CN110957042A - 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法 - Google Patents

一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法 Download PDF

Info

Publication number
CN110957042A
CN110957042A CN202010052965.0A CN202010052965A CN110957042A CN 110957042 A CN110957042 A CN 110957042A CN 202010052965 A CN202010052965 A CN 202010052965A CN 110957042 A CN110957042 A CN 110957042A
Authority
CN
China
Prior art keywords
network
different
generated
prediction
feature map
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.)
Granted
Application number
CN202010052965.0A
Other languages
English (en)
Other versions
CN110957042B (zh
Inventor
孟巍
施丹莉
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.)
Guangzhou Huishi Medical Technology Co ltd
Original Assignee
Guangzhou Huishi 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 Guangzhou Huishi Medical Technology Co ltd filed Critical Guangzhou Huishi Medical Technology Co ltd
Priority to CN202010052965.0A priority Critical patent/CN110957042B/zh
Publication of CN110957042A publication Critical patent/CN110957042A/zh
Application granted granted Critical
Publication of CN110957042B publication Critical patent/CN110957042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，包括条件生成网络，用于学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布；性能评价网络，用于评价生成网络的生成结果真实性；预测网络，用于对生成网络的生成结果进行条件判断和眼病预测；门控网络，用于根据真实环境需求，调整生成网络和判别网络之间的博弈平衡。本方法可以根据时间预测未来眼病的发展，可以对多个不同的影响因素进行分解、模拟不同条件下的眼病进展，可以用于临床研究和健康宣教。

Description

一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟 方法
技术领域
本发明涉及一种眼病的预测方法，具体是一种根据不同指标模拟在不同条件下的眼部疾病进展的方法。
背景技术
眼睛是人获取信息最重要的器官之一，眼部发生不可逆的致盲性疾病，将严重影响患
者的生存质量。故对眼部疾病的发生与发展进行预测，不仅能够加强高危人群的健康管理意识、防患于未然，也能指导临床治疗和随访安排。
眼部是唯一可以通过设备直接、清晰地观测血管的部位。眼部微血管的健康状态与全身的微血管健康状态密切相关，受全身多项指标的影响。故可以通过结合多项指标，如年龄、血压、血糖、糖化血红蛋白、BMI等与眼底检查来预测眼部血管相关疾病的发生与发展。目前存在的预测方法存在不足，不能在分离多影响因素的条件下直观地展示疾病的发生与发展状态。
同时，在进行预测眼部疾病的时候，眼部的结构如神经纤维层厚度、脉络膜厚度都会受年龄和不同疾病的影响而改变，故在分离多影响因素的条件下直观地展示疾病在不同条件下的发生发展状态对于疾病的研究、病人的宣教都很有意义。
发明内容
本发明的目的是克服现有技术中的不足，提供一种根据不同指标预测和模拟在不同条件下的眼部疾病进展的方法。
为实现上述目的，本发明所采用的技术方案是：
一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，包括：
1) 条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现
的概率分布；
具体方法：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱。其训练方式以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的。网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；
2) 性能评价网络：用以评价生成网络的生成结果真实性；
具体方法：将不同变量输入形成一个张量，将张量做复制填充或加零填充后修改大小，使其与输入图像的大小相同并作为领域知识埋入图像的另一个维度中做特征编码处理，产生输入的特征图谱，通过卷积神经网络对生成的特征图谱和输入的特征图谱进行特征提取，比较特征之间的相似度，如果生成的特征图谱与训练时输入的特征图谱并不相似，则判定条件生成网络生成失败，需要重新训练、重新生成；其训练方式为不断提高评价标准、让生成网络通不过其评价为目的。网络的损失函数为对抗损失、交叉熵或平滑的L1损失；
3) 预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；
具体方法：将特征图谱进行通道分离和解码，将图谱中不同位置的特征分解为代表不同疾病、不同严重程度、不同影响因素的数值和其对应的图片，对结果进行分析展示，比较预测图片与基线图片的像素间差异，在热力图中高亮有差异的部分，作出特定限制条件下的眼病预测；
4) 门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡。
具体方法：根据真实环境需求，设置训练生成网络和性能评价网络的占比，由门控网络控制生成网络和性能评价网络的间隔训练次数。
本发明的有益效果：
提供一种根据不同指标模拟在不同条件下的眼部疾病进展的方法，可以根据时间预测未来眼病的发展，可以对多个不同的影响因素进行分解、模拟不同条件下的眼病进展，可以用于临床研究和健康宣教。
附图说明
图1为本发明的结构示意框图。
图2条件生成网络、性能评价网络、预测网络、门控网络的结构框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明：
如图1所示，一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，包括条件生成网络，用于学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布，其训练方式以提高模仿程度、欺骗判别网络为目的；性能评价网络，用于评价生成网络的生成结果真实性，其训练方式为提高评价标准、让生成网络通不过其评价为目的；预测网络，用于对生成网络的生成结果进行条件判断和眼病预测；门控网络，用于根据真实环境需求，调整生成网络和判别网络之间的博弈平衡。
如图2所示，各网络的结构：
1) 条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现
的概率分布。具体方法：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱。其训练方式以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的。网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；
2) 性能评价网络：用以评价生成网络的生成结果真实性。具体方法：将不同变量输入形成一个张量，将张量做复制填充或加零填充后修改大小，使其与输入图像的大小相同并作为领域知识埋入图像的另一个维度中做特征编码处理，产生输入的特征图谱，通过卷积神经网络对生成的特征图谱和输入的特征图谱进行特征提取，比较特征之间的相似度，如果生成的特征图谱与训练时输入的特征图谱并不相似，则判定条件生成网络生成失败，需要重新训练、重新生成；其训练方式为不断提高评价标准、让生成网络通不过其评价为目的。网络的损失函数为对抗损失、交叉熵或平滑的L1损失；
3) 预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；
具体方法：将特征图谱进行通道分离和解码，将图谱中不同位置的特征分解为代表不同疾病、不同严重程度、不同影响因素的数值和其对应的图片，对结果进行分析展示，比较预测图片与基线图片的像素间差异，在热力图中高亮有差异的部分，作出特定限制条件下的眼病预测；
4) 门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡。具体方法：根据真实环境需求，设置训练生成网络和性能评价网络的占比，由门控网络控制生成网络和性能评价网络的间隔训练次数。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的保护范围。

Claims (1)

1.一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法，其特征在于：包括：条件生成网络、性能评价网络、预测网络、门控网络；条件生成网络：用以学习和模拟不同疾病、不同严重程度条件下所出现临床表现的概率分布；性能评价网络：用以评价生成网络的生成结果真实性；预测网络：用以对生成网络的生成结果进行解码，作出特定条件下的眼病预测；门控网络：用以根据真实环境需求，调整生成网络和性能评价网络之间的博弈平衡；
条件生成网络的步骤为：将代表不同疾病、不同严重程度、不同影响因素的数值作为不同变量输入网络，形成一个特征向量，条件生成网络根据不同的特征向量做反卷积操作进行上采样，生成一份特征图谱，网络训练的时候以提高生成的特征图谱与训练时输入的特征图谱的相似程度、欺骗性能评价网络为目的，网络的损失函数为重建损失、对抗损失、交叉熵或平滑的L1损失；
性能评价网络的步骤为：将不同变量输入形成一个张量，将张量做复制填充或加零填充后修改大小，使其与输入图像的大小相同并作为领域知识埋入图像的另一个维度中作为输入的特征图谱，通过卷积神经网络对生成的特征图谱和输入的特征图谱进行特征提取，比较特征之间的相似度，如果生成的特征图谱与训练时输入的特征图谱并不相似，则判定条件生成网络生成失败，需要重新训练、重新生成；网络训练的时候以不断提高评价标准、让生成网络通不过其评价为目的，网络的损失函数为对抗损失、交叉熵或平滑的L1损失；
预测网络的步骤为：将特征图谱进行通道分离和解码，将图谱中不同位置的特征分解为代表不同疾病、不同严重程度、不同影响因素的数值和其对应的图片，对结果进行分析展示，比较预测图片与基线图片的像素间差异，在热力图中高亮有差异的部分，作出特定限制条件下的眼病预测；
门控网络的具体步骤为：根据真实环境需求，设置训练生成网络和性能评价网络的占比，由门控网络控制生成网络和性能评价网络的间隔训练次数。
CN202010052965.0A 2020-01-17 2020-01-17 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法 Active CN110957042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010052965.0A CN110957042B (zh) 2020-01-17 2020-01-17 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010052965.0A CN110957042B (zh) 2020-01-17 2020-01-17 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法

Publications (2)

Publication Number Publication Date
CN110957042A true CN110957042A (zh) 2020-04-03
CN110957042B CN110957042B (zh) 2022-12-27

Family

ID=69985660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010052965.0A Active CN110957042B (zh) 2020-01-17 2020-01-17 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法

Country Status (1)

Country Link
CN (1) CN110957042B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010115885A1 (en) * 2009-04-03 2010-10-14 Oslo Universitetssykehus Hf Predictive classifier score for cancer patient outcome
WO2010129711A1 (en) * 2009-05-05 2010-11-11 The Trustees Of Columbia University In The City Of New York Devices, systems, and methods for evaluating vision and diagnosing and compensating impairment of vision
CA2816456A1 (en) * 2013-05-15 2014-11-15 Fungai Madzongwe Framework for the cure for cancer
JP2015503414A (ja) * 2012-01-05 2015-02-02 ユニバーシティー コート オブ ザユニバーシティー オブ アバディーン 精神医学的評価用装置および方法
CN105138538A (zh) * 2015-07-08 2015-12-09 清华大学 一种面向跨领域知识发现的主题挖掘方法
CN105488684A (zh) * 2015-11-16 2016-04-13 孙宝文 交易系统中的推荐关系确定方法及装置
CN106649434A (zh) * 2016-09-06 2017-05-10 北京蓝色光标品牌管理顾问股份有限公司 一种跨领域知识迁移的标签嵌入方法和装置
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
WO2019022779A1 (en) * 2017-07-28 2019-01-31 Google Llc SYSTEM AND METHOD FOR PREDICTING AND SUMMING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDINGS
CN109492711A (zh) * 2018-12-07 2019-03-19 杭州电子科技大学 基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法
CN109543047A (zh) * 2018-11-21 2019-03-29 焦点科技股份有限公司 一种基于医疗领域网站的知识图谱构建方法
WO2019075410A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. DIAGNOSIS BASED ON DEEP LEARNING AND RECOMMENDATION OF OPHTHALMIC DISEASES AND DISORDERS
CN109739996A (zh) * 2018-12-29 2019-05-10 北京航天数据股份有限公司 一种工业知识图谱的构建方法及装置
US20190325994A1 (en) * 2013-07-26 2019-10-24 Nant Holdings Ip, Llc Discovery routing systems and engines
CN110457982A (zh) * 2018-12-28 2019-11-15 中国科学院合肥物质科学研究院 一种基于特征迁移学习的作物病害图像识别方法
CN110647991A (zh) * 2019-09-19 2020-01-03 浙江大学 一种基于无监督领域自适应的三维人体姿态估计方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010115885A1 (en) * 2009-04-03 2010-10-14 Oslo Universitetssykehus Hf Predictive classifier score for cancer patient outcome
WO2010129711A1 (en) * 2009-05-05 2010-11-11 The Trustees Of Columbia University In The City Of New York Devices, systems, and methods for evaluating vision and diagnosing and compensating impairment of vision
JP2015503414A (ja) * 2012-01-05 2015-02-02 ユニバーシティー コート オブ ザユニバーシティー オブ アバディーン 精神医学的評価用装置および方法
CA2816456A1 (en) * 2013-05-15 2014-11-15 Fungai Madzongwe Framework for the cure for cancer
US20190325994A1 (en) * 2013-07-26 2019-10-24 Nant Holdings Ip, Llc Discovery routing systems and engines
CN105138538A (zh) * 2015-07-08 2015-12-09 清华大学 一种面向跨领域知识发现的主题挖掘方法
CN105488684A (zh) * 2015-11-16 2016-04-13 孙宝文 交易系统中的推荐关系确定方法及装置
CN106649434A (zh) * 2016-09-06 2017-05-10 北京蓝色光标品牌管理顾问股份有限公司 一种跨领域知识迁移的标签嵌入方法和装置
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
WO2019022779A1 (en) * 2017-07-28 2019-01-31 Google Llc SYSTEM AND METHOD FOR PREDICTING AND SUMMING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDINGS
WO2019075410A1 (en) * 2017-10-13 2019-04-18 Ai Technologies Inc. DIAGNOSIS BASED ON DEEP LEARNING AND RECOMMENDATION OF OPHTHALMIC DISEASES AND DISORDERS
CN109543047A (zh) * 2018-11-21 2019-03-29 焦点科技股份有限公司 一种基于医疗领域网站的知识图谱构建方法
CN109492711A (zh) * 2018-12-07 2019-03-19 杭州电子科技大学 基于深度学习的恶性黑色素瘤及非恶性黑色素痣分类方法
CN110457982A (zh) * 2018-12-28 2019-11-15 中国科学院合肥物质科学研究院 一种基于特征迁移学习的作物病害图像识别方法
CN109739996A (zh) * 2018-12-29 2019-05-10 北京航天数据股份有限公司 一种工业知识图谱的构建方法及装置
CN110647991A (zh) * 2019-09-19 2020-01-03 浙江大学 一种基于无监督领域自适应的三维人体姿态估计方法

Also Published As

Publication number Publication date
CN110957042B (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
Chakrabarty A deep learning method for the detection of diabetic retinopathy
CN106530295A (zh) 一种视网膜病变的眼底图像分类方法和装置
CN112150476A (zh) 基于时空判别性特征学习的冠状动脉序列血管分割方法
Kätsyri Those virtual people all look the same to me: Computer-rendered faces elicit a higher false alarm rate than real human faces in a recognition memory task
CN107590473A (zh) 一种人脸活体检测方法、介质和相关装置
CN113012163A (zh) 一种基于多尺度注意力网络的视网膜血管分割方法、设备及存储介质
CN110163839A (zh) 豹纹状眼底图像识别方法、模型训练方法及设备
CN111611851A (zh) 模型生成方法、虹膜检测方法及装置
CN111461218A (zh) 糖网病眼底图像的样本数据标注系统
CN112966792A (zh) 血管图像分类处理方法、装置、设备及存储介质
Firke et al. Convolutional neural network for diabetic retinopathy detection
Agarwal et al. A survey on recent developments in diabetic retinopathy detection through integration of deep learning
CN116503684A (zh) 模型训练方法、装置、电子设备及存储介质
Ambesange et al. Simulating federated transfer learning for lung segmentation using modified UNet model
Yang et al. NAUNet: lightweight retinal vessel segmentation network with nested connections and efficient attention
Saleem et al. Innovations in stroke identification: A machine learning-based diagnostic model using neuroimages
CN110957042B (zh) 一种基于领域知识迁移的不同条件下眼部疾病的预测和模拟方法
CN111784687A (zh) 一种基于深度学习的青光眼眼底图像检测方法
KR102503609B1 (ko) 머신 러닝을 이용한 가상 환자 정보 생성 시스템 및 방법
Purwanithami et al. Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation
CN116029581A (zh) 一种基于多源数据融合的在线教育用专注度评价方法
CN114743078A (zh) 一种生物神经信号的视觉解码方法、装置、存储介质及终端
Ameri et al. Segmentation of Hard Exudates in Retina Fundus Images Using BCDU-Net
Yung-Hui et al. Clinically applicable deep learning for diagnosis of diabetic retinopathy
Al Sariera et al. Automated Cataract Detection and Classification Using Random Forest Classifier in Fundus Images.

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