CN110957042B - 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
CN110957042B
CN110957042B CN202010052965.0A CN202010052965A CN110957042B CN 110957042 B CN110957042 B CN 110957042B CN 202010052965 A CN202010052965 A CN 202010052965A CN 110957042 B CN110957042 B CN 110957042B
Authority
CN
China
Prior art keywords
network
condition
different
generated
performance evaluation
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
CN202010052965.0A
Other languages
English (en)
Other versions
CN110957042A (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和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：将代表不同疾病和不同严重程度和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，条件生成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特征向量，将特征向量做复制填充或加零填充后使其与输入图像的尺寸大小相同，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，需要重新训练和重新生成；其训练方式为不断提高性能评价网络的评价标准，让条件生成网络通不过其评价为目的，条件生成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，作出输入基线图片条件下的眼病预测；
具体方法：条件生成网络训练好，进行使用时，将生成的特征图谱进行通道分离和解码，将生成的特征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这些变量对应的图片，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，作出输入基线图片条件下的眼病预测；
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，设置训练条件生成网络和性能评价网络的占比，由门控网络控制条件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以及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、欺骗性能评价网络为目的；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：将代表不同疾病和不同严重程度和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。条件生成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特征向量，将特征向量做复制填充或加零填充后使其与输入图像的尺寸大小相同，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性能评价网络的评价标准，使条件生成网络通不过其评价为目的，条件生成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，作出输入基线图片条件下的眼病预测；
具体方法：条件生成网络训练好，进行使用时，将生成的特征图谱进行通道分离和解码，将生成的特征图谱中不同位置的特征分解为代表不同疾病和不同严重程度和不同影响因素的数值和这些变量对应的图片，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，作出输入基线图片条件下的眼病预测；
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，设置训练条件生成网络和性能评价网络的占比，由门控网络控制条件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、预测网络和门控网络；条件生成网络：用以学习和模拟不同疾病和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：用以评价条件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，作出输入基线图片条件下的眼病预测；门控网络：用以根据真实环境需求，调整条件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：将代表不同疾病和不同严重程度和不同影响因素的数值作为不同变量输入条件生成网络，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，条件生成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特征向量，将特征向量做复制填充或加零填充后使其与输入图像的尺寸大小相同，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，需要重新训练和重新生成；训练条件生成网络的时候不断提高性能评价网络的评价标准，让条件生成网络通不过其评价为目的，条件生成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：条件生成网络训练好，进行使用时，将生成的特征图谱进行通道分离和解码，将生成的特征图谱中不同位置的特征分解为代表不同疾病和不同严重程度和不同影响因素的数值以及这些数值对应的预测图片，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，作出输入基线图片条件下的眼病预测；
门控网络的具体步骤为：根据真实环境需求，设置条件生成网络和性能评价网络的占比，由门控网络控制条件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 CN110957042A (zh) 2020-04-03
CN110957042B true 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)

Family Cites Families (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
GB201200122D0 (en) * 2012-01-05 2012-02-15 Univ Aberdeen An apparatus and a method for psychiatric evaluation
CA2816456A1 (en) * 2013-05-15 2014-11-15 Fungai Madzongwe Framework for the cure for cancer
US10114925B2 (en) * 2013-07-26 2018-10-30 Nant Holdings Ip, Llc Discovery routing systems and engines
CN105138538B (zh) * 2015-07-08 2018-08-03 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
CN106649434B (zh) * 2016-09-06 2020-10-13 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
CN107016681B (zh) * 2017-03-29 2023-08-25 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
EP3634204A4 (en) * 2017-07-28 2021-01-20 Google LLC SYSTEM AND METHOD FOR PREDICTING AND RECAPITULATING MEDICAL EVENTS FROM ELECTRONIC HEALTH RECORDS
SG11202003337VA (en) * 2017-10-13 2020-05-28 Ai Tech Inc Deep learning-based diagnosis and referral 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
CN109492711B (zh) * 2018-12-07 2020-08-25 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系统
CN110457982B (zh) * 2018-12-28 2023-04-11 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
CN109739996B (zh) * 2018-12-29 2020-12-25 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
CN110647991B (zh) * 2019-09-19 2022-04-05 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
CN110957042A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
Kwasigroch et al. Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy
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
Pezzelle et al. Probing the mental representation of quantifiers
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
Firke et al. Convolutional neural network for diabetic retinopathy detection
CN111611851A (zh) 模型生成方法、虹膜检测方法及装置
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
CN117540104A (zh) 一种基于图神经网络的学习群体差异评价方法与系统
CN111863241A (zh) 一种基于集成深度学习的眼底照分类系统
CN115691786A (zh) 基于电子病历的眼科疾病信息提取方法和辅助诊断装置
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
Saleem et al. Innovations in stroke identification: A machine learning-based diagnostic model using neuroimages
Kim et al. CVGG-19: Customized Visual Geometry Group Deep Learning Architecture for Facial Emotion Recognition
CN111784687A (zh) 一种基于深度学习的青光眼眼底图像检测方法
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
Purwanithami et al. Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation
CN113611416A (zh) 基于虚拟现实技术心理场景评估方法及系统
Yung-Hui et al. Clinically applicable deep learning for diagnosis of diabetic retinopathy
Ameri et al. Segmentation of Hard Exudates in Retina Fundus Images Using BCDU-Net
Salous et al. Visual and memory-based hci obstacles: Behaviour-based detection and user interface adaptations analysis
CN112749797A (zh) 一种神经网络模型的剪枝方法及装置
Al Sariera et al. Automated Cataract Detection and Classification Using Random Forest Classifier in Fundus Images.
CN110889859A (zh) 一种用于眼底图像血管分割的u型网络
Chen et al. Metacognitive accuracy improves with the perceptual learning of a low-but not high-level face property
KR102681279B1 (ko) 소아 근시 진행 예측 모델의 구축 장치 및 예측 모델을 이용한 근시 진행 예측 장치, 방법 및 프로그램

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