CN110415245A - 眼部数据确定方法、模型训练方法及设备 - Google Patents

眼部数据确定方法、模型训练方法及设备 Download PDF

Info

Publication number
CN110415245A
CN110415245A CN201910716895.1A CN201910716895A CN110415245A CN 110415245 A CN110415245 A CN 110415245A CN 201910716895 A CN201910716895 A CN 201910716895A CN 110415245 A CN110415245 A CN 110415245A
Authority
CN
China
Prior art keywords
axiallength
train
film thickness
characteristic
machine learning
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.)
Pending
Application number
CN201910716895.1A
Other languages
English (en)
Inventor
胡馨月
熊健皓
赵昕
和超
张大磊
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.)
Shanghai Eaglevision Medical Technology Co Ltd
Original Assignee
Shanghai Eaglevision Medical 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 Shanghai Eaglevision Medical Technology Co Ltd filed Critical Shanghai Eaglevision Medical Technology Co Ltd
Priority to CN201910716895.1A priority Critical patent/CN110415245A/zh
Publication of CN110415245A publication Critical patent/CN110415245A/zh
Pending legal-status Critical Current

Links

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
    • A61B3/1005—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring distances inside the eye, e.g. thickness of the cornea
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Eye Examination Apparatus (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Ophthalmology & Optometry (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)

Abstract

本发明公开了一种眼部数据确定方法、模型训练方法及设备，所述眼部数据确定方法包括：获取眼底图像；利用机器学习模型从所述眼底图像中提取特征数据，并根据所述特征数据确定眼轴长度和/或脉络膜厚度。无需采用接触式测量方法对眼轴长度和脉络膜厚度进行测量，以减小由于接触式测量导致的受测者的自身因素例如泪液过多或注视点偏离等原因造成测量结果不准，从而提高眼部数据测量的准确性。

Description

眼部数据确定方法、模型训练方法及设备
技术领域
本发明涉及图像识别技术领域，具体涉及一种眼部数据确定方法、模型训练方法及设备。
背景技术
随着社会的发展，青少年近视发病率逐年增高，青少年视力的整体情况也不容乐观。有医学研究表明高度近视的患病率将显著增加，而且病理性近视将成为造成视力损伤或致盲的第二大疾病。
眼轴是由角膜正中到视神经与视网膜黄斑之间的一条假设线。眼轴长度是屈光不正的最大决定因素，在没有其他使眼轴增长的因素下，眼轴每增加1mm,近视程度加深200～250度。在近视眼中，眼轴越长，意味着近视程度越重。
脉络膜是眼球血管中膜的后部，贴在巩膜的内面，占眼球壁中层后部的5/6，富有血管和色素，有供给眼球营养和隔光的作用。在中高度近视中，脉络膜厚度随着视力的增加而下降显著。
因此，准确的测量眼轴长度和脉络膜厚度可以为视力判断提供可靠的依据，现有技术中测量眼轴长度和脉络膜厚度通常采用接触式A超进行测量。而接触式A超需要进行表面麻醉并直接使用仪器接触角膜，可能会引起受测者角膜短暂水肿，并且，可能由于受测者的自身因素例如泪液过多或注视点偏离等原因造成接触式A超测量结果不准。
发明内容
有鉴于此，本发明实施例提供了一种眼部数据确定方法，包括：获取眼底图像；利用机器学习模型从眼底图像中提取特征数据，并根据特征数据确定眼轴长度和/或脉络膜厚度。
可选地，机器学习模型根据相同的特征数据分别确定眼轴长度和脉络膜厚度。
可选地，机器学习模型包括一个特征提取网络和两个全连接层；其中特征提取网络用于从眼底图像中提取特征数据，在根据特征数据确定眼轴长度和脉络膜厚度的步骤中，利用一个全连接层根据特征数据确定眼轴长度，利用另一个全连接层根据特征数据确定脉络膜厚度。
根据第二方面，本发明实施例提供了一种眼部数据预测模型训练方法，包括：获取训练数据，训练数据包括眼底图像及其对应的眼轴长度和/或脉络膜厚度；利用训练数据对机器学习模型进行训练，机器学习模型从眼底图像中提取特征数据，并根据特征数据确定眼轴长度和/或脉络膜厚度；根据机器学习模型确定的眼轴长度和/或脉络膜厚度与训练数据中的眼轴长度和/或脉络膜厚度的差异修正机器学习模型的参数。
可选地，机器学习模型根据相同的特征数据分别确定眼轴长度和脉络膜厚度。
可选地，机器学习模型包括一个特征提取网络和两个全连接层；特征提取网络用于从眼底图像中提取特征数据，其中一个全连接层用于根据特征数据确定眼轴长度，另一个全连接层用于根据特征数据确定脉络膜厚度。
可选地，在修正机器学习模型的参数步骤中，根据两个全连接层确定的眼轴长度和脉络膜厚度与训练数据中的眼轴长度和脉络膜厚度的差异修正两个全连接层以及特征提取网络的参数。
根据第三方面，本发明实施例提供了一种眼部数据确定设备，其特征在于，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如上述第一方面任意一项描述的眼部数据确定方法。
根据第四方面，本发明实施例提供了一种眼部数据预测模型训练设备，其特征在于，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述第二方面中任意一项描述的眼部数据预测模型训练方法。
根据本发明提供的眼部数据确定方法，可以根据眼底图像利用机器学习模型从眼底图像中提取特征数据，并根据特征数据确定眼轴长度和/或脉络膜厚度。无需采用接触式测量方法对眼轴长度和脉络膜厚度进行测量，以减小由于接触式测量导致的受测者的自身因素例如泪液过多或注视点偏离等原因造成测量结果不准，从而提高眼部数据测量的准确性。
由于眼轴和脉络膜的尺寸具有相关性，则眼轴和脉络膜具有相关的感兴趣特征，则可以机器学习模型根据相同的特征数据分别确定眼轴长度和脉络膜厚度，可以提取眼轴长度预测和脉络膜厚度预测共用的特征数据，并依据共用的特征数据，因此，可以设置一个特征提取网络提取共用特征，共享特征提取网络中的很多网络参数，无需针对每个特征单独特征提取网络，采用两个全连接层分别确定眼轴长度和脉络膜厚度，可以减小机器学习模型的复杂程度，提高识别效率。
依据眼轴和脉络膜两个具有相关性的特征同时对识别模型中的特征提取网络进行训练，该共享特征提取网络的网络参数，相比于单独采用一个特征进行训练，可以大大减少网络参数的数量，并且由于眼轴和脉络膜之间的相关性，在训练时，可以相互促进、监督，可以较为明显的提高收敛速度和收敛精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例的眼部数据确定方法的流程示意图；
图2示出了本发明实施例的机器学习模型结构的示意图；
图3示出了本发明实施例的眼部数据预测流程示意图；
图4示出了本发明实施例的电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
由于现有技术中对于眼轴长度和脉络膜厚度的测量可能会引起受测者在测试之后出现不适感，并且，由于多种因素可能导致测量结果不准确。因此，发明人希望提出一种无须作用于受测者的眼轴和脉络膜的测量方法，发明人发现，近年来深度学习在计算机视觉领域表现十分亮眼，在包括图像识别，检测和分割等多个领域大幅度提升了精度。同时，深度学习技术也在一些医学图像的诊断与筛查上得到了与该领域专家相同或更好的预测结果。眼底图像可以客观的记录眼底视网膜，脉络膜，视神经与各种屈光间质的改变。因此，结合眼轴长度和脉络膜厚度的特性，发明人提出了一种利用神经网络对眼底图像进行识别，基于深度学习通过对受测者眼底图像的分析，以准确的预测出受测者的眼轴长度和脉络膜厚度。
本实施例提供了一种眼底数据测量方法，如图1所示，该识别方法用于测量眼底中眼轴长度与脉络膜厚度，具体的，可以包括如下步骤：
S10.获取眼底图像。本实施例所称的眼底图像可以为受测者实时拍摄的原始的眼底图像，也可以是对原始图像进行预处理之后的获得的图像。作为一示例性的实施例，对原始图像进行预处理可以滤除如眼底相机型号、患者年龄以及一些眼部疾病导致的眼底图像的色调和曝光的变化的影响因素。对原始的眼底图像进行预处理可以获得标准、统一的输入图像。具体的，对原始图像的预处理的方法可以包括对原始眼底图像去冗余：对眼底图像进行裁边处理。移除背景中大片的黑色像素，眼底图像均被裁剪到最小的能够包含整个圆形眼底的矩形。所有眼底图像可以均裁剪为统一格式。还可以进一步对眼底图像进行自适应色彩均衡，重新分布亮度，改变对比度以增强眼底细节部分。另外，还可以为眼底图形进行其他的预处理，例如进行颜色校正。以获得标准统一的待识别图像，减小其他因素的影响，提高后续识别的精度。
S20.利用机器学习模型从眼底图像中提取特征数据，并根据特征数据确定眼轴长度和/或脉络膜厚度。
将眼底图像输入至机器学习模型中，可以将图像提取为张量的形式，获得图像张量，该图像张量可以代表眼底图像。将眼底图像输入机器学习模型，可以是将上述图像张量输入机器学习模型，以利用机器学习模型从眼底图像中提取特征数据，并根据特征数据确定眼轴长度和/或脉络膜厚度。在本实施例中，所称的特征数据是与豹纹的程度、黄斑点中心凹陷程度等相关的特征数据，这些特征与眼轴长度和脉络膜厚度相关。在一示例性的实施例中，眼轴长度和脉络膜厚度存在一定的函数关系：
ai＝f(bi)，bi＞bi-1，ai＜ai-1
其中，a为脉络膜厚度；b为眼轴长度，
基于上述函数关系可知眼轴长度越长，脉络膜厚度约薄，经研究发现，眼轴长度每增加1mm，黄斑区脉络膜厚度就会减少17.528um。屈光度，眼轴长度等因素会影响脉络膜内血管重影程度，使脉络膜逐渐变薄，视功能逐步下降。基于眼轴长度和脉络膜厚度的相关性，眼轴和脉络膜具有相关的感兴趣特征。作为示例性的实施例，机器学习模型根据相同的特征数据分别确定眼轴长度和脉络膜厚度。
由于对于脉络膜厚度和眼轴长度可以采用相同的特征数据进行预测，如图2所示，机器学习模型可以包括一个特征提取网络和两个全连接层(在其它实施例中也可以将全连接层替换为平均池化层)；其中特征提取网络10用于从眼底图像中提取特征数据，在根据特征数据确定眼轴长度和脉络膜厚度的步骤中，利用第一全连接层21根据特征数据确定眼轴长度，利用第二全连接层22根据特征数据确定脉络膜厚度。
具体的，特征提取网络10可以包括特定数目的卷积层和池化层，特征提取网络可以输出若干特征图(feature map)作为特征数据。特征提取网络10的网络结构可以预先设定，并且可以随着机器学习模型的训练进行调整。例如，特征提取网络10的卷积层的数目、池化层的数目、卷积层和池化层的连接顺序、每个卷积层的卷积核的长和宽、每个池化层的步长等数据均可以调整。
特征提取网络10提取的特征数据可以分别输入第一全连接层21和第二全连接层22，即第一全连接层21和第二全连接层22得到的特征数据为相同的特征数据，依据第一全连接层21和第二全连接层22的参数不同，可以识别对应的特征数据以对应输出眼轴长度和脉络膜厚度的预测值。
利用眼轴和脉络膜厚度的尺寸的相关性，眼轴和脉络膜具有相关的感兴趣特征，因此，可以提取眼轴长度预测和脉络膜厚度预测共用的特征数据，并依据共用的特征数据，因此，可以设置一个特征提取网络提取共用特征，共享特征提取网络中的很多网络参数，无需针对每个特征单独特征提取网络，采用两个全连接层分别确定眼轴长度和脉络膜厚度，可以减小机器学习模型的复杂程度，提高识别效率。
图3示出了本发明一个实施例的眼部数据预测流程示意图，如图3所示，首先将眼底图像输入至特征提取网络10中，具体的，眼底图像可以为原始图像也可以为如上述实施例中描述的经过预处理的图像。机器学习模型中的特征提取网络10包括图3中所示的若干卷积层和池化层，对输入的待识别图像进行至少一次卷积和池化操作，具体的，还可以进行更多次的卷积和池化操作。作为示例性的实施例，特征识别网络可以具有五层卷积层，相应的具有五层池化层层，其中，第一层卷积层可以具为64个3*3的卷积核；第二卷积层可以为128个3*3的卷积核，第三卷积层可以为256个3*3的卷积核，第四卷积层可以为512个3*3的卷积核，第五卷积层可以为512个3*3的卷积核。经过多层卷积层和池化层，不断的提取图像的特征，获取更高层的语义。在本实施例中，只是示例性给出了卷积层的数量以及卷积层中卷积核的大小和数量。本领域技术人员应该得知，本实施例中，并不限定卷积层的数量以及卷积层中卷积核的大小和数量。
第一全连接层21可以包括若干级联的全连接层。第二全连接层22也可以包括若干级联的全连接层在对模型训练时，可以利用特征提取网络提取的特征后第一全连接层21和第二全连接层22输出的结果分别对第一全连接层21和第二全连接层22进行训练，并针对分别输出的结果分别调整第一全连接层21和第二全连接层22的参数。
在其他实施例中，机器学习模型也可以包括两个独立的预测网络，其中，第一预测网络用于预测眼底图像中眼轴长度，第二预测网络用语预测眼底图像中脉络膜厚度。示例性地，第一预测网络包括第一特征提取网络和第一全连接层，第二预测网络包括第二特征提取网络和第二全连接层。其中，第一特征提取网络与第二特征提取网络可以提取相同的特征数据，也可以针对眼轴和脉络膜分别提取不同的特征数据，第一全连接层根据第一特征提取网络提取的特征数据预测眼轴长度，第二全连接层根据第二特征提取网络提取的特征数据预测脉络膜厚度。
本发明实施例还提供了眼部数据预测模型训练方法具体的训练方法可以包括如下步骤：
获取训练数据，训练数据包括眼底图像及其对应的眼轴长度和/或脉络膜厚度；在本实施例中，为提高预测模型的准确率，可以对眼底图像样本进行预处理，该预处理的方法可以参照上述实施例中描述的预处理方法，即对原始眼底图像进行去冗余、自适应色彩均衡以及颜色校正中的至少一种预处理方法。
利用训练数据对机器学习模型进行训练，机器学习模型从眼底图像中提取特征数据，并根据特征数据确定眼轴长度和/或脉络膜厚度，具体的，机器学习模型根据相同的特征数据分别确定眼轴长度和脉络膜厚度。机器学习模型包括一个特征提取网络和两个全连接层；特征提取网络用于从眼底图像中提取特征数据，其中一个全连接层用于根据特征数据确定眼轴长度，另一个全连接层用于根据特征数据确定脉络膜厚度。
根据机器学习模型确定的眼轴长度和/或脉络膜厚度与训练数据中的眼轴长度和/或脉络膜厚度的差异修正机器学习模型的参数。具体的，根据两个全连接层确定的眼轴长度和脉络膜厚度与训练数据中的眼轴长度和脉络膜厚度的差异修正两个全连接层以及特征提取网络的参数。
两个全连接层确定的眼轴长度和脉络膜厚度与训练数据中的眼轴长度和脉络膜厚度的差异修正对同一特征提取网络的参数进行修正，共享特征提取网络10的网络参数，相比于单独采用一个特征进行训练，可以大大减小网络参数的数量，并且由于眼轴和脉络膜之间的相关性，在训练时，可以相互促进、监督，可以较为明显的提高收敛速度和收敛精度。
在本实施例中，可以利用第一全连接层的预测值与真实值的差异修正第一全连接层的参数，利用第二全连接层的预测值与真实值的差异修正第二全连接层的参数，直至收敛或大于预设训练次数。
相应地，本发明提供一种眼部数据确定设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述眼部数据确定方法。
相应地，本发明提供一种眼部数据预测模型训练设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述的眼部数据预测模型训练方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
作为示例性的实施例，上述眼部数据确定设备和眼部数据预测模型训练设备可以为同一电子设备也可以为不同的电子设备，具体的均该电子设备，
具体的，如图4所示，上述电子设备100包括一个或多个处理器102、一个或多个存储装置104。可选地，电子设备100还可以包括输入装置106、输出装置108、以及图像采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，电子设备也可以具有其他组件和结构。
处理器102可以采用数字信号处理(DSP)、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)中的至少一种硬件形式来实现，处理器102可以是中央处理单元(CPU)、图像处理器(GPU)、专用的集成电路(ASIC)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元中的一种或几种的组合，并且可以控制电子设备100中的其它组件以执行期望的功能。
存储装置104可以包括一个或多个计算机程序产品，计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行程序指令，以实现上述本发明实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在计算机可读存储介质中还可以存储各种应用程序和各种数据，例如应用程序使用和/或产生的各种数据等。
输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。
输出装置108可以向外部(例如用户)输出各种信息(例如图像和/或声音)，并且可以包括显示器、扬声器等中的一个或多个。可选地，输入装置106和输出装置108可以集成在一起，采用同一交互装置(例如触摸屏)实现。
图像采集装置110(可以是眼底摄像机)可以采集待识别图像，并且将所采集的图像存储在存储装置104中以供其它组件使用。图像采集装置110可以是单独的相机或移动终端中的摄像头。应当理解，图像采集装置110仅是示例，电子设备100可以不包括图像采集装置110。在这种情况下，可以利用其他具有图像采集能力的器件采集待识别图像，并将采集的图像发送给电子设备100。
示例性地，用于实现根据本发明实施例的眼底数据测量方法和眼底数据测量模型训练方法和装置的示例电子设备可以在诸如个人计算机或远程服务器等的设备上实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种眼部数据确定方法，其特征在于，包括：
获取眼底图像；
利用机器学习模型从所述眼底图像中提取特征数据，并根据所述特征数据确定眼轴长度和/或脉络膜厚度。
2.根据权利要求1所述的方法，其特征在于，所述机器学习模型根据相同的特征数据分别确定所述眼轴长度和脉络膜厚度。
3.根据权利要求2所述的方法，其特征在于，所述机器学习模型包括一个特征提取网络和两个全连接层；其中所述特征提取网络用于从所述眼底图像中提取特征数据，在根据所述特征数据确定眼轴长度和脉络膜厚度的步骤中，利用一个所述全连接层根据所述特征数据确定所述眼轴长度，利用另一个所述全连接层根据所述特征数据确定所述脉络膜厚度。
4.一种眼部数据预测模型训练方法，其特征在于，包括：
获取训练数据，所述训练数据包括眼底图像及其对应的眼轴长度和/或脉络膜厚度；
利用所述训练数据对机器学习模型进行训练，所述机器学习模型从所述眼底图像中提取特征数据，并根据所述特征数据确定眼轴长度和/或脉络膜厚度；
根据所述机器学习模型确定的眼轴长度和/或脉络膜厚度与训练数据中的眼轴长度和/或脉络膜厚度的差异修正所述机器学习模型的参数。
5.根据权利要求4所述的方法，其特征在于，所述机器学习模型根据相同的特征数据分别确定所述眼轴长度和脉络膜厚度。
6.根据权利要求5所述的方法，其特征在于，所述机器学习模型包括一个特征提取网络和两个全连接层；所述特征提取网络用于从所述眼底图像中提取特征数据，其中一个所述全连接层用于根据所述特征数据确定所述眼轴长度，另一个所述全连接层用于根据所述特征数据确定所述脉络膜厚度。
7.根据权利要求6所述的方法，其特征在于，在修正所述机器学习模型的参数步骤中，根据所述两个全连接层确定的眼轴长度和脉络膜厚度与训练数据中的眼轴长度和脉络膜厚度的差异修正所述两个全连接层以及所述特征提取网络的参数。
8.一种眼部数据确定设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-3中任意一项所述的眼部数据确定方法。
9.一种眼部数据预测模型训练设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求4-7中任意一项所述的眼部数据预测模型训练方法。
CN201910716895.1A 2019-08-05 2019-08-05 眼部数据确定方法、模型训练方法及设备 Pending CN110415245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910716895.1A CN110415245A (zh) 2019-08-05 2019-08-05 眼部数据确定方法、模型训练方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910716895.1A CN110415245A (zh) 2019-08-05 2019-08-05 眼部数据确定方法、模型训练方法及设备

Publications (1)

Publication Number Publication Date
CN110415245A true CN110415245A (zh) 2019-11-05

Family

ID=68365786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910716895.1A Pending CN110415245A (zh) 2019-08-05 2019-08-05 眼部数据确定方法、模型训练方法及设备

Country Status (1)

Country Link
CN (1) CN110415245A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259743A (zh) * 2020-01-09 2020-06-09 中山大学中山眼科中心 一种近视图像深度学习识别模型训练方法及系统
CN113017831A (zh) * 2021-02-26 2021-06-25 上海鹰瞳医疗科技有限公司 人工晶体植入术后拱高预测方法及设备
WO2023017875A1 (ko) * 2021-08-12 2023-02-16 고려대학교 산학협력단 안저영상을 기초로 생체 계측치를 예측하는 장치 및 방법
CN117237749A (zh) * 2023-09-15 2023-12-15 上海谱希和光基因科技有限公司 一种眼轴长度预测方法、系统、设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170112372A1 (en) * 2015-10-23 2017-04-27 International Business Machines Corporation Automatically detecting eye type in retinal fundus images
CN107369160A (zh) * 2017-06-28 2017-11-21 苏州比格威医疗科技有限公司 一种oct图像中脉络膜新生血管分割算法
CN107729929A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN109961848A (zh) * 2019-04-02 2019-07-02 上海鹰瞳医疗科技有限公司 黄斑图像分类方法和设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170112372A1 (en) * 2015-10-23 2017-04-27 International Business Machines Corporation Automatically detecting eye type in retinal fundus images
CN107369160A (zh) * 2017-06-28 2017-11-21 苏州比格威医疗科技有限公司 一种oct图像中脉络膜新生血管分割算法
CN107729929A (zh) * 2017-09-30 2018-02-23 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN109961848A (zh) * 2019-04-02 2019-07-02 上海鹰瞳医疗科技有限公司 黄斑图像分类方法和设备

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ABDULKADIR ŞENGÜR 等: "A retinal vessel detection approach using convolution neural network", 《2017 INTERNATIONAL ARTIFICIAL INTELLIGENCE AND DATA PROCESSING SYMPOSIUM (IDAP)》 *
YUJI HATANAKA 等: "Automatic microaneurysms detection on retinal images using deep convolution neural network", 《2018 INTERNATIONAL WORKSHOP ON ADVANCED IMAGE TECHNOLOGY (IWAIT)》 *
于凤丽: "基于深度学习的糖尿病性视网膜图像分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
包青平 等: "基于度量学习的服装图像分类和检索", 《计算机应用与软件》 *
王耀玮 等: "基于多任务卷积神经网络的车辆多属性识别", 《计算机工程与应用》 *
蒋俊钊 等: "基于标签相关性的卷积神经网络多标签分类算法", 《工业控制计算机》 *
蒋俊钊: "基于标签相关性与协同训练的卷积神经网络车辆识别算法", 《中国硕士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111259743A (zh) * 2020-01-09 2020-06-09 中山大学中山眼科中心 一种近视图像深度学习识别模型训练方法及系统
CN111259743B (zh) * 2020-01-09 2023-11-24 中山大学中山眼科中心 一种近视图像深度学习识别模型训练方法及系统
CN113017831A (zh) * 2021-02-26 2021-06-25 上海鹰瞳医疗科技有限公司 人工晶体植入术后拱高预测方法及设备
WO2023017875A1 (ko) * 2021-08-12 2023-02-16 고려대학교 산학협력단 안저영상을 기초로 생체 계측치를 예측하는 장치 및 방법
CN117237749A (zh) * 2023-09-15 2023-12-15 上海谱希和光基因科技有限公司 一种眼轴长度预测方法、系统、设备

Similar Documents

Publication Publication Date Title
CN110415245A (zh) 眼部数据确定方法、模型训练方法及设备
US11210789B2 (en) Diabetic retinopathy recognition system based on fundus image
CN106682389B (zh) 一种用于监控高血压引发的眼部病变健康管理系统
CN109345538A (zh) 一种基于卷积神经网络的视网膜血管分割方法
CN112017185B (zh) 病灶分割方法、装置及存储介质
CN109447962A (zh) 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法
CN108416772A (zh) 一种基于级联卷积神经网络的斜眼检测方法
KR102329313B1 (ko) 전안부 이미지를 이용한 각막 병변 분석 시스템 및 방법 그리고 컴퓨터로 판독 가능한 기록 매체
Nayak et al. Automatic identification of diabetic maculopathy stages using fundus images
CN111489328A (zh) 一种基于血管分割和背景分离的眼底图像质量评价方法
Baid et al. Detection of pathological myopia and optic disc segmentation with deep convolutional neural networks
Firke et al. Convolutional neural network for diabetic retinopathy detection
Ebin et al. An approach using transfer learning to disclose diabetic retinopathy in early stage
CN117764957A (zh) 基于人工神经网络的青光眼图像特征提取的训练系统
Caicho et al. Diabetic retinopathy: Detection and classification using alexnet, googlenet and resnet50 convolutional neural networks
Phridviraj et al. A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images
CN110503636A (zh) 参数调整方法、病灶预测方法、参数调整装置及电子设备
Mudaser et al. Diabetic retinopathy classification with pre-trained image enhancement model
CN110598652B (zh) 眼底数据预测方法和设备
CN112381012A (zh) 眼部图像中目标区域的识别方法、装置及电子设备
CN110276333A (zh) 眼底身份识别模型训练方法、眼底身份识别方法和设备
WO2021139446A1 (zh) 一种抗血管内皮生长因子vegf疗效预测装置及方法
Deshmukh et al. Machine learning based approach for lesion segmentation and severity level classification of diabetic retinopathy
Smits et al. Machine learning in the detection of the glaucomatous disc and visual field
Gambhir et al. Severity classification of diabetic retinopathy using ShuffleNet

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191105