CN110619332B - 基于视野检查报告的数据处理方法、装置及设备 - Google Patents
基于视野检查报告的数据处理方法、装置及设备 Download PDFInfo
- Publication number
- CN110619332B CN110619332B CN201910744386.XA CN201910744386A CN110619332B CN 110619332 B CN110619332 B CN 110619332B CN 201910744386 A CN201910744386 A CN 201910744386A CN 110619332 B CN110619332 B CN 110619332B
- Authority
- CN
- China
- Prior art keywords
- data
- visual field
- neural network
- network model
- light sensitivity
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一种基于视野检查报告的数据处理方法包括:获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值;根据所述第一分值、第二分值、第三分值以及对应的权值计算得到分类结果。与通过图像对比的方式相比,识别精度更高,并且在模式偏差概率图和模式偏差数值图的基础上,引入保留有原始信息的光敏感度数据图,更加充分的利用视野检查报告信息,有利于提高所获取的分类结果的准确度。并且基于该分类结果,有利于提高最终报告的生成效率,并且结合其它检测信息,可以有助于医务人员快速的对病情进行评估。
Description
技术领域
本申请属于人工智能领域,尤其涉及一种基于视野图报告的数据处理方法、装置及设备。
背景技术
视野是单眼固定注视正前方一点时所能看见的空间范围,此范围又称为周边视力,也就是黄斑中央凹以外的视力。借助此种视野检查所生成的视野检查报告,可以用于获取整个视网膜的分类结果。
在得到用户的视野检查报告后,为了提高分析人员的判断效率,通常采用模式偏差概率图信息进行分析的方式,简单的模拟读图习惯。但是,仅采用模式偏差概率图形式,通过与视野计内置的普通数据进行比较来创建的模式偏差概率图,并不能完全反映视野检查报告中的信息,不利于提高分类结果的准确度。
发明内容
有鉴于此,本申请实施例提供了一种基于视野检查报告的数据处理方法、装置及设备,以解决现有技术中对视野检查报告进行分析处理时,不能完全反应视野检查报告中的信息,不利于提高分类结果的准确度的问题。
本申请实施例的第一方面提供了一种基于视野检查报告的数据处理方法,所述基于视野检查报告的数据处理方法包括:
获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值,其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;
根据所述第一分值、第二分值、第三分值以及对应的权值计算得到分类结果。
结合第一方面,在第一方面的第一种可能实现方式中,所述获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据的步骤包括:
获取所述视野检查报告的图像;
提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域;
通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据,所提取的数据包括光敏感度数据图区域数据、模式偏差数值图数据和模式偏差概率图数据。
结合第一方面的第一种可能实现方式,在第一方面的第二种可能实现方式中,所通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据的步骤包括:
根据光敏感度数据图区域、模式偏差数值图区域或模式偏差概率图区域中数字的位置,将其划分为N*N个小格,N根据区域中的内容项数确定;
采用光学字符识别方法识别所述光敏感度数据图区域或模式偏差数值图区域所划分的小格中的内容;
采用色块灰度匹配方法识别所述模式偏差概率图区域所划分的小格中的内容。
结合第一方面的第一种可能实现方式,在第一方面的第三种可能实现方式中,在所述提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域的步骤之前,所述方法还包括:
识别所述视野检查报告的图像中的基本信息区域的文字信息;
根据所识别的文字信息包括的可靠性参数,判断所述视野检查报告是否符合预设的可靠条件;
对不符合预设的可靠条件的视野检查报告进行筛选。
结合第一方面,在第一方面的第四种可能实现方式中,所述将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值的步骤包括:
根据所述光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据的有效数值的个数和位置,分别生成一维光敏感度数据图像矩阵、一维模式偏差数值图矩阵和一维模式偏差概率图矩阵;
将所生成的一维光敏感度数据图矩阵输入一维的第一卷积神经网络模型得到第一训练分值,将所生成的一维模式偏差数值图矩阵输入一维的第一卷积神经网络模型得到第二训练分值,将所生成的一维模式偏差概率矩阵输入一维的第三卷积神经网络模型得到第三训练分值。
结合第一方面,在第一方面的第五种可能实现方式中,所述第一卷积神经网络模型、第二卷积神经网络模型或第三卷积神经网络模型的卷积层使用空洞卷积,并在不同的卷积层使用不同的膨胀因子,池化层引入全局池化层进行池化处理。
本申请实施例的第二方面提供了一种基于视野检查报告的数据处理装置,所述基于视野检查报告的数据处理装置包括:
数据获取单元,用于获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
分值计算单元,用于将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值,其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;
结果获取单元,用于根据所述第一分值、第二分值、第三分值以及对应的权值计算得到分类结果。
结合第二方面,在第二方面的第一种可能实现方式中,所述数据获取单元包括:
图像获取子单元,用于获取所述视野检查报告的图像;
区域提取子单元,用于提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域;
数据提取子单元,用于通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据,所提取的数据包括光敏感度数据图区域数据、模式偏差数值图数据和模式偏差概率图数据。
本申请实施例的第三方面提供了一种基于视野检查报告的数据处理设备,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如第一方面任一项所述基于视野检查报告的数据处理方法的步骤。
本申请实施例的第四方面提供了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如第一方面任一项所述基于视野检查报告的数据处理方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:本申请通过识别光敏感度数据图、模式偏差数值图和模式偏差概率图中的数值,通过将数值输入卷积神经网络进行计算,与通过图像对比的方式相比,识别精度更高,并且在模式偏差概率图和模式偏差数值图的基础上,引入保留有原始信息的光敏感度数据图,更加充分的利用视野检查报告信息,有利于提高所获取的分类结果的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本申请的一些实施例,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是本申请实施例提供的一种基于视野检查报告的数据处理方法的实现流程示意图;
图2是本申请实施例提供的一种获取视野检查报告中的数据方法的实现流程示意图;
图3是本申请实施例提供的一种筛选视野检查报告方法的实现流程示意图;
图4是本申请实施例提供的一种提取视野检查报告中的数据方法的实现流程示意图;
图5是本申请实施例提供的通过OCR识别光敏感度数据图中的数据的示意图;
图6为本申请实施例提供的通过色块匹配方法识别模式偏差概率图中的数据的示意图;
图7为本申请实施例提供的数据处理流程示意图;
图8为本申请实施例提供的一种基于视野检查报告的数据处理装置的示意图;
图9是本申请实施例提供的基于视野检查报告的数据处理设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
本申请所述视野检查报告,可以通过联合的眼科机构获取大量的视野检查报告。所收集的视野检查报告可以采用humphery视野计24-2或30-2标准模式采集。对所获取的视野检查报告,可以将视野检查报告划分为训练集和测试集,通过训练集的图像训练卷积神经网络,通过测试集的图像对卷积神经网络的性能进行测试,调整所述卷积神经网络的相应参数。下面结合图1对本申请所提供的基于视野检查报告的数据处理方法的实现流程具体说明:
在步骤S101中,获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
具体的,对于humphery视野计检查报告,可以根据报告的图像区域,来确定所需要的数据所在的位置。对于所获取的检查报告,本申请可能需要的数据,包括基本信息区域、光敏感度数据图像区域、模式偏差数值图区域和模式偏差概率图区域。
其中,光敏感度数据图数据是测量所得到的原始数据,即每个点的光敏感度。自动视野计用阈值可以光标强度来表示光敏感度。
所述模式偏差数值图为将检查结果与同龄标准值比较之后得出的结果,并基于此结果生成模式偏差概率图。通过将包括比较结果的模式偏差数值图,结合包括原始数据的光敏感度数据图,可以更加有效的利用视野检查报告的可用信息,有利于提高所获取的分类结果的准确性。
其中,如图2所示,获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据的步骤可以包括:
在步骤S201中,获取所述视野检查报告的图像;
具体的,本申请所述视野检查报告的图像,可以通过扫描的方式获取,或者也可以其它图像获取的方式,获得所述视野检查报告。
当然,在获取所述视野检查报告的图像后,可以对所述视野检查报告的图像进行初步的识别,根据初步识别结果,对所述视野检查图像进行筛选,过滤掉不符合要求的视野检查报告的图像。
比如,可以去除缺省模式偏差数值图的检查报告。
当然,优选的一种实施方式中,还可以根据视野检查报告中的基本信息区域对所述视野检查报告进行筛选,如图3所示,包括:
在步骤S301中,识别所述视野检查报告的图像中的基本信息区域的文字信息;
一般的,所述基本信息区域位于视野检查报告中的左上角,其中可能会包括报告类型、固视丢失率、假阳性率、假阴性率等指标。
其中,报告类型可以根据humphery视野计所采用的不同标准模式所得到的视野检查报告类型,包括如30-2或24-2等。
所述固视丢失率是指自动视野计在生理盲点中央呈现高刺激强度的光标,如果受检查者有反应,则记录一次固视丢失,根据所记录的固视丢失的次数,以及总的测试次数,可计算得到固视丢失率。
所述假阳性率是指用户在没有光标刺激时仍然能看见时,记录为假阳性反应,假阳性反应发生的机率称为假阳性率。
所述假阴性率是指,当用户对某一位置的光标刺激没有反应,此前该位置上更弱的刺激却能够看见,则记录为假阴性反应,假阴性反应发生的机率称为假阴性率。
在步骤S302中,根据所识别的文字信息包括的可靠性参数,判断所述视野检查报告是否符合预设的可靠条件;
所述预设的可靠条件,可以包括固定丢失率、假阳性率和假阴性率分别小于预定的数值。比如,可以设定所述固定丢失率小于2/13,所述假阳性率和假阴性率小于15%等。
在步骤S303中,对不符合预设的可靠条件的视野检查报告进行筛选。
如果所述基本信息区域中的可靠性参数的数值,均满足预设的可靠条件,则可以将该视野检查报告作为训练集或者测试集中的样本。
在步骤S202中,提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域;
在对所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域时,可以根据报告类型所对应的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域的位置,提取得到各个区域。比如,对于humphery视野计所得到的视野检查报告类型为30-2的视野检查报告,左上方的图像为光敏感度数据图,右中的图像为模式偏差数值图,右下的图像为模式偏差概率图。
在步骤S203中,通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据,所提取的数据包括光敏感度数据图区域数据、模式偏差数值图数据和模式偏差概率图数据。
在提取所述视野检查报告中的数据时,可以如图4所示,包括:
在步骤S401中,根据光敏感度数据图区域、模式偏差数值图区域或模式偏差概率图区域中数字的位置,将其划分为N*N个小格,N根据区域中的内容项数确定;
如图5所示,对于所述光敏感度数据图区域,可以将其预先划分为10*10个小格,数字10可以根据区域的内容项数确定。比如,可以根据所述光敏感度数据图区域中横排的数字个数,或者纵列的数字的个数来确定所述小格的划分数。
在步骤S402中,采用光学字符识别方法识别所述光敏感度数据图区域或模式偏差数值图区域所划分的小格中的内容;
对于小格中的内容为数字时,可以直接通过光学字符识别方法,提取所述小格的这也内容,比如对于图5所示的光敏感度数据图区域。同样,对于模式偏差数值图区域中的小格中的内容,也可以通过光学字符识别方法获取。对于其中未包括文字内容的小格,可以标识其为空白。
在步骤S403中,采用色块灰度匹配方法识别所述模式偏差概率图区域所划分的小格中的内容。
对于模式偏差概率图区域,则可以根据色块灰度匹配方法,如图6所示,根据色块灰度匹配方法进行数值匹配时,可以根据小格中的平均灰度值,来确定小格所对应的数值,比如图6所示的模式偏差概率图,根据色块灰度匹配方法,识别每个小格所对应的数值。根据色块灰度匹配方法进行识别时,可以根据预先设定的不同的色块灰度值与数值的对应关系,识别小格所对应的数值。
在识别所述小格中的内容后,为了进一步提高计算精度,可以根据光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域中的数值的位置,对其中的内容按位置进行编号,得到一组固定顺序的一维数组。将不包括空白区域的一维数组输入到一维卷积神经网络进行训练和测试,可有效的减少原始数据中的噪声,提高卷积神经网络的训练效率和准确性。
比如图5所示的数值ND图的示意图,以30-2中心光敏感度数据图为例,光敏感度数据图包括76个数值和24个空白,如果按照二维数组格式数据作为网络输入,在空白处的以0填充至所述光敏感度数据图中的空白位置处。所填充的数字相对于原始数据可能会带来噪声,不利于卷积神经网络进行深度学习的准确度。根据所述光敏感度数据图的数字所在位置,对其中的数字进行数组编号,得到一维数组。由于一组数组可以避免空白处填充0等数值所带来的噪声,有利于提高卷积神经网络的训练效率和计算准确度。
在步骤S102中,将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值;
其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;所述第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型可以具有相同的结构,通过使用不同的样本数据进行训练后,得到包括不同参数的神经网络模型,即得到包括不同参数的第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型。
优选的实施方式中,本申请实施例可以对于光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据,根据有效数值的个数和位置,分别生成一维光敏感度数据图像矩阵、一维模式偏差数值图矩阵和一维模式偏差概率图矩阵;将所生成的一维光敏感度数据图矩阵输入一维的第一卷积神经网络得到第一训练分值,将所生成的一维模式偏差数值图矩阵输入一维的第一卷积神经网络得到第二训练分值,将所生成的一维模式偏差概率矩阵输入一维的第一卷积神经网络得到第三训练分值。
通过改变输入数组的维数,可过滤空白位置的无效数值,可以减少卷积神经网格的无效数值的输入,在减少了模型参数的同时,可以减少过拟合出现的机率,通过占用较少的系统资源来更为高效的完成模型训练学习。
作为本申请优选的实施方式中,将所识别的数据输入到卷积神经网络中时,可以不限制深度神经网络的具体结构,其可以具有任意层的卷积神经网络,且每一层的参数也可以为不固定的参数。特征提取模块负责将所识别的视野数据送入卷积神经网络提取特征,本发明可以使用N1层一维卷积层来提取特征,并可使用激活函数来改善模型的非线性。为了扩大卷积神经网络模型的感受野,可以在卷积层上使用空洞卷积,通过使用不同的膨胀因子改变感受野大小。
在步骤S103中,根据所述第一分值、第二分值、第三分值以及对应的权值计算得到分类结果。
如图7所示,本申请对光敏感度数据图区域、模式偏差数值图区域通过光学字符识别识别其中的文字内容,对模式偏差概率图区域进行色块匹配后,可以得到三组数据,分别通过深度学习模型,即本申请中的卷积神经网络进行得到预测,获取所述第一卷积神经网络、第二卷积神经网络、第三卷积神经网络分别对于光敏感度数据图数据、模式偏差数值图数据、模式偏差概率图数据进行分值计算的结果,结合相应的权值可计算综合的得分,根据该得分即可确定分类结果,从而使得所获取的分类结果能够有效的反应视野检查报告中的信息,可靠性更高。
其中,所述权值可以在模型训练时对其进行优化。
本申请通过将光敏感度数据图、模式偏差数值图和模式偏差概率图中的数值,通过将数值输入卷积神经网络进行计算,与通过图像对比的方式相比,识别精度更高,并且在模式偏差概率图和模式偏差数值图的基础上,引入保留有原始信息的光敏感度数据图,更加充分的利用视野检查报告信息,有利于提高所获取的分类结果的准确度,基于该分类结果的中间数据,结合眼底、眼压、房角或病史等信息,有利于快速的得到青光眼的诊断结果,从而能够有效的改善患者就医的质量,加快医生对于患者病情的评估效率。在各种实施方式中,本申请所述基于视野检查报告的数据处理方法,可以用于对医学图像进行分析和划分优先级的方法和系统生成初步报告,这可以由审验医生在他们打开病例时用来进行审验。这有利地减少了医生准备最终报告所花费的时间。该初步报告可以包含附加信息,诸如从数据自动提取、生成或计算的量化测量值,包括如可靠性指标:假阴/阳性率,视野缺损程度:平均偏差,视野指数等。
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,而不应对本申请实施例的实施过程构成任何限定。
图8为本申请实施例提供的一种基于视野检查报告的数据处理装置的示意图,所述基于视野检查报告的数据处理装置包括:
数据获取单元801,用于获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
分值计算单元802,用于将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值,其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;
结果获取单元803,用于根据所述第一分值、第二分值、第三分值以及对应的权值计算得到分类结果。
优选的,所述数据获取单元包括:
图像获取子单元,用于获取所述视野检查报告的图像;
区域提取子单元,用于提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域;
数据提取子单元,用于通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据,所提取的数据包括光敏感度数据图区域数据、模式偏差数值图数据和模式偏差概率图数据。
所述基于视野检查报告的数据处理装置,与上述基于视野检查报告的数据处理方法对应。
图9是本申请一实施例提供的基于视野检查报告的数据处理设备的示意图。如图9所示,该实施例的基于视野检查报告的数据处理设备9包括:处理器90、存储器91以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92,例如基于视野检查报告的数据处理程序。所述处理器90执行所述计算机程序92时实现上述各个基于视野检查报告的数据处理方法实施例中的步骤。或者,所述处理器90执行所述计算机程序92时实现上述各装置实施例中各模块/单元的功能。
示例性的,所述计算机程序92可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器91中,并由所述处理器90执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序92在所述基于视野检查报告的数据处理设备9中的执行过程。例如,所述计算机程序92可以被分割成:
数据获取单元,用于获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
分值计算单元,用于将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值,其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;
结果获取单元,用于根据所述第一分值、第二分值、第三分值以及对应的权值计算得到分类结果。
所述基于视野检查报告的数据处理设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于视野检查报告的数据处理设备可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是基于视野检查报告的数据处理设备9的示例,并不构成对基于视野检查报告的数据处理设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于视野检查报告的数据处理设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述基于视野检查报告的数据处理设备9的内部存储单元,例如基于视野检查报告的数据处理设备9的硬盘或内存。所述存储器91也可以是所述基于视野检查报告的数据处理设备9的外部存储设备,例如所述基于视野检查报告的数据处理设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器91还可以既包括所述基于视野检查报告的数据处理设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述基于视野检查报告的数据处理设备所需的其他程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
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。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于视野检查报告的数据处理方法,其特征在于,所述基于视野检查报告的数据处理方法包括:
获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值,其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;
根据所述第一训练分值、第二训练分值、第三训练分值以及对应的权值计算得到分类结果。
2.根据权利要求1所述的基于视野检查报告的数据处理方法,其特征在于,所述获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据的步骤包括:
获取所述视野检查报告的图像;
提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域;
通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据,所提取的数据包括光敏感度数据图区域数据、模式偏差数值图数据和模式偏差概率图数据。
3.根据权利要求2所述的基于视野检查报告的数据处理方法,其特征在于,所述通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据的步骤包括:
根据光敏感度数据图区域、模式偏差数值图区域或模式偏差概率图区域中数字的位置,将其划分为N*N个小格,N根据区域中的内容项数确定;
采用光学字符识别方法识别所述光敏感度数据图区域或模式偏差数值图区域所划分的小格中的内容;
采用色块灰度匹配方法识别所述模式偏差概率图区域所划分的小格中的内容。
4.根据权利要求2所述的基于视野检查报告的数据处理方法,其特征在于,在所述提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域的步骤之前,所述方法还包括:
识别所述视野检查报告的图像中的基本信息区域的文字信息;
根据所识别的文字信息包括的可靠性参数,判断所述视野检查报告是否符合预设的可靠条件;
对不符合预设的可靠条件的视野检查报告进行筛选。
5.根据权利要求1所述的基于视野检查报告的数据处理方法,其特征在于,所述将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值的步骤包括:
根据所述光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据的有效数值的个数和位置,分别生成一维光敏感度数据图像矩阵、一维模式偏差数值图矩阵和一维模式偏差概率图矩阵;
将所生成的一维光敏感度数据图矩阵输入一维的第一卷积神经网络模型得到第一训练分值,将所生成的一维模式偏差数值图矩阵输入一维的第一卷积神经网络模型得到第二训练分值,将所生成的一维模式偏差概率矩阵输入一维的第三卷积神经网络模型得到第三训练分值。
6.根据权利要求1所述的基于视野检查报告的数据处理方法,其特征在于,所述第一卷积神经网络模型、第二卷积神经网络模型或第三卷积神经网络模型的卷积层使用空洞卷积,并在不同的卷积层使用不同的膨胀因子,池化层引入全局池化层进行池化处理。
7.一种基于视野检查报告的数据处理装置,其特征在于,所述基于视野检查报告的数据处理装置包括:
数据获取单元,用于获取待处理的视野检查报告中的光敏感度数据图数据、模式偏差数值图数据和模式偏差概率图数据;
分值计算单元,用于将所述光敏感度数据图数据输入第一卷积神经网络模型得到第一训练分值,将模式偏差数值图数据输入第二卷积神经网络模型得到第二训练分值,将所述模式偏差概率图数据输入第三卷积神经网络模型得到第三训练分值,其中第一卷积神经网络模型、第二卷积神经网络模型和第三卷积神经网络模型分别通过视野检查报告样本中的光敏感度数据图样本数据、模式偏差数值图样本数据和模式偏差概率图样本数据训练得到;
结果获取单元,用于根据所述第一训练分值、第二训练分值、第三训练分值以及对应的权值计算得到分类结果。
8.根据权利要求7所述的基于视野检查报告的数据处理装置,其特征在于,所述数据获取单元包括:
图像获取子单元,用于获取所述视野检查报告的图像;
区域提取子单元,用于提取所述图像中的光敏感度数据图区域、模式偏差数值图区域和模式偏差概率图区域;
数据提取子单元,用于通过光学字符识别方法和色块匹配方法,提取所述视野检查报告中的数据,所提取的数据包括光敏感度数据图区域数据、模式偏差数值图数据和模式偏差概率图数据。
9.一种基于视野检查报告的数据处理设备,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6任一项所述基于视野检查报告的数据处理方法的步骤。
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6任一项所述基于视野检查报告的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910744386.XA CN110619332B (zh) | 2019-08-13 | 2019-08-13 | 基于视野检查报告的数据处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910744386.XA CN110619332B (zh) | 2019-08-13 | 2019-08-13 | 基于视野检查报告的数据处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110619332A CN110619332A (zh) | 2019-12-27 |
CN110619332B true CN110619332B (zh) | 2022-03-29 |
Family
ID=68921825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910744386.XA Active CN110619332B (zh) | 2019-08-13 | 2019-08-13 | 基于视野检查报告的数据处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110619332B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340778A (zh) * | 2020-02-25 | 2020-06-26 | 中国科学院深圳先进技术研究院 | 一种青光眼图像处理方法和设备 |
CN112651921B (zh) * | 2020-09-11 | 2022-05-03 | 浙江大学 | 一种基于深度学习的青光眼视野数据区域提取方法 |
CN112927776A (zh) * | 2021-02-03 | 2021-06-08 | 昆山慧医优策医疗科技有限公司 | 一种面向医学检验报告的人工智能自动解读系统 |
CN113158822B (zh) * | 2021-03-29 | 2023-09-29 | 中国科学院深圳先进技术研究院 | 基于跨模态关系推理的眼部检测数据的分类方法及装置 |
CN117292310A (zh) * | 2023-08-22 | 2023-12-26 | 杭州空介视觉科技有限公司 | 一种虚拟数字人应用方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923669A (zh) * | 2008-07-18 | 2010-12-22 | 史迪芬·凯斯 | 智能的适应式设计 |
CN108229545A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 青光眼诊断的方法、装置及电子设备 |
CN109859172A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 |
CN109919513A (zh) * | 2019-03-22 | 2019-06-21 | 吉林建筑大学 | 一种基于寒地装配式民居建筑物的物理环境评价方法 |
CN110022473A (zh) * | 2018-01-08 | 2019-07-16 | 中国科学院计算技术研究所 | 全景视频图像的显示方法 |
-
2019
- 2019-08-13 CN CN201910744386.XA patent/CN110619332B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923669A (zh) * | 2008-07-18 | 2010-12-22 | 史迪芬·凯斯 | 智能的适应式设计 |
CN108229545A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 青光眼诊断的方法、装置及电子设备 |
CN110022473A (zh) * | 2018-01-08 | 2019-07-16 | 中国科学院计算技术研究所 | 全景视频图像的显示方法 |
CN109859172A (zh) * | 2019-01-08 | 2019-06-07 | 浙江大学 | 基于眼底造影图像深度学习的糖网病变无灌注区识别方法 |
CN109919513A (zh) * | 2019-03-22 | 2019-06-21 | 吉林建筑大学 | 一种基于寒地装配式民居建筑物的物理环境评价方法 |
Non-Patent Citations (4)
Title |
---|
"Automatic differentiation of glaucoma visual field from non-glaucoma";Fei Li et al.;《BMC Med. Imaging》;20181231;全文 * |
"Detection of Longitudinal Visual Field";SIAMAK YOUSEFI et al.;《Am. J. Ophthalmol》;20181231;第71-79页 * |
"Leber 遗传性视神经病变早期视野特点分析";刘昕妍等;《中国中医眼科杂志》;20160831;第26卷(第4期);第250-254页 * |
"早期老年黄斑变性黄斑区密集点矩阵视野的改变";袁援生等;《昆明医学院学报》;19980331;第19卷(第1期);第50-56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110619332A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619332B (zh) | 基于视野检查报告的数据处理方法、装置及设备 | |
CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
CN109035187B (zh) | 一种医学图像的标注方法及装置 | |
CN110866893B (zh) | 基于病理图像的tmb分类方法、系统及tmb分析装置 | |
CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
US20220108449A1 (en) | Method and device for neural network-based optical coherence tomography (oct) image lesion detection, and medium | |
TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112819821B (zh) | 一种细胞核图像检测方法 | |
US10832410B2 (en) | Computer system, method, and program for diagnosing subject | |
CN105579847A (zh) | 疾病分析装置、控制方法和程序 | |
CN114240874A (zh) | 基于深度卷积神经网络和特征融合的骨龄评定方法、设备及计算机可读存储介质 | |
CN114343577A (zh) | 认知功能评价方法、终端设备以及计算机可读存储介质 | |
CN113158821B (zh) | 基于多模态的眼部检测数据的处理方法、装置及终端设备 | |
CN117274278B (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及系统 | |
CN114511898A (zh) | 疼痛识别方法、装置、存储介质及电子设备 | |
Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
CN116350203B (zh) | 一种体质测试数据处理方法及系统 | |
CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN115205954A (zh) | 一种眼部病症识别方法、装置及设备 | |
CN111476775B (zh) | Dr征象识别装置和方法 | |
CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
CN113158822A (zh) | 基于跨模态关系推理的眼部检测数据的分类方法及装置 | |
CN110210286B (zh) | 基于眼底图像的异常识别方法、装置、设备及存储介质 |
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 |