CN110729044B - 糖网病变阶段识别模型的训练方法及糖网病变识别设备 - Google Patents

糖网病变阶段识别模型的训练方法及糖网病变识别设备 Download PDF

Info

Publication number
CN110729044B
CN110729044B CN201910949301.1A CN201910949301A CN110729044B CN 110729044 B CN110729044 B CN 110729044B CN 201910949301 A CN201910949301 A CN 201910949301A CN 110729044 B CN110729044 B CN 110729044B
Authority
CN
China
Prior art keywords
sugar
lesion
fundus
network
target
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
CN201910949301.1A
Other languages
English (en)
Other versions
CN110729044A (zh
Inventor
龚丽君
马锴
郑冶枫
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.)
Tencent Healthcare Shenzhen Co Ltd
Original Assignee
Tencent Healthcare Shenzhen 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 Tencent Healthcare Shenzhen Co Ltd filed Critical Tencent Healthcare Shenzhen Co Ltd
Priority to CN201910949301.1A priority Critical patent/CN110729044B/zh
Publication of CN110729044A publication Critical patent/CN110729044A/zh
Application granted granted Critical
Publication of CN110729044B publication Critical patent/CN110729044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本申请公开了一种糖网病变识别糖网病变阶段识别模型的训练方法及糖网病变识别设备，所述糖网病变识别设备包括：目标眼底图像获取装置，用于获取目标眼底图像；特征提取装置，用于利用糖网病变阶段识别模型中的特征提取层提取目标眼底图像的目标特征信息；糖网病变阶段识别装置，用于利用糖网病变阶段识别模型中的全连接层对目标特征信息进行多种糖网病变阶段的识别，得到目标眼底图像的糖网病变阶段的识别结果，糖网病变阶段的识别结果包括目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；目标糖网病变阶段确定装置，用于基于识别结果确定目标对象的目标糖网病变阶段。利用本申请提供的技术方案可以大大提高糖网病变的识别准确率。

Description

糖网病变阶段识别模型的训练方法及糖网病变识别设备
技术领域
本申请涉及互联网通信技术领域，尤其涉及一种糖网病变识别糖网病变阶段识别模型的训练方法及糖网病变识别设备。
背景技术
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，其中，深度学习等神经网络在糖尿病视网膜病变(简称糖网病变，糖尿病所致的并发症之一，导致眼底视网膜微血管失调，产生如出血，阻塞等症状)识别等医学疾病诊断领域等应用也越来越得到关注。
现有技术中，在结合神经网络进行糖网病变识别过程中，需要先结合多种糖网病变的训练图像对神经网络进行训练，在训练过程中，利用交叉熵等损失函数来优化网络参数。该损失函数用来表示神经网络估计值(预估的某一类糖网病变)和真实值(实际的糖网病变)的损失，通过损失，来修正网络参数，从而使训练出能够进行糖网病变识别的模型；但现有技术中，每一类之间是完全独立的。比如糖网病变识别任务中，糖网病变有3个类别：轻度，中度，重度，它们分别对应的标签是：[1,0,0],[0,1,0],[0,0,1]，网络对一张轻度糖网病变的图像进行预测，假设预测概率为P1＝[0.1,0.8,0.1]，P2＝[0.1,0.1,0.8]，显然这两次预测都是错误，但根据现有的损失函数计算方式，这两次的损失是一样大的，但因为中度要比重度更加接近于轻度，导致训练过程中无法准确底进行糖网病变识别训练，导致后续的糖网病变识别准确率低。
发明内容
本申请提供了一种糖网病变阶段识别模型的训练方法及糖网病变识别设备，可以大大提高糖网病变的识别准确率。
一方面，本申请提供了一种糖网病变阶段识别模型的训练方法，所述方法包括：
获取眼底训练集和所述眼底训练集中的眼底图像的标注糖网病变阶段，所述眼底训练集包括多种糖网病变阶段的眼底图像；
基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果，所述多个预测结果包括所述眼底训练集中眼底图像达到所述多种糖网病变阶段的预测概率；
根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据；
当所述误差数据不满足预设条件时，基于梯度下降法调整所述神经网络的参数，重复上述的识别训练的步骤；
当所述误差数据满足预设条件时，将当前的神经网络作为糖网病变阶段识别模型。
另一方面提供了一种糖网病变识别设备，所述设备包括：
目标眼底图像获取装置，用于获取目标眼底图像；
特征提取装置，用于利用上述训练方法训练得到的糖网病变阶段识别模型中的特征提取层提取所述目标眼底图像的目标特征信息；
糖网病变阶段识别装置，用于利用所述糖网病变阶段识别模型中的全连接层对所述目标特征信息进行多种糖网病变阶段的识别，得到所述目标眼底图像的糖网病变阶段的识别结果，所述糖网病变阶段的识别结果包括所述目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；
目标糖网病变阶段确定装置，用于基于所述识别结果确定所述目标对象的目标糖网病变阶段。
另一方面一种糖网病变阶段识别模型的训练装置，所述装置包括：
数据获取模块，用于获取眼底训练集和所述眼底训练集中的眼底图像的标注糖网病变阶段，所述眼底训练集包括多种糖网病变阶段的眼底图像；
识别训练模块，用于基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果，所述多个预测结果包括所述眼底训练集中眼底图像达到所述多种糖网病变阶段的预测概率；
误差数据确定模块，用于根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据；
参数调整模块，用于当所述误差数据不满足预设条件时，基于梯度下降法调整所述神经网络的参数，重复上述的识别训练的步骤；
糖网病变阶段识别模型确定模块，用于当所述误差数据满足预设条件时，将当前的神经网络作为糖网病变阶段识别模型。
另一方面提供了一种训练设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的训练方法。
另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的训练识别方法。
本申请提供的糖网病变阶段识别模型的训练方法及糖网病变识别设备，具有如下技术效果：
本申请在糖网病变阶段识别模型的训练学习过程中，引入了糖网不同阶段间的关系，从而提高了训练得到的糖网病变阶段识别模型的识别准确率。后续，利用该糖网病变阶段识别模型进行多种糖网病变阶段的识别，可以得到包括目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果，基于该反映糖网不同阶段间的关系的识别结果可以大大提高确定出的目标对象的目标糖网病变阶段的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种糖网病变识别系统的示意图；
图2是本申请实施例提供的一种糖网病变阶段识别模型的训练方法的流程示意图；
图3是本申请实施例提供的一种根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据的流程示意图；
图4是本申请实施例提供的一种糖网病变识别设备的结构示意图；
图5是本申请实施例提供的一种目标眼底图像的示意图；
图6是本申请实施例提供的一种目标糖网病变阶段确定装置的结构示意图；
图7是本申请实施例提供的另一种目标糖网病变阶段确定装置的结构示意图；
图8是本申请实施例提供的一种在糖网病变识别设备中进行糖网病变识别的示意图；
图9是本申请实施例提供的一种糖网病变阶段识别模型的训练装置的结构示意图；
图10是本申请实施例提供的一种误差数据确定模块的组成框图；
图11是本申请实施例提供的一种糖网病变识别方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
近年来，随着人工智能技术研究和进步，人工智能技术在多个领域得到广泛应用，本申请实施例提供的方案涉及人工智能的机器学习/深度学习等技术，具体通过如下实施例进行说明：
请参阅图1，图1是本申请实施例提供的一种糖网病变识别系统的示意图，如图1所示，该应用环境可以包括训练设备01、第一终端02、服务器03和第二终端04。
本说明书实施例中，所述训练设备01可以用于进行糖网病变识别的训练，并将训练好的糖网病变阶段识别模型发送给服务器03；具体的，所述训练设备01可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等终端设备，也可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。
本说明书实施例中，所述第一终端02可以用于采集目标眼底图像，将所述目标眼底图像发送给所述服务器。具体的，第一终端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等可以用于采集目标眼底图像的设备。本申请实施例中第一终端02上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
本说明书实施例中，所述服务器03用于基于训练得到的糖网病变阶段识别模型对目标眼底图像进行多种糖网病变阶段的识别，确定所述目标眼底图像的目标糖网病变阶段；以及用于将所述目标糖网病变阶段发送给所述第二终端03；具体的，服务器03可以包括一个独立运行的服务器，或者分布式服务器，或者由多个服务器组成的服务器集群。服务器03可以包括有网络通信单元、处理器和存储器等等。
本说明书实施例中，所述第二终端04可以用于展示服务器03发送的目标糖网病变阶段。具体的，第一终端04可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等可以用于采集目标眼底图像的设备。本申请实施例中第一终端04上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、windows等。
另外，服务器03还可以将多种糖网病变阶段的识别结果发送给第二终端04进行展示。
此外，需要说明的是，图1所示的仅仅是一种糖网病变识别系统的示意图，在实际应用中，服务器03也可以用于进行糖网病变阶段识别模型的训练处理，相应的，糖网病变识别系统可以包括第一终端02、服务器03和第二终端04。
本说明书实施例中，训练所述糖网病变阶段识别模型的训练数据可以存储在分布式系统；在一个具体的实施例中，以分布式系统为区块链系统为例，分布式系统100应用于区块链系统时，可以由多个节点(接入网络中的任意形式的计算设备，如服务器、用户终端)形成，节点之间形成组成的点对点(P2P，Peer To Peer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission Control Protocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。
以下介绍本申请一种糖网病变阶段识别模型的训练方法，图2是本申请实施例提供的一种糖网病变阶段识别模型的训练方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，所述方法可以包括：
S201：获取眼底训练集和所述眼底训练集中的眼底图像的标注糖网病变阶段。
本说明书实施例中，所述眼底训练集可以包括多种糖网病变阶段的眼底图像；具体的，所述眼底图像可以为某一对象(例如人)的眼球内后部的组织，即眼球的内膜(视网膜、视乳头、黄斑和视网膜中央动静脉)的图像。
在实际应用中，按照糖网病变程度由轻到重，多种糖网病变阶段可以包括：轻度糖网，中度糖网，重度糖网，增殖糖网；相应的，眼底图像的标注糖网病变阶段可以为该眼底图像对应的对象的实际的糖网病变阶段。
S203：基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果。
本说明书实施例中，神经网络可以包括但不限于卷积神经网络。在一个具体的实施例中，所述神经网络可以包括特征提取层和全连接层(Fully Connected Layer，FC)。具体的，所述特征提取层可以包括卷积层(Conv层)和依次连接在卷积层之后的线性校正层(ReLU层，rectified linear unit，校正线性单元)和批归一化层(Batch Normalization层)。
具体的，卷积层可以用于对所述输入的图像进行卷积处理，实现符图像的特征提取，得到图像的特征信息；
具体的，线性校正层是对上一层数据结果进行修正的层，可以将上一层小于0的输入全部变成0后输出，大于0的输出不变。在实际应用中，每一层输出的都是上一层输入的线性函数，考虑到在实际应用中数据往往不是线性可分的，可以通过增加激活函数的方式引入非线性因数。
具体的，批归一化层用于对输入的每一批数据进行归一化处理，进而加快训练速度，提高模型训练精度。
具体的，所述全连接层可以作为上下两层的节点之间的连接层，将上下两层所得到的各节点的特征信息综合起来。
在一个具体的实施例中，以4个糖网病变阶段为例，神经网络可以包括8个依次连接的特征提取层，2个全连接层，其中，特征提取层中的卷积层的相关参数设置如表1所示；
表1
具体的，2个全连接层中的第一个全连接层与8个依次连接的特征提取层中的第八个特征提取层相连接，假设第一个全连接层为1x1x1280全连接层，输出为一个1x1280的向量，将该1x1280的向量作为眼底图像的特征信息以进行多种糖网病变阶段的识别。具体的，第一个全连接层之后第二个全连接层中设置有四个子全连接层，每个子全连接层为1x1x2的全连接层，每个子全连接层对应一个子任务(即基于眼底图像的特征信息进行眼底图像的对象是否达到某一糖网病变阶段的识别训练)，具体的，四个子全连接层对应的子任务可以依次为：t1、眼底图像对应的对象的糖网病变阶段是否等于或严重于轻度糖网；t2、眼底图像对应的对象的糖网病变阶段是否等于或严重于中度糖网；t3、眼底图像对应的对象的糖网病变阶段是否等于或严重于重度糖网；t4眼底图像对应的对象的糖网病变阶段是否等于或严重于增殖期糖网。进一步的，四个子全连接层可以输出各种的预测结果。
相应的，基于上述神经网络，基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果可以包括：
1)将所述眼底训练集作为所述特征提取层的输入，提取所述眼底训练集中眼底图像的特征信息；
2)利用所述全连接层对所述特征信息进行多种糖网病变阶段的识别，得到所述眼底训练集中眼底图像的多个预测结果。
具体的，多个预测结果可以包括所述眼底训练集中眼底图像达到所述多种糖网病变阶段的预测概率。
S205：根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据。
具体的，如图3所示，所述根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据可以包括：
S2051：分别确定所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段间的多个子误差数据；
S2053：确定所述多个子误差数据的损失权重；
S2055：基于所述多个子误差数据和所述多个子误差数据的损失权重确定所述误差数据。
本说明书实施例中，预测结果和标注糖网病变阶段间的子误差数据可以结合相应的损失函数，在一个具体的实施例中，损失函数可以包括但不限于交叉熵损失函数。
本说明书实施例中，有上述每个子全连接层的每个子任务可见，四个任务对于最终的糖网病变识别结果的影响是一致的，相应的，多个子误差数据的损失权重可以相同，多个子误差数据的损失权重之和可以为1。相应的，多个预测结果和标注糖网病变阶段间的误差数据可以结合下述公式计算：
loss＝α1*L(t1)+α2*L(t2)+α3*L(t3)+α4*L(t4)
其中，loss为多个预测结果和标注糖网病变阶段间的误差数据；α1，α2，α3，α4为依次为4个子误差数据的权重L(t1)，L(t2)，L(t3)，L(t4)表示分别表示t1，t2，t3，t4对应的子误差数据。
S207：当所述误差数据不满足预设条件时，基于梯度下降法调整所述神经网络的参数，重复上述的识别训练的步骤。
S209：当所述误差数据满足预设条件时，将当前的神经网络作为糖网病变阶段识别模型。
本说明书实施例中，神经网络的参数可以包括神经网络中个层的层参数w和偏置参数b，数据网络的参数可以结合高斯分布进行初始化，例如，全连接层可以采用方差为0.01，均值为0的高斯分布进行初始化。
本说明书实施例中，满足预设条件可以为眼底训练集中的第一百分比的图像对应的当前误差数据小于等于指定阈值，或眼底训练集中的第一百分比的图像对应的当前误差数据与上一次训练学习后的误差数据的值小于一定阈值。
具体的，第一百分比可以为结合实际应用进行设置的小于等于100％的数值。
本说明书实施例中，指定阈值可以结合实际应用中，对糖网病变阶段识别模型的糖网病变识别准确率的需求进行设定，一般的，指定阈值越大，训练出的糖网病变阶段识别模型的识别准确率越高，但训练时间较长；反之，指定阈值越小，训练出的糖网病变阶段识别模型的识别准确率越低，但训练时间较短。
本说明书实施例中，以大量具多种糖网病变阶段的眼底图像为训练数据，对神经网络进行糖网病变识别的训练学习，在训练学习过程中，结合眼底图像达到多种糖网病变阶段的预测概率进行误差计算，实现训练过程中糖网不同阶段间的关系的引入，从而提高了训练得到的糖网病变阶段识别模型的识别准确率。后续，利用该糖网病变阶段识别模型可以识别出眼底图像的对应的对象是否达到多种糖网病变阶段的识别结果，进而基于多种糖网病变阶段的识别结果实准确的识别出糖网病变阶段。
基于上述的训练方法训练得到的糖网病变阶段识别模型，本申请实施例还提供了一种糖网病变识别设备，如图4所示，所述设备包括：
目标眼底图像获取装置410，可以用于获取目标眼底图像；
特征提取装置420，可以用于糖网病变阶段识别模型中的特征提取层提取所述目标眼底图像的目标特征信息；
糖网病变阶段识别装置430，可以用于利用所述糖网病变阶段识别模型中的全连接层对所述目标特征信息进行多种糖网病变阶段的识别，得到所述目标眼底图像的糖网病变阶段的识别结果，所述糖网病变阶段的识别结果包括所述目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；
目标糖网病变阶段确定装置440，可以用于基于所述识别结果确定所述目标对象的目标糖网病变阶段。
本说明书实施例中，目标眼底图像可以为目标对象的眼底图像；在一个具体的实施例中，如图5所示，图5是本申请实施例提供的一种目标眼底图像的示意图。
在一个具体的实施例中，所述糖网病变阶段识别装置430可以包括：
糖网病变识别特征确定模块，可以用于将所述目标特征信息作为所述糖网病变阶段识别模型中第一全连接层的输入，得到所述目标眼底图像的糖网病变识别特征；
多种阶段识别模块，可以用于将所述糖网病变识别特征信息分别作为所述糖网病变阶段识别模型中多个子全连接层的输入，基于所述糖网病变识别特征信息分别识别所述目标眼底图像对应的目标对象是否达到多种糖网病变阶段，得到多种糖网病变阶段的识别结果。
在一些实施例中，所述设备还可以包括：
糖网病变级别划分设备，可以用于将所述多种糖网病变阶段按照糖网病变程度由轻到重划分为多个糖网病变级别，所述多个糖网病变级别由一开始编号。
具体的实施例中，轻度糖网，中度糖网，重度糖网，增殖糖网对应的糖网病变级别可以依次为一、二、三、四。
相应的，如图6所示，所述目标糖网病变阶段确定装置440包括：
数量确定模块4401，可以用于确定所述目标对象达到多种糖网病变阶段的识别结果中为是的数量；
目标糖网病变阶段确定模块4403，可以用于当所述数量为非零时，将与所述数量的数值一致的糖网病变级别所对应的糖网病变阶段，作为所述目标糖网病变阶段。
在一些实施例中，如图7所示，所述目标糖网病变阶段确定装置440还可以包括：
非糖网病变确定模块4405，可以用于当所述数量为零时，确定所述目标对象无糖网病变。
在一个具体的实施例中，假设任务1(t1)的结果为是，即眼底图像对应的对象的糖网病变阶段等于或严重于轻度糖网；任务2(t2)的结果为是，即眼底图像对应的对象的糖网病变阶段等于或严重于中度糖网；任务3(t3)的结果为否，即眼底图像对应的对象的糖网病变阶段不等于或严重于重度糖网；任务4(t4)的结果为否，即眼底图像对应的对象的糖网病变阶段不等于或严重于增殖期糖网；相应的，识别结果中为是的数量为2；级别为2的糖网病变阶段为中度糖网，相应的，可以确定目标对象为中度糖网的患者。
在一个具体的实施例中，如图8所示，图8是本申请实施例提供的一种在糖网病变识别设备中进行糖网病变识别的示意图。具体的，从图8中可见，在获取到目标眼底图像之后，糖网病变阶段识别模型中的特征提取层可以提取出该目标眼底图像的目标特征信息(即图中的特征向量)，然后，糖网病变阶段识别模型中的全连接层对所述目标特征信息进行四种糖网病变阶段的识别，四种糖网病变阶段的识别对应着图中的任务1至任务4，最后，基于四种糖网病变阶段的识别结果确定目标对象的目标糖网病变阶段。
由以上本说明书实施例提供的技术方案可见，本说明书实施例提供的糖网病变识别设备可以对获取的目标眼底图像进行特征提取，并通过全连接层进行多种糖网病变阶段的识别，得到包括目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；最后，基于可以反映糖网不同阶段间的关系的该识别结果可以大大提高确定出的目标对象的目标糖网病变阶段的准确率。
本申请实施例还提供了一种糖网病变阶段识别模型的训练装置，如图9所示，所述装置可以包括：
数据获取模块910，可以用于获取眼底训练集和所述眼底训练集中的眼底图像的标注糖网病变阶段，所述眼底训练集包括多种糖网病变阶段的眼底图像；
识别训练模块920，可以用于基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果，所述多个预测结果包括所述眼底训练集中眼底图像达到所述多种糖网病变阶段的预测概率；
误差数据确定模块930，可以用于根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据；
参数调整模块940，可以用于当所述误差数据不满足预设条件时，基于梯度下降法调整所述神经网络的参数，重复上述的识别训练的步骤；
糖网病变阶段识别模型确定模块950，可以用于当所述误差数据满足预设条件时，将当前的神经网络作为糖网病变阶段识别模型。
所述神经网络包括特征提取层和全连接层；
所述识别训练模块920可以包括：
特征信息提取单元，用于将所述眼底训练集作为所述特征提取层的输入，提取所述眼底训练集中眼底图像的特征信息；
预测结果确定单元，用于利用所述全连接层对所述特征信息进行多种糖网病变阶段的识别，得到所述眼底训练集中眼底图像的多个预测结果。
在一些实施例中，如图10所示，所述误差数据确定模块930可以包括：
子误差数据确定单元9301，可以用于分别确定所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段间的多个子误差数据；
损失权重确定单元9303，可以用于确定所述多个子误差数据的损失权重；
误差数据确定单元9305，可以用于基于所述多个子误差数据和所述多个子误差数据的损失权重确定所述误差数据。
在一些实施例中，所述多种糖网病变阶段包括：
轻度糖网，中度糖网，重度糖网，增殖糖网。
所述的装置实施例中的装置与糖网病变阶段识别模型的训练方法实施例基于同样的申请构思。
本申请实施例提供了一种糖网病变阶段识别模型的训练设备，该设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的糖网病变阶段识别模型的训练方法。
存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
本申请实施例所提供的糖网病变阶段识别模型的训练方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图11是本申请实施例提供的一种糖网病变识别方法的服务器的硬件结构框图。如图11所示，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(Central Processing Units，CPU)1110(处理器1110可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1130，一个或一个以上存储应用程序1123或数据1122的存储介质1120(例如一个或一个以上海量存储设备)。其中，存储器1130和存储介质1120可以是短暂存储或持久存储。存储在存储介质1120的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1110可以设置为与存储介质1120通信，在服务器1100上执行存储介质1120中的一系列指令操作。服务器1100还可以包括一个或一个以上电源1160，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1140，和/或，一个或一个以上操作系统1121，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
输入输出接口1140可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1100的通信供应商提供的无线网络。在一个实例中，输入输出接口1140包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1140可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1100还可包括比图11中所示更多或者更少的组件，或者具有与图11所示不同的配置。
本申请的实施例还提供了一种存储介质，所述存储介质可设置于设备之中以保存用于实现方法实施例中一种糖网病变阶段识别模型的训练方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的糖网病变阶段识别模型的训练方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请另一方面还提供一种糖网病变识别系统，所述系统包括：第一终端、服务器和第二终端；
所述第一终端用于采集目标眼底图像，将所述目标眼底图像发送给所述服务器；
所述服务器用于利用上述的糖网病变阶段识别模型中的特征提取层提取所述目标眼底图像的目标特征信息；以及用于利用所述糖网病变阶段识别模型中的全连接层对所述目标特征信息进行多种糖网病变阶段的识别，得到所述目标眼底图像的糖网病变阶段的识别结果，所述糖网病变阶段的识别结果包括所述目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；以及用于基于所述识别结果确定所述目标对象的目标糖网病变阶段；以及用于将目标糖网病变阶段发送给所述第二终端；
所述第二终端用于展示所述目标糖网病变阶段。
由上述本申请提供的糖网病变阶段识别模型的训练方法、装置、设备、存储介质、以及糖网病变识别设备或状态的实施例可见，本申请在糖网病变阶段识别模型的训练学习过程中，引入了糖网不同阶段间的关系，从而提高了训练得到的糖网病变阶段识别模型的识别准确率。后续，利用该糖网病变阶段识别模型进行多种糖网病变阶段的识别，可以得到包括目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果，基于该反映糖网不同阶段间的关系的识别结果可以大大提高确定出的目标对象的目标糖网病变阶段的准确率。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种糖网病变阶段识别模型的训练方法，其特征在于，所述方法包括：
获取眼底训练集和所述眼底训练集中的眼底图像的标注糖网病变阶段，所述眼底训练集包括多种糖网病变阶段的眼底图像；
基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果，所述多个预测结果包括所述眼底训练集中眼底图像达到所述多种糖网病变阶段的预测概率；
根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据，所述误差数据表征所述神经网络的糖网病变阶段识别准确性；
当所述误差数据不满足预设条件时，基于梯度下降法调整所述神经网络的参数，重复上述的识别训练的步骤；
当所述误差数据满足预设条件时，将当前的神经网络作为糖网病变阶段识别模型。
2.根据权利要求1所述的方法，其特征在于，所述神经网络包括特征提取层和全连接层；
所述基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果包括：
将所述眼底训练集作为所述特征提取层的输入，提取所述眼底训练集中眼底图像的特征信息；
利用所述全连接层对所述特征信息进行多种糖网病变阶段的识别，得到所述眼底训练集中眼底图像的多个预测结果。
3.根据权利要求1所述的方法，其特征在于，所述根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据包括：
分别确定所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段间的多个子误差数据；
确定所述多个子误差数据的损失权重；
基于所述多个子误差数据和所述多个子误差数据的损失权重确定所述误差数据。
4.根据权利要求1所述的方法，其特征在于，所述多种糖网病变阶段包括：
轻度糖网，中度糖网，重度糖网，增殖糖网。
5.一种糖网病变识别设备，其特征在于，所述设备包括：
目标眼底图像获取装置，用于获取目标眼底图像；
特征提取装置，用于利用糖网病变阶段识别模型中的特征提取层提取所述目标眼底图像的目标特征信息，所述糖网病变阶段识别模型包括基于眼底训练集对神经网络进行多种糖网病变阶段的识别训练得到的模型，所述眼底训练集包括多种糖网病变阶段的眼底图像；
糖网病变阶段识别装置，用于利用所述糖网病变阶段识别模型中的全连接层对所述目标特征信息进行多种糖网病变阶段的识别，得到所述目标眼底图像的糖网病变阶段的识别结果，所述糖网病变阶段的识别结果包括所述目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；
目标糖网病变阶段确定装置，用于基于所述识别结果确定所述目标对象的目标糖网病变阶段。
6.根据权利要求5所述的设备，其特征在于，所述糖网病变阶段识别装置包括：
糖网病变识别特征确定模块，用于将所述目标特征信息作为所述糖网病变阶段识别模型中第一全连接层的输入，得到所述目标眼底图像的糖网病变识别特征；
多种阶段识别模块，用于将所述糖网病变识别特征信息分别作为所述糖网病变阶段识别模型中多个子全连接层的输入，基于所述糖网病变识别特征信息分别识别所述目标眼底图像对应的目标对象是否达到多种糖网病变阶段，得到多种糖网病变阶段的识别结果。
7.根据权利要求5所述的设备，其特征在于，所述设备还包括：
糖网病变级别划分设备，用于将所述多种糖网病变阶段按照糖网病变程度由轻到重划分为多个糖网病变级别，所述多个糖网病变级别由一开始编号；
所述目标糖网病变阶段确定装置包括：
数量确定模块，用于确定所述目标对象达到多种糖网病变阶段的识别结果中为是的数量；
目标糖网病变阶段确定模块，用于当所述数量为非零时，将与所述数量的数值一致的糖网病变级别所对应的糖网病变阶段，作为所述目标糖网病变阶段。
8.根据权利要求7所述的设备，其特征在于，所述目标糖网病变阶段确定装置还包括：
非糖网病变确定模块，用于当所述数量为零时，确定所述目标对象无糖网病变。
9.一种糖网病变阶段识别模型的训练装置，其特征在于，所述装置包括：
数据获取模块，用于获取眼底训练集和所述眼底训练集中的眼底图像的标注糖网病变阶段，所述眼底训练集包括多种糖网病变阶段的眼底图像；
识别训练模块，用于基于所述眼底训练集对神经网络进行多种糖网病变阶段的识别训练，得到所述眼底训练集中眼底图像的多个预测结果，所述多个预测结果包括所述眼底训练集中眼底图像达到所述多种糖网病变阶段的预测概率；
误差数据确定模块，用于根据所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段，确定所述多个预测结果和标注糖网病变阶段间的误差数据，所述误差数据表征所述神经网络的糖网病变阶段识别准确性；
参数调整模块，用于当所述误差数据不满足预设条件时，基于梯度下降法调整所述神经网络的参数，重复上述的识别训练的步骤；
糖网病变阶段识别模型确定模块，用于当所述误差数据满足预设条件时，将当前的神经网络作为糖网病变阶段识别模型。
10.根据权利要求9所述的装置，其特征在于，所述神经网络包括特征提取层和全连接层；
所述识别训练模块包括：
特征信息提取单元，用于将所述眼底训练集作为所述特征提取层的输入，提取所述眼底训练集中眼底图像的特征信息；
预测结果确定单元，用于利用所述全连接层对所述特征信息进行多种糖网病变阶段的识别，得到所述眼底训练集中眼底图像的多个预测结果。
11.根据权利要求9所述的装置，其特征在于，所述误差数据确定模块包括：
子误差数据确定单元，用于分别确定所述眼底训练集中眼底图像的多个预测结果和标注糖网病变阶段间的多个子误差数据；
损失权重确定单元，用于确定所述多个子误差数据的损失权重；
误差数据确定单元，用于基于所述多个子误差数据和所述多个子误差数据的损失权重确定所述误差数据。
12.根据权利要求9所述的装置，其特征在于，所述多种糖网病变阶段包括：
轻度糖网，中度糖网，重度糖网，增殖糖网。
13.一种糖网病变识别系统，其特征在于，所述系统包括：第一终端、服务器和第二终端；
所述第一终端用于采集目标眼底图像，将所述目标眼底图像发送给所述服务器；
所述服务器用于利用糖网病变阶段识别模型中的特征提取层提取所述目标眼底图像的目标特征信息；以及用于利用所述糖网病变阶段识别模型中的全连接层对所述目标特征信息进行多种糖网病变阶段的识别，得到所述目标眼底图像的糖网病变阶段的识别结果，所述糖网病变阶段的识别结果包括所述目标眼底图像对应目标对象是否达到多种糖网病变阶段的识别结果；以及用于基于所述识别结果确定所述目标对象的目标糖网病变阶段；以及用于将目标糖网病变阶段发送给所述第二终端，所述糖网病变阶段识别模型包括基于眼底训练集对神经网络进行多种糖网病变阶段的识别训练得到的模型，所述眼底训练集包括多种糖网病变阶段的眼底图像；
所述第二终端用于展示所述目标糖网病变阶段。
14.一种糖网病变阶段识别模型的训练设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至4任一项所述的糖网病变阶段识别模型的训练方法。
15.一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至4任一项所述的糖网病变阶段识别模型的训练方法。
CN201910949301.1A 2019-10-08 2019-10-08 糖网病变阶段识别模型的训练方法及糖网病变识别设备 Active CN110729044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910949301.1A CN110729044B (zh) 2019-10-08 2019-10-08 糖网病变阶段识别模型的训练方法及糖网病变识别设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910949301.1A CN110729044B (zh) 2019-10-08 2019-10-08 糖网病变阶段识别模型的训练方法及糖网病变识别设备

Publications (2)

Publication Number Publication Date
CN110729044A CN110729044A (zh) 2020-01-24
CN110729044B true CN110729044B (zh) 2023-09-12

Family

ID=69220801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910949301.1A Active CN110729044B (zh) 2019-10-08 2019-10-08 糖网病变阶段识别模型的训练方法及糖网病变识别设备

Country Status (1)

Country Link
CN (1) CN110729044B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376698B (zh) * 2022-10-25 2023-04-11 北京鹰瞳科技发展股份有限公司 用于对眼底疾病的演进进行预测的装置、方法和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003195741A (ja) * 2001-12-27 2003-07-09 Kanae Mori 糖尿病患者のための糖尿病網膜症の学習指導用眼球模型
CN104298651A (zh) * 2014-09-09 2015-01-21 大连理工大学 一种基于深度学习的生物医学命名实体识别和蛋白质交互关系抽取在线系统
CN106934798A (zh) * 2017-02-20 2017-07-07 苏州体素信息科技有限公司 基于深度学习的糖尿病视网膜病变分类分级方法
CN107145727A (zh) * 2017-04-26 2017-09-08 中国人民解放军总医院 一种利用卷积神经网络的医学图像处理装置与方法
CN108154505A (zh) * 2017-12-26 2018-06-12 四川大学 基于深度神经网络的糖尿病视网膜病变检测方法及装置
WO2018201633A1 (zh) * 2017-05-04 2018-11-08 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
CN109800789A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 基于图网络的糖尿病视网膜病变分类方法及装置
CN109829882A (zh) * 2018-12-18 2019-05-31 苏州比格威医疗科技有限公司 一种糖尿病视网膜病变分期预测方法
CN109886143A (zh) * 2019-01-29 2019-06-14 上海鹰瞳医疗科技有限公司 多标签分类模型训练方法和设备
CN110211087A (zh) * 2019-01-28 2019-09-06 南通大学 可分享的半自动糖尿病眼底病变标注方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11177024B2 (en) * 2017-10-31 2021-11-16 International Business Machines Corporation Identifying and indexing discriminative features for disease progression in observational data

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003195741A (ja) * 2001-12-27 2003-07-09 Kanae Mori 糖尿病患者のための糖尿病網膜症の学習指導用眼球模型
CN104298651A (zh) * 2014-09-09 2015-01-21 大连理工大学 一种基于深度学习的生物医学命名实体识别和蛋白质交互关系抽取在线系统
CN106934798A (zh) * 2017-02-20 2017-07-07 苏州体素信息科技有限公司 基于深度学习的糖尿病视网膜病变分类分级方法
CN107145727A (zh) * 2017-04-26 2017-09-08 中国人民解放军总医院 一种利用卷积神经网络的医学图像处理装置与方法
WO2018201633A1 (zh) * 2017-05-04 2018-11-08 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
CN108154505A (zh) * 2017-12-26 2018-06-12 四川大学 基于深度神经网络的糖尿病视网膜病变检测方法及装置
CN109800789A (zh) * 2018-12-18 2019-05-24 中国科学院深圳先进技术研究院 基于图网络的糖尿病视网膜病变分类方法及装置
CN109829882A (zh) * 2018-12-18 2019-05-31 苏州比格威医疗科技有限公司 一种糖尿病视网膜病变分期预测方法
CN110211087A (zh) * 2019-01-28 2019-09-06 南通大学 可分享的半自动糖尿病眼底病变标注方法
CN109886143A (zh) * 2019-01-29 2019-06-14 上海鹰瞳医疗科技有限公司 多标签分类模型训练方法和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的眼底图像血管分割方法研究;谢林培;中国优秀硕士论文电子期刊网;E073-26 *

Also Published As

Publication number Publication date
CN110729044A (zh) 2020-01-24

Similar Documents

Publication Publication Date Title
EP3933551A1 (en) Motor imagery electroencephalogram signal processing method, device, and storage medium
Gayathri et al. Diabetic retinopathy classification based on multipath CNN and machine learning classifiers
EP3354050B1 (en) Automatic construction of personalized, peer-derived messages for mobile health applications
WO2021151295A1 (zh) 患者治疗方案的确定方法、装置、计算机设备及介质
CN109273097B (zh) 一种药物适应症的自动生成方法、装置、设备及存储介质
CN110729044B (zh) 糖网病变阶段识别模型的训练方法及糖网病变识别设备
CN110163849A (zh) 训练数据处理方法、分类模型训练方法及设备
CN112635055A (zh) 一种睡眠环境参数推荐方法、装置、设备及介质
CN111067505A (zh) 心律失常检测的方法、装置以及存储介质
CN115778403A (zh) 心电图分析方法、装置、电子设备和存储介质
CN112735546A (zh) 射频参数配置方法、装置、系统及计算机可读存储介质
CN111078891B (zh) 一种基于粒子群算法的医学特征识别方法及装置
CN111667029A (zh) 一种聚类方法、装置、设备及存储介质
CN107730483A (zh) 移动设备、处理脸部生物特征的方法、装置和系统
CN113723519B (zh) 基于对比学习的心电数据处理方法、装置及存储介质
CN111897857A (zh) 主动脉夹层心脏手术后icu时长预测方法
CN105147249B (zh) 一种可穿戴或可植入设备评价系统与方法
CN110379490A (zh) 目标餐厅的获取方法及装置、存储介质、电子装置
KR20210074313A (ko) 트리 기반 데이터 탐색 및 데이터 기반 프로토콜
EP3791397A1 (en) System and method for providing model-based predictions of quality of life implications of a treatment via individual-specific machine learning models
KR102457341B1 (ko) 화상 상처에 대한 진단 정보를 제공하는 인공지능 모델 기반의 전자 장치, 제어 방법, 및 컴퓨터 프로그램
CN113421653B (zh) 医疗信息的推送方法及装置、存储介质、计算机设备
CN113693610A (zh) 少导联心电数据处理方法、装置、存储介质及计算机设备
US20240153646A1 (en) Method, system, and non-transitory computer-readable recording medium for managing output data of biosignal analysis model
CN117711056A (zh) 一种眼底图像的识别方法以及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40021897

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant