CN110477856A - 一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法 - Google Patents
一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法 Download PDFInfo
- Publication number
- CN110477856A CN110477856A CN201910826846.3A CN201910826846A CN110477856A CN 110477856 A CN110477856 A CN 110477856A CN 201910826846 A CN201910826846 A CN 201910826846A CN 110477856 A CN110477856 A CN 110477856A
- Authority
- CN
- China
- Prior art keywords
- color picture
- eyeground
- myocardial infarction
- eyeground color
- width
- 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
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
- A61B3/12—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
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及了一种人工智能技术领域，尤其是涉及了一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其具体步骤是：基于数据库的纵向随访数据，标注及预处理已收集的眼底彩照；构建宽度学习网络，并优化深参数；获取待识别患者眼底彩照，利用宽度学习智能模型对眼底特征进行识别，获得有无心肌梗塞的眼底彩照智能分类结果；该方法能高效、便捷、无创地进行心肌梗塞高危人群筛查。
Description
技术领域
本发明涉及了一种人工智能技术领域，尤其是涉及了一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法。
背景技术
心肌梗塞一般指急性心肌梗塞，即是冠状动脉病变引起急性、持续性缺血缺氧所引起的心肌细胞损伤甚至坏死。临床症状包括胸骨后疼痛，可并发心肌破裂、附壁血栓、心律失常、心源性休克等，可危及生命并具有高致残率。心肌梗塞最常见于在欧美，美国每年约有150万人发生心肌梗塞。近年来在国内呈明显上升趋势，每年新发个案50万余，现有患者至少200万余。对于心梗，应及早发现，及早治疗，缩小梗塞面积。如发展至中后期，患者不得不进行冠状动脉介入治疗等，在一定程度上，其临床症状无法得到明显改善，预后及远期生存率也无法得到明显提高。同时费用昂贵，患者难以承担。
如果能有效的预测心肌梗塞的发生，使医院和患者能够在不良事件发生前做出对应的调整策略，可以有效减少由心梗带来的死亡率和致死率。在国内外，也做过类似的不良事件预测模型，但目前尚没有有效的预测方法。研究表明通过观察视网膜中的血管分布、血管管径和病变等，可有效预测心血管疾病；但是，传统的半自动模式勾勒眼底血管及病变，需要耗费大量的人力物力且具有主观性。
发明内容
本发明的目的在于提供一种融合眼底彩照和宽度学习的心肌梗塞智能预测方法，能够实现客观、无创、高效地利用眼部特征预测心肌梗塞高危人群的筛查和预测工作。
本发明提供了一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，包括如下步骤：
S1:使用数据库中的纵向随访数据，基于患者有无心肌梗塞对眼底彩照进行标记及图像预处理，得到训练集；
S2:搭建基于眼底彩照的宽度学习网络；
S3:训练宽度学习网络的参数；
S4:通过宽度学习网络，学习并提取心肌梗塞患者眼底特征，构建智能预测模型；
S5:将所述患者的眼底眼底彩照数据输入至宽度学习网络中，通过智能模型预测模型，得到关于心肌梗塞的预测结果。
进一步的，所述数据库的训练样本的数值范围是3000-6000名，心肌梗塞与正常眼底彩照比例为1:2。
进一步的，上述S2具体为：
上述S2具体为：
将输入的所述眼底彩照降采样为256*256分辨率的眼底彩照，对所述眼底彩照进行局部空间色彩平均化处理，图像增强，平移1-3个像素，旋转90°、180°或270°进行扩增，对图像进行归一化处理，使输入数据归一化为0到1之间，从而得到预处理的训练集，将目标图片转化为矩阵的形式；
将训练集进行增广，在其最后再增加一列，形成最终的训练集；
对输入数据矩阵通过线性映射和激活函数得到数据的映射特征，根据输入数据的映射特征生成特征节点；
将特征节点增强为随机生成权重的增强节点，利用增强节点对随机的特征节点进行补充及增广，并对增强节点进行激活，形成网络的输入；对网络的输入值求伪逆，形成网络结构输入到输出的映射。
进一步的，上述S3中的宽度学习网络通过增加特征节点增量、特征节点增量和输入数据增量，不断调整宽度学习网络的参数，直至模型达到预期的表现。
进一步的，对所述数据库内多个患者的眼底彩照数据进行自动识别；将划分好的数据库内多个患者的眼底彩照数据的输入到宽度学习网络中，通过智能监测模型，获得对应患者的心肌梗塞的预测结果，将预测结果与患者数据库内的参考标签进行比较判断，对所述智能监测模型进行优化。
进一步的，所述数据库内的多个患者的眼底彩照数据为每次试验前从数据库中随机抽取1/3，使用 5倍交叉验证，并重复测试10次，以10次测试的平均值作为最终的模型准确率。
进一步的，获取医院系统内的患者眼底彩照数据和全身数据，构成外部验证集，将心肌梗塞智能预测模型应用于外部验证集，通过外部验证修正所述智能预测模型。
所述外部验证集的数值范围是5000名。
本发明的有益效果：
（1）利用本发明所述的融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，一方面减轻了侵入性血液检查给受检者带来的疼痛与不便，另一方面将提高心肌梗塞高危人群筛查的工作效率；
（2）本发明通过宽度学习技术,客观性提取、分析患者眼底特征；
（3）本发明综合利用眼部数据特征，利用宽度学习具有分类更准确、回归更精准、聚类更有效、时序预测更高效的学习能力等优势，提高了心肌梗塞高危人群筛查的准确性，尤其是在不具高血压、高血脂等传统心血管危险因素的人群中具有较高的应用价值。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法原理图。
具体实施方式
结合以下实施例对本发明作进一步描述。
如图1所示，结合以下实施例对本发明作进一步描述。
本实施例的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，包括如下步骤：
S1:使用数据库中的纵向随访数据，基于患者有无心肌梗塞对眼底彩照进行标记及图像预处理，得到训练集；所述训练集为得到眼底彩照与心肌梗塞之间关系的训练集。
S2:搭建基于眼底彩照的宽度学习网络；
S3:训练宽度学习网络的参数；
S4:通过宽度学习网络，学习并提取心肌梗塞患者眼底特征，构建智能预测模型；
S5:将所述患者的眼底眼底彩照数据输入至宽度学习网络中，通过智能模型预测模型，得到关于心肌梗塞的预测结果。
具体的，所述数据库的训练样本的数值范围是3000-6000名，心肌梗塞与正常眼底彩照比例为1:2。
上述S2具体为：
将输入的所述眼底彩照降采样为256*256分辨率的眼底彩照，对所述眼底彩照进行局部空间色彩平均化处理，图像增强，平移1-3个像素，旋转90°、180°或270°进行扩增，对图像进行归一化处理，使输入数据归一化为0到1之间，从而得到预处理的训练集，将目标图片转化为矩阵的形式；
将训练集进行增广，在其最后再增加一列，形成最终的训练集；
对输入数据矩阵通过线性映射和激活函数得到数据的映射特征，根据输入数据的映射特征生成特征节点；
将特征节点增强为随机生成权重的增强节点，利用增强节点对随机的特征节点进行补充及增广，并对增强节点进行激活，形成网络的输入；对网络的输入值求伪逆，形成网络结构输入到输出的映射。
上述S3中的宽度学习网络通过增加特征节点增量、特征节点增量和输入数据增量，不断调整宽度学习网络的参数，直至模型达到预期的表现。
对所述数据库内多个患者的眼底彩照数据进行自动识别；将划分好的数据库内多个患者的眼底彩照数据的输入到宽度学习网络中，通过智能监测模型，获得对应患者的心肌梗塞的预测结果，将预测结果与患者数据库内的参考标签进行比较判断，对所述智能智能预测模型进行优化。能够进一步优化智能预测模型，提升了智能预测模型的预测结果的准确性。
所述数据库内的多个患者的眼底彩照数据为每次试验前从数据库中随机抽取1/3，使用 5倍交叉验证，并重复测试10次，以10次测试的平均值作为最终的智能预测模型准确率。通过反复的验证提升所述智能预测模型的准确率。
获取医院系统内的患者眼底彩照数据和全身数据，构成外部验证集，将心肌梗塞的智能预测模型应用于外部验证集，通过外部验证修正所述智能预测模型。通外部验证修正所述智能预测模型，进一步的提升了智能预测模型的预测结果的准确性。所述外部验证集的数值范围是5000名。
以下是通过具体实例对本实施例进行说明：
纳入1000-2000名冠脉造影确诊为心肌梗塞的患者，以及2000-4000名确定无心肌梗塞的对照者，收集其全身数据及眼底彩照形成数据库。
基于患者有无心肌梗塞对眼底彩照进行标记及图像预处理。
将数据按2:1比例分为训练集与内部验证集，进一步的，将智能预测模型在内部验证集中进行验证及进一步优化，保存内部验证集准确性最好的模型作为智能预测模型。
进一步的，利用医院数据库调取5000名患者眼底及全身数据，构成外部验证集，对优化后的心肌梗塞的智能预测模型再次进行验证，外部验证集表现最好的模型确定为最终的智能预测模型。
在应用于筛查工作时，通过眼底彩照获取受检者的眼底彩照，将眼底彩照输入最终确定的智能预测模型内，即可获得患者有无心肌梗塞的预测结果。
以上对本发明一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述。以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用 范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于：包括如下步骤：
S1:使用数据库中的纵向随访数据，基于患者有无心肌梗塞对眼底彩照进行标记及图像预处理，得到训练集；
S2:搭建基于眼底彩照的宽度学习网络；
S3:训练宽度学习网络的参数；
S4:通过宽度学习网络，学习并提取心肌梗塞患者眼底特征，构建智能预测模型；
S5:将所述患者的眼底彩照数据输入至宽度学习网络中，通过智能模型预测模型，得到关于心肌梗塞的预测结果。
2.根据权利要求1所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于：所述数据库的训练样本的数值范围是3000-6000名，心肌梗塞与正常眼底彩照比例为1:2。
3.根据权利要求1所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于：上述S2具体为：
将输入的所述眼底彩照降采样为256*256分辨率的眼底彩照，对所述眼底彩照进行局部空间色彩平均化处理，图像增强，平移1-3个像素，旋转90、180°或270°进行扩增，对图像进行归一化处理，使输入数据归一化为0到1之间，从而得到预处理的训练集，将目标图片转化为矩阵的形式；
将训练集进行增广，在其最后再增加一列，形成最终的训练集；
对输入数据矩阵通过线性映射和激活函数得到数据的映射特征，根据输入数据的映射特征生成特征节点；
将特征节点增强为随机生成权重的增强节点，利用增强节点对随机的特征节点进行补充及增广，并对增强节点进行激活，形成网络的输入；对网络的输入值求伪逆，形成网络结构输入到输出的映射。
4.根据权利要求1所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于：上述S3中的宽度学习网络通过增加特征节点增量、特征节点增量和输入数据增量，不断调整宽度学习网络的参数，直至模型达到预期的表现。
5.根据权利要求1所述的融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于，对所述数据库内多个患者的眼底彩照数据进行自动识别；将划分好的数据库内多个患者的眼底彩照数据的输入到宽度学习网络中，通过智能监测模型，获得对应患者的心肌梗塞的预测结果，将预测结果与患者数据库内的参考标签进行比较判断，对所述智能预测模型进行优化。
6.根据权利要求5所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于：所述数据库内的多个患者的眼底彩照数据为每次试验前从数据库中随机抽取1/3，使用 5倍交叉验证，并重复测试10次，以10次测试的平均值作为最终的智能预测模型准确率。
7.根据权利要求1所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于，获取医院系统内的患者眼底彩照数据和全身数据，构成外部验证集，将心肌梗塞的智能预测模型应用于外部验证集，通过外部验证修正所述智能预测模型。
8.根据权利要求7所述的一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法，其特征在于：所述外部验证集的数值范围是5000名。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826846.3A CN110477856A (zh) | 2019-09-03 | 2019-09-03 | 一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910826846.3A CN110477856A (zh) | 2019-09-03 | 2019-09-03 | 一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110477856A true CN110477856A (zh) | 2019-11-22 |
Family
ID=68555461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910826846.3A Pending CN110477856A (zh) | 2019-09-03 | 2019-09-03 | 一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110477856A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109844868A (zh) * | 2016-08-18 | 2019-06-04 | 谷歌有限责任公司 | 使用机器学习模型处理眼底图像 |
| WO2019125026A1 (ko) * | 2017-12-20 | 2019-06-27 | 주식회사 메디웨일 | 심혈관 질병 진단 보조 방법 및 장치 |
-
2019
- 2019-09-03 CN CN201910826846.3A patent/CN110477856A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109844868A (zh) * | 2016-08-18 | 2019-06-04 | 谷歌有限责任公司 | 使用机器学习模型处理眼底图像 |
| WO2019125026A1 (ko) * | 2017-12-20 | 2019-06-27 | 주식회사 메디웨일 | 심혈관 질병 진단 보조 방법 및 장치 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107358605B (zh) | 用于识别糖尿病视网膜病变的深度神经网络装置及系统 | |
| CN107423571B (zh) | 基于眼底图像的糖尿病视网膜病变识别系统 | |
| CN109685813A (zh) | 一种自适应尺度信息的u型视网膜血管分割方法 | |
| WO2021038202A1 (en) | Computerised tomography image processing | |
| KR20070110837A (ko) | 심장판막 데이터 계측 방법 및 장치 | |
| Kumar et al. | Fractals: applications in biological signalling and image processing | |
| CN109726743A (zh) | 一种基于三维卷积神经网络的视网膜oct图像分类方法 | |
| CN109948719A (zh) | 一种基于残差密集模块网络结构的眼底图像质量自动分类方法 | |
| CN102663376A (zh) | 近红外多光强手指静脉图像的获取和融合系统及方法 | |
| CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
| US11062444B2 (en) | Artificial intelligence cataract analysis system | |
| CN106510687A (zh) | 一种识别心电图数据异常的方法及系统 | |
| CN104809354A (zh) | 一种健康状态监测管理方法及智能镜 | |
| CN109344763A (zh) | 一种基于卷积神经网络的斜眼检测方法 | |
| CN113763292A (zh) | 一种基于深度卷积神经网络的眼底视网膜图像分割方法 | |
| CN111951219A (zh) | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 | |
| He et al. | Diabetic retinopathy grade and macular edema risk classification using convolutional neural networks | |
| CN108665474A (zh) | 一种基于b-cosfire的眼底图像视网膜血管分割方法 | |
| CN110477856A (zh) | 一种融合眼底彩照和宽度学习的心肌梗塞的智能预测方法 | |
| Hewes et al. | Variable evidence for convergence in morphology and function across avian nectarivores | |
| CN115409764A (zh) | 一种基于域自适应的多模态眼底血管分割方法及装置 | |
| CN111329467A (zh) | 一种基于人工智能的心脏疾病辅助检测方法 | |
| Nair et al. | Multi-labelled ocular disease diagnosis enforcing transfer learning | |
| Sandoval-Cuellar et al. | Image-based glaucoma classification using fundus images and deep learning | |
| CN107106015A (zh) | 心脏状态监视系统 |
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: 20191122 |