述眼底图像。
3.根据权利要求1所述的眼底图像识别方法，其特征在于，
所述从所述像素点坐标集合中提取中心像素点的坐标，包括：
遍历所述像素点坐标集合，以得到所述像素点坐标集合中的最小横坐标、最大横坐标、最小纵坐标以及最大纵坐标；
根据所述最小横坐标以及所述最大横坐标，得到所述中心像素点的横坐标；以及根据所述最小纵坐标以及所述最大纵坐标，得到所述中心像素点的纵坐标；
所述中心像素点的横坐标的表达式为：
=/>
其中，表示所述中心像素点的横坐标，/>表示所述最小横坐标，/>表示所述最大横坐标；
所述中心像素点的纵坐标的表达式为：
=/>
其中，表示所述中心像素点的纵坐标；/>表示所述最小纵坐标；/>表示所述最大纵坐标。
4.根据权利要求1所述的眼底图像识别方法，其特征在于，
所述以各黄斑区掩膜样本作为所述掩膜生成模型的输出参考，对所述掩膜生成模型进行训练，包括：
以黄斑区掩膜样本为参考，通过损失函数计算得到所述掩膜生成模型输出的黄斑区训练掩膜的误差；
采用反向传导法根据所述误差调整所述掩膜生成模型各层的参数；
所述损失函数的函数表达式为：
J_loss=-
其中，J_loss表示所述误差，A表示黄斑区掩膜样本，B表示所述掩膜生成模型输出的黄斑区训练掩膜，(A，B)表示相似性系数。
5.一种眼底图像识别装置，其特征在于，所述眼底图像识别装置用于执行如权利要求1至4中的任一所述的眼底图像识别方法，所述眼底图像识别装置包括：
获取模块，用于获取眼底图像；
处理模块，用于通过卷积神经网络的卷积层从所述获取模块所获取的所述眼底图像中提取第一目标数据，通过所述卷积神经网络的池化层对所述第一目标数据进行去冗余处理，得到第一中心凹特征；根据所述第一中心凹特征生成黄斑区掩膜；所述第一中心凹特征包括中心凹的亮度、形状以及与周围区域的像素差；所述黄斑区掩膜的大小与所述眼底图像的大小相同，所述黄斑区掩膜包括由逻辑1阵列组成的目标截取区域；所述目标截取区域用于截取所述眼底图像中的黄斑区；将所述目标截取区域与所述眼底图像中的黄斑区执行按位与运算，以得到黄斑区图像；通过病灶识别模型识别所述黄斑区图像中的老年性黄斑变性病灶特征，根据所述老年性黄斑变性病灶特征对所述黄斑区图像进行分类，得到图像类别。
6.根据权利要求5所述的眼底图像识别装置，其特征在于，
所述处理模块还用于利用所述获取模块获取原始眼底图像；将所述原始眼底图像输入至画质识别模型，所述画质识别模型用于识别所述原始眼底图像的画面清晰度；根据所述画质识别模型输出的画面清晰度，判断所述原始眼底图像的画质是否合格；若所述原始眼底图像的画质合格，则将所述原始眼底图像设置为所述眼底图像。
7.一种计算机设备，其特征在于，包括输入输出单元、存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至4中的任一所述的眼底图像识别方法中的步骤。
8.一种存储有计算机可读指令的存储介质，其特征在于，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至4中的任一所述的眼底图像识别方法中的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910560716.XA CN110400289B (zh) | 2019-06-26 | 2019-06-26 | 眼底图像识别方法、装置、设备和存储介质 |
| PCT/CN2020/093415 WO2020259209A1 (zh) | 2019-06-26 | 2020-05-29 | 眼底图像识别方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910560716.XA CN110400289B (zh) | 2019-06-26 | 2019-06-26 | 眼底图像识别方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400289A CN110400289A (zh) | 2019-11-01 |
| CN110400289B true CN110400289B (zh) | 2023-10-24 |
Family
ID=68324200
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910560716.XA Active CN110400289B (zh) | 2019-06-26 | 2019-06-26 | 眼底图像识别方法、装置、设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN110400289B (zh) |
| WO (1) | WO2020259209A1 (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110400289B (zh) * | 2019-06-26 | 2023-10-24 | 平安科技（深圳）有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
| CN110974151A (zh) * | 2019-11-06 | 2020-04-10 | 中山大学中山眼科中心 | 一种识别视网膜脱离的人工智能系统和方法 |
| CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
| CN111402243B (zh) * | 2020-03-20 | 2023-08-11 | 智眸医疗(深圳)有限公司 | 黄斑中心凹识别方法及终端 |
| CN112883962B (zh) * | 2021-01-29 | 2023-07-18 | 北京百度网讯科技有限公司 | 眼底图像识别方法、装置、设备、存储介质以及程序产品 |
| CN113344894B (zh) * | 2021-06-23 | 2024-05-14 | 依未科技(北京)有限公司 | 眼底豹纹斑特征提取及特征指数确定的方法和装置 |
| CN113243887B (zh) * | 2021-07-16 | 2021-10-22 | 中山大学中山眼科中心 | 一种老年黄斑变性智能诊疗仪 |
| CN113397475B (zh) * | 2021-07-23 | 2023-06-06 | 平安科技（深圳）有限公司 | 基于oct图像的阿尔茨海默症风险的预测方法、系统及介质 |
| CN113768460B (zh) * | 2021-09-10 | 2023-11-14 | 北京鹰瞳科技发展股份有限公司 | 一种眼底图像分析系统、方法以及电子设备 |
| CN113962917B (zh) * | 2021-10-25 | 2024-03-19 | 深圳市玻尔智造科技有限公司 | 一种基于掩膜的数据增强方法 |
| CN114119588A (zh) * | 2021-12-02 | 2022-03-01 | 北京大恒普信医疗技术有限公司 | 一种训练眼底黄斑病变区域检测模型的方法、装置及系统 |
| CN115471552B (zh) * | 2022-09-15 | 2023-07-04 | 江苏至真健康科技有限公司 | 一种用于便携式免散瞳眼底照相机的拍摄定位方法及系统 |
| CN115619756B (zh) * | 2022-10-31 | 2023-06-13 | 北京鹰之眼智能健康科技有限公司 | 一种人体红外图像的心脏区域识别方法 |
| CN115712363A (zh) * | 2022-11-21 | 2023-02-24 | 北京中科睿医信息科技有限公司 | 界面色彩显示方法、装置、设备及介质 |
| 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 |
| CN116385812B (zh) * | 2023-06-06 | 2023-08-25 | 依未科技(北京)有限公司 | 图像分类方法及装置、电子设备及存储介质 |
| 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717696A (zh) * | 2018-05-16 | 2018-10-30 | 上海鹰瞳医疗科技有限公司 | 黄斑影像检测方法和设备 |
| CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN109829446A (zh) * | 2019-03-06 | 2019-05-31 | 百度在线网络技术（北京）有限公司 | 眼底图像识别方法、装置、电子设备及存储介质 |
| CN109886946A (zh) * | 2019-02-18 | 2019-06-14 | 广州视源电子科技股份有限公司 | 基于深度学习的早期老年性黄斑病变弱监督分类方法 |
| CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于处理眼底图像的方法和装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9107610B2 (en) * | 2012-11-30 | 2015-08-18 | Kabushiki Kaisha Topcon | Optic neuropathy detection with three-dimensional optical coherence tomography |
| CN108771530B (zh) * | 2017-05-04 | 2021-03-30 | 深圳硅基智能科技有限公司 | 基于深度神经网络的眼底病变筛查系统 |
| CN109410203A (zh) * | 2018-10-31 | 2019-03-01 | 广西科技大学鹿山学院 | 一种基于机器学习的图片画质检测方法 |
| CN109712111A (zh) * | 2018-11-22 | 2019-05-03 | 平安科技（深圳）有限公司 | 一种皮肤癌种类识别方法、系统、计算机设备和存储介质 |
| CN110400289B (zh) * | 2019-06-26 | 2023-10-24 | 平安科技（深圳）有限公司 | 眼底图像识别方法、装置、设备和存储介质 |
-
2019
- 2019-06-26 CN CN201910560716.XA patent/CN110400289B/zh active Active
-
2020
- 2020-05-29 WO PCT/CN2020/093415 patent/WO2020259209A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717696A (zh) * | 2018-05-16 | 2018-10-30 | 上海鹰瞳医疗科技有限公司 | 黄斑影像检测方法和设备 |
| CN109886946A (zh) * | 2019-02-18 | 2019-06-14 | 广州视源电子科技股份有限公司 | 基于深度学习的早期老年性黄斑病变弱监督分类方法 |
| CN109784337A (zh) * | 2019-03-05 | 2019-05-21 | 百度在线网络技术（北京）有限公司 | 一种黄斑区识别方法、装置及计算机可读存储介质 |
| CN109886955A (zh) * | 2019-03-05 | 2019-06-14 | 百度在线网络技术（北京）有限公司 | 用于处理眼底图像的方法和装置 |
| CN109829446A (zh) * | 2019-03-06 | 2019-05-31 | 百度在线网络技术（北京）有限公司 | 眼底图像识别方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400289A (zh) | 2019-11-01 |
| WO2020259209A1 (zh) | 2020-12-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400289B (zh) | 眼底图像识别方法、装置、设备和存储介质 | |
| Shen et al. | Domain-invariant interpretable fundus image quality assessment | |
| WO2020147263A1 (zh) | 一种评估眼底图像质量的方法、装置及存储介质 | |
| Chalakkal et al. | Fundus retinal image analyses for screening and diagnosing diabetic retinopathy, macular edema, and glaucoma disorders | |
| CN111986211A (zh) | 一种基于深度学习的眼科超声自动筛查方法及系统 | |
| CN112837805B (zh) | 基于深度学习的眼睑拓扑形态特征的提取方法 | |
| CN110766656A (zh) | 筛查眼底黄斑区异常的方法、装置、设备和存储介质 | |
| CN106846293A (zh) | 图像处理方法和装置 | |
| CN106886991A (zh) | 一种基于彩色眼底图的模糊度自动分级方法 | |
| CN111640090A (zh) | 一种用于评估眼底图像质量的方法 | |
| Matovinovic et al. | Transfer learning with U-Net type model for automatic segmentation of three retinal layers in optical coherence tomography images | |
| CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
| CN111292285B (zh) | 一种基于朴素贝叶斯与支持向量机的糖网病自动筛查方法 | |
| CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| Ali et al. | Optic Disc Localization in Retinal Fundus Images Based on You Only Look Once Network (YOLO). | |
| Chowdhury et al. | Transfer learning approach for diabetic retinopathy detection using efficient network with 2 phase training | |
| Nugroho et al. | Optic cup segmentation using adaptive threshold and morphological image processing | |
| Ghosh et al. | Retinal blood vessel segmentation using a multi-scale layer in deep learning | |
| KR20210033902A (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 | |
| CN111539940A (zh) | 超广角眼底图像生成方法及设备 | |
| Kumari et al. | Automated process for retinal image segmentation and classification via deep learning based cnn model | |
| Hakeem et al. | Inception V3 and CNN Approach to Classify Diabetic Retinopathy Disease | |
| Azeroual et al. | Convolutional Neural Network for Segmentation and Classification of Glaucoma. | |
| Biswas et al. | Grading Quality of Color Retinal Images to Assist Fundus Camera Operators | |
| CN115760806A (zh) | 一种裂隙灯图像质量检测方法 |
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 |