CN110974151A - 一种识别视网膜脱离的人工智能系统和方法 - Google Patents

一种识别视网膜脱离的人工智能系统和方法 Download PDF

Info

Publication number
CN110974151A
CN110974151A CN201911077281.XA CN201911077281A CN110974151A CN 110974151 A CN110974151 A CN 110974151A CN 201911077281 A CN201911077281 A CN 201911077281A CN 110974151 A CN110974151 A CN 110974151A
Authority
CN
China
Prior art keywords
retinal detachment
wide
fundus image
area fundus
area
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
Application number
CN201911077281.XA
Other languages
English (en)
Inventor
林浩添
李中文
郭翀
张凯
林铎儒
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.)
Zhongshan Ophthalmic Center
Original Assignee
Zhongshan Ophthalmic Center
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 Zhongshan Ophthalmic Center filed Critical Zhongshan Ophthalmic Center
Priority to CN201911077281.XA priority Critical patent/CN110974151A/zh
Publication of CN110974151A publication Critical patent/CN110974151A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • A61B3/14—Arrangements specially adapted for eye photography

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)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及医疗图像处理技术领域，尤其涉及一种识别视网膜脱离的人工智能系统和方法，包括：将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向所述视网膜脱离病灶部位中心的箭头，用于指导术前体位。本发明识别视网膜脱离准确高效，能够实现大规模的人群健康体检，即便是专业经验较少的眼科医生或者非专业的基层医院医生也可以直接通过筛查图像准确解读患者的广域眼底图像，为患者提供更全面的病情评估。

Description

一种识别视网膜脱离的人工智能系统和方法
技术领域
本发明涉及医疗图像处理技术领域，更具体地，涉及一种识别视网膜脱离的人工智能系统和方法。
背景技术
现如今，在进行视网膜脱离检查过程中，首先对患者进行散瞳，瞳孔散大一般需要10分钟，然后专业的眼科医生通过眼底镜探查全视网膜，有时甚至需要用到巩膜外压迫才能检查到远周边的视网膜。目前的视网膜脱离检查只能在眼科专科进行，特别是对于早期患者来说，视网膜脱离往往在眼底的周边部，更需要患者和专业有经验的眼科医生两者配合才能发现。
在视网膜脱离手术前采用合适的体位能够延缓视网膜脱离的进展，从而降低手术的并发症，所以当检查出此类患者后，需要专业的眼底病科医生对患者手术前的体位进行指导，延缓患者视网膜脱离范围扩大。同时，专业的眼底病科医生还能够根据眼底的情况给与患者疾病预后的评估，让患者准确了解自己的病情。
综上，由于目前视网膜脱离的检查费时费力，导致实施大规模人群的健康体检筛查的可能性较低，这可能造成大部分患者诊治的延误，使得视网膜脱离对患者视力造成严重的损害，尤其是在视网膜脱离进展到侵犯黄斑时，视力预后比较差，对个人、家庭和社会造成重大的损失；对于视网膜脱离的术前指导和视力预后，社区医院或者级别较低的综合医院以及体检中心的眼底病科医生的专业性不强，无法对视网膜脱离患者进行正确的指导。虽然广域眼底图像可以观察到几乎全周的视网膜，但是准确解读取眼底图像也需要眼科医生经过专业的培训和较长时间经验的积累。
发明内容
本发明旨在克服上述现有技术的至少一种不足，提供一种识别视网膜脱离的人工智能系统和方法，用于实现快速、有效的视网膜脱离识别，延缓视网膜脱离范围的扩大。
本发明采取的技术方案是，
一种识别视网膜脱离的人工智能方法，其特征在于，包括以下步骤：
S1、将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；
S2、当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；
S3、在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向所述视网膜脱离病灶部位中心的箭头。
通过步骤S1将大量广域眼底图像输入到第一卷积神经网络中，第一卷积神经网络能够准确高效地对广域眼底图像进行分析，对广域眼底图像进行特征提取，识别广域眼底图像上是否呈现青灰色或者灰色，若存在即判断为视网膜脱离，否则判断为非视网膜脱离；经步骤S2将所述广域眼底图像中识别到的视网膜脱离图像，在所述广域眼底图像上定位病灶部位，以便医生可以通过图像准确解读患者的患病情况；步骤S3在判断为存在视网膜脱离的所述广域眼底图像上自动生成由所述广域眼底图像中心指向所述视网膜脱离病灶部位中心的箭头，帮助医生更加准确指导患者手术前采用合适的体位。通过以上步骤方法，视网膜脱离识别准确高效，能够实现大规模的人群健康体检，而且即便是专业经验较少的眼科医生或者非专业的基层医院医生也可以直接通过筛查图像准确解读患者的广域眼底图像，为患者提供更全面的病情评估。
优化地，还包括：
S4、将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，判断其是否存在黄斑性视网膜脱离病变；
S5、根据判断结果形成辅助性建议报告。
通过步骤S4将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，卷积神经网络能够准确高效地对视网膜脱离图像进行分析判断，得出视网膜脱离的广域眼底图像是否发生黄斑性病变；经步骤S5根据判断结果是否为非黄斑性视网膜脱离和黄斑性视网膜脱离自动生成辅助性建议结果报告。通过以上步骤，在对视网膜脱离识别的基础上进一步识别黄斑性病变，有效地防止视网膜脱离进展到侵犯黄斑，辅助性建议报告能够帮助患者直观准确地了解自己的病情并且大大降低了延误率，及时对黄斑性视网膜脱离进行治疗，大大降低了对个人、家庭和社会的重大损失，保障个人健康安全。
优化地，所述步骤S2具体包括：
S21、当判断所述广域眼底图像存在视网膜脱离时，计算广域眼底图像每个像素对于卷积神经网络分类结果的影响程度；
S22、选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位。
通过以上步骤，卷积神经网络在对广域眼底图像进行特征提取处理后，采用显著性映射(Saliency Map)算法计算广域眼底图像上的每个像素对于卷积神经网络分类结果的影响程度，然后选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位，采用此步骤能够准确高效地识别视网膜脱落的具体部位，有助于后续的体位指导和手术治疗。
优化地，所述步骤S21具体包括：
将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度(
Figure BDA0002262877220000031
output/
Figure BDA0002262877220000032
input)，并以此梯度作为每个像素对最终结果的影响因子，将此影响因子以图片的方法显示，即可显示出原始图片对分类结果影响程度最大的区域。
优化地，至少所述步骤S1在云平台上运行，所述广域眼底图像由用户上传到云平台。
在本发明中，一种识别视网膜脱离的人工智能方法的步骤都是通过网络云平台实现的，将视网膜脱离识别指导系统整合在广域眼底照相仪器上或者作为独立的软件系统，用户如社区医院、基层医院、体检中心等拥有广域眼底照相仪器的单位或者获得广域眼底图像的个人可将图像单独或者批量上传至软件系统。
一种识别视网膜脱离的人工智能系统，其特征在于，包括：
第一判断模块，用于将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；
定位模块，用于当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；
指导模块，用于在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向视网膜脱离病灶部位中心的箭头。
第一判断模块将大量广域眼底图像输入到第一卷积神经网络中，第一卷积神经网络能够准确高效地对广域眼底图像进行分析，识别广域眼底图像上是否呈现青灰色或者灰色，若存在即判断为视网膜脱离，否则判断为非视网膜脱离；定位模块将所述广域眼底图像中识别到的视网膜脱离图像，在所述广域眼底图像上定位病灶部位，以便医生可以通过图像准确解读患者的患病情况；指导模块通过在判断为存在视网膜脱离的所述广域眼底图像上自动生成由所述广域眼底图像中心指向所述视网膜脱离病灶部位中心的箭头，帮助医生更加准确指导患者手术前采用合适的体位。经过所述模块，视网膜脱离识别准确高效，能够实现大规模的人群健康体检，而且即便是专业经验较少的眼科医生或者非专业的基层医院医生也可以直接通过筛查图像准确解读患者的广域眼底图像，为患者提供更全面的病情评估。
优选地，还包括：
第二判断模块，用于将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，判断其是否存在黄斑性视网膜脱离病变；
生成结果模块，用于根据判断结果形成辅助性建议报告。
优选地，所述定位模块具体包括：
影响计算模块，当判断所述广域眼底图像存在视网膜脱离时，计算广域眼底图像每个像素对于卷积神经网络分类结果的影响程度；
选取位置模块，选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位。
优化地，所述影响计算模块具体包括：
将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度(
Figure BDA0002262877220000041
output/
Figure BDA0002262877220000042
input)，并以此梯度作为每个像素对最终结果的影响因子。将此影响因子以图片的方法显示，即可显示出原始图片对分类结果影响程度最大的区域。
优选地，至少所述第一判断模块在云平台上运行，所述广域眼底图像由用户上传到云平台。
与现有技术相比，本发明的有益效果为：
1、高效性：采用本发明识别广域眼底图像中视网膜脱离的准确性为96.1％，图片分析每张耗时约3～6s，同时可以满足批量上传分析照片，效率远远高于其他检查方法。
2、规模扩大：采用本发明可实现大规模人群视网膜脱离的筛查。由于广域眼底照相速度快，分析照片无需专业眼科医生，在采集照片时可快速获得分析结果和指导意见，这为大规模人群筛查奠定了基础。
3、便捷性：用户可在任何时间、任何有网络的地点。将广域眼底图像上传至网上下载的系统便可快速获得分析结果。
4、适用范围广：个人或者团体例如社区医院、基层医院、体检中心，都可以将广域眼底图像上传于该软件上，并且不受任何条件的使用限制。
5、经济性：节省专门培训或者聘用眼底病科医生所需要的支出。
附图说明
图1为本发明的方法流程图。
图2为Inception-ResNetV2神经网络模型图。
图3为本发明的系统结构图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。
如图1所示，一种识别视网膜的人工智能方法，包括以下步骤：
S1、将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；
S2、当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；
S3、在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向视网膜脱离病灶部位中心的箭头。
本实施例中，在拥有大量分类明确的广域眼底图像的前提下，利用级联深度学习的方法，训练并验证可以高效识别广域眼底图像中视网膜脱离的算法模型，此级联系统包含两个模型，第一个模型针对的是识别并指导术前体位视网膜脱离，首先将大量视网膜脱离图像和非视网膜脱离图像输入到第一卷积神经网络中，第一卷积神经网络通过特征提取识别广域眼底图像中视网膜脱离图像，并将判断为视网膜脱离的图像，利用显著性映射算法(Saliency Map)定位病灶部位并形成热区，在视网膜脱离病灶部位自动生成从图片中心指向视网膜脱离病灶部位中心的箭头，用来帮助医生更加准确指导患者手术前的体位，在手术前延缓视网膜脱离的速度。
进一步地，本实施例中采用的是Inception-ResNetV2神经网络模型。
如图2所示为Inception-ResNetV2网络结构图。其中，Average Pooling表示平均池化层，Dropout表示防拟合层，Softmax表示分类层，Conv表示卷积层，MaxPool表示最大池化层，Filter concat表示叠加层。在对卷积神经网络进行训练的过程中，首先对大量的广域眼底图像进行二分类为视网膜脱离和非视网膜脱离图像，对图像进行预处理，然后通过调节图像的明暗程度、旋转、镜面反转等方法进行增量至原始数量的5倍，最后利用卷积神经网络对二分类后的图像进行识别训练，选择最优的模型作为最后级联系统里的模型。
进一步，本实施例中，还包括：
S4、将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，判断其是否存在黄斑性视网膜脱离病变；
S5、根据判断结果形成辅助性建议报告。
本实施例中，级联系统中的第二个模型针对检测黄斑性视网膜脱离，通过步骤S4将第一个模型中检测到的视网膜脱离图像输入到第二个模型的卷积神经网络中，更具体地，本实施例中采用的是Inception-ResNetV2神经网络模型，Inception-ResNetV2模型通过特征提取判断视网膜脱离图像是否为黄斑性视网膜脱离，根据判断结果作出最佳手术时间和视力预后的分析报告：若发生非黄斑性视网膜脱离病变，生成结果为建议24小时内到医院接收治疗并且可能的视力预后相对较好；若发生黄斑性视网膜脱离病变，生成结果为建议6天内到医院接收治疗并且可能的视力预后相对较差。
进一步地，本实施例中，所述步骤S2具体包括：
S21、当判断所述广域眼底图像存在视网膜脱离时，计算广域眼底图像每个像素对于卷积神经网络分类结果的影响程度；
S22、选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位。
进一步地，本实施例中，所述步骤S21具体包括：
将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度(
Figure BDA0002262877220000061
output/
Figure BDA0002262877220000062
input)，并以此梯度作为每个像素对最终结果的影响因子，将此影响因子以图片的方法显示，即可显示出原始图片对分类结果影响程度最大的区域。
本实施例中，以上步骤S21和步骤S22是对显著性映射(Saliency Map)算法的进一步说明，卷积神经网络Inception-ResNetV2模型对广域眼底图像进行特征提取识别出视网膜脱离图像后，将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度(
Figure BDA0002262877220000063
output/
Figure BDA0002262877220000064
input)，并以此梯度作为每个像素对最终结果的影响因子，将此影响因子以图片的方法显示，即可显示出视网膜脱离图像上的每个像素对于Inception-ResNetV2卷积神经网络模型分类结果的影响最大的区域，选取影响程度最大的区域，即热区，所述热区代表视网膜脱离区域，并将此定位为病灶部位。
本实施例中，具体实施过程为：假设广域眼底图像为Im×n，记I在卷积神经网络中判断为属于某个类别的概率为Sc(I)。
在步骤S21中，将概率Sc(I)在I0处一阶泰勒展开，得到等式：
Sc(I)≈ωTI+b
其中ω是Sc(I)在I0的一阶导数，用single backprop方法求解：
Figure BDA0002262877220000071
在步骤S22中，计算对判断结果影响程度最大的像素区域：
Figure BDA0002262877220000072
进一步地，本实施例中，所述步骤均在云平台上运行，广域眼底图像由用户上传到云平台。
将卷积神经网络或者将卷积神经网络和显著性区域算法整合在云平台上，使得不同用户群都可以共享云平台上的卷积神经网络或者卷积神经网络和显著性区域算法，即使是在不具备相关硬件设备和软件条件的基层医院，也能通过上传患者的广域眼底图像到云平台进行分析，辅助医生进行准确的病变筛查和病情评估，而且大大地提高了效率。
云平台主要包括四栏：①平台简介，用于描述平台的结构和可以使用的资源；②使用说明，用于指导用户按照流程的步骤快速学会平台的使用；③广域眼底图像上分析，用于广域眼底图像的上传和一键分析；④联系我们，当用户在使用上有困难或者有什么意见，可以通过此栏留言，对用户的需求迅速做出反馈，逐步优化平台的使用。
其具体实施过程如下：
(1)用户进入云平台，通过注册申请账号后获得云平台的使用权利。
(2)用户将具有独立编号的广域眼底图像(一般广域眼底照相仪自动生成)，通过用户自己的电脑选择单独或批量上传至此云平台，并设置分析结果保存的位置后，点击一键分析按钮，最后将分析后的图片存入用户电脑中指定保存的位置。
实施例2
如图3所示，一种识别视网膜脱离的人工智能系统，其特征在于，包括：
第一判断模块，用于将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；
定位模块，用于当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；
指导模块，用于在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向视网膜脱离病灶部位中心的箭头。
进一步地，本实施例中还包括：
第二判断模块，用于将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，判断其是否存在黄斑性视网膜脱离病变；
生成结果模块，用于根据判断结果形成辅助性建议报告。
进一步地，本实施例中，所述定位模块具体包括：
影响计算模块，当判断所述广域眼底图像存在视网膜脱离时，计算广域眼底图像每个像素对于卷积神经网络分类结果的影响程度；
选取位置模块，选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位。
进一步地，本实施例中，所述步骤S21具体包括：
将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度(
Figure BDA0002262877220000083
output/
Figure BDA0002262877220000084
input)，并以此梯度作为每个像素对最终结果的影响因子，将此影响因子以图片的方法显示，即可显示出原始图片对分类结果影响程度最大的区域。
本实施例中，具体实施过程为：假设广域眼底图像为Im×n，记I在卷积神经网络中判断为属于某个类别的概率为Sc(I)。
在步骤S21中，将概率Sc(I)在I0处一阶泰勒展开，得到等式：
Sc(I)≈ωTI+b
其中ω是Sc(I)在I0的一阶导数，用single backprop方法求解：
Figure BDA0002262877220000081
在步骤S22中，计算对判断结果影响程度最大的像素区域：
Figure BDA0002262877220000082
进一步地，本实施例中，系统所述模块均在云平台上运行，所述广域眼底图像由用户上传到云平台。
将卷积神经网络或者将卷积神经网络和显著性区域算法整合在云平台上，使得不同用户群都可以共享云平台上的卷积神经网络或者卷积神经网络和显著性区域算法，即使是在不具备相关硬件设备和软件条件的基层医院，也能通过上传患者的广域眼底图像到云平台进行分析，辅助医生进行准确的病变筛查和病情评估，而且大大地提高了效率。
云平台主要包括四栏：①平台简介，用于描述平台的结构和可以使用的资源；②使用说明，用于指导用户按照流程的步骤快速学会平台的使用；③广域眼底图像上分析，用于广域眼底图像的上传和一键分析；④联系我们，当用户在使用上有困难或者有什么意见，可以通过此栏留言，对用户的需求迅速做出反馈，逐步优化平台的使用。
其具体实施过程如下：
(1)用户进入云平台，通过注册申请账号后获得云平台的使用权利。
(2)用户将具有独立编号的广域眼底图像(一般广域眼底照相仪自动生成)，通过用户自己的电脑选择单独或批量上传至此云平台，并设置分析结果保存的位置后，点击一键分析按钮，最后将分析后的图片存入用户电脑中指定保存的位置。
针对本实施例一种识别视网膜脱离的人工智能系统，在实际中具体使用步骤如下：
(1)在广域眼底照相仪上整合的系统，会在拍片后自动生成相应的结果报告随眼底图像一同打印出来给到患者；
(2)在网上下载的软件系统，用户需通过注册账号后获得使用权利；
(3)用户将具有独立编号的广域眼底图像(一般广域眼底照相仪自动生成)，通过用户自己的电脑或手机选择单独或批量上传人此系统，并设置分析结果保存的位置后，点击一键分析按钮，每张图片大概处理3-6秒，最后将分析后的图片存入用户电脑或手机中指定保存的位置。
(4)分析结果是根据图片的双模型分类结果给出相应的建议，如根据第一模型发现视网膜下方脱离，箭头指向下方，提示患者在接受手术前需保持半卧位；针对第二模型给出的非黄斑性视网膜脱离的提示，建议患者24小时内到医院就诊接受治疗，视力预后相对较好。
综上所述，本实施例与现有技术相比的有益效果为：
1、高效性：采用本发明识别广域眼底图像中视网膜脱离的准确性为96.1％，图片分析每张耗时约3～6s，同时可以满足批量上传分析照片，效率远远高于其他检查方法。
2、规模扩大：采用本发明可实现大规模人群视网膜脱离的筛查。由于广域眼底照相速度快，分析照片无需专业眼科医生，在采集照片时可快速获得分析结果和指导意见，这为大规模人群筛查奠定了基础。
3、便捷性：用户可在任何时间、任何有网络的地点。将广域眼底图像上传至网上下载的系统便可快速获得分析结果。
4、适用范围广：个人或者团体例如社区医院、基层医院、体检中心，都可以将广域眼底图像上传于该软件上，并且不受任何条件的使用限制。
5、经济性：节省专门培训或者聘用眼底病科医生所需要的支出。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种识别视网膜脱离的人工智能方法，其特征在于，包括以下步骤：
S1、将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；
S2、当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；
S3、在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向所述视网膜脱离病灶部位中心的箭头。
2.根据权利要求1所述的一种识别视网膜脱离的人工智能方法，其特征在于，还包括：
S4、将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，判断其是否存在黄斑性视网膜脱离病变；
S5、根据判断结果形成辅助性建议报告。
3.根据权利要求1所述的一种识别视网膜脱离人工智能方法，其特征在于，所述步骤S2具体包括：
S21、当判断所述广域眼底图像存在视网膜脱离时，计算广域眼底图像每个像素对于卷积神经网络分类结果的影响程度；
S22、选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位。
4.根据权利要求3所述的一种识别视网膜脱离人工智能方法，其特征在于，所述步骤S21具体包括：
将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度，并以此梯度作为每个像素对最终结果的影响因子，将此影响因子以图片的方法显示，即可显示出原始图片对分类结果影响程度最大的区域。
5.根据权利要求书1所述的一种识别视网膜脱离的人工智能方法，其特征在于，至少所述步骤S1在云平台上运行，所述广域眼底图像由用户上传到云平台。
6.一种识别视网膜脱离的人工智能系统，其特征在于，包括：
第一判断模块，用于将广域眼底图像输入到第一卷积神经网络中，判断其是否存在视网膜脱离；
定位模块，用于当判断所述广域眼底图像存在视网膜脱离时，在所述广域眼底图像上定位视网膜脱离病灶部位；
指导模块，用于在判断为存在视网膜脱离的所述广域眼底图像上生成由所述广域眼底图像中心指向视网膜脱离病灶部位中心的箭头。
7.根据权利要求6所述的一种识别视网膜脱离的人工智能系统，其特征在于，还包括：
第二判断模块，用于将判断为存在视网膜脱离的所述广域眼底图像输入到第二卷积神经网络中，判断其是否存在黄斑性视网膜脱离病变；
生成结果模块，用于根据判断结果形成辅助性建议报告。
8.根据权利要求6所述的一种识别视网膜脱离的人工智能系统，其特征在于，所述定位模块具体包括：
影响计算模块，当判断所述广域眼底图像存在视网膜脱离时，计算广域眼底图像每个像素对于卷积神经网络分类结果的影响程度；
选取位置模块，选取对分类结果影响程度最大的区域作为视网膜脱离病灶部位。
9.根据权利要求8所述的一种识别视网膜脱离人工智能系统，其特征在于，所述影响计算模块具体包括：
将卷积神经网络的权重固定，计算输出类相对输入图像每个像素的梯度，并以此梯度作为每个像素对最终结果的影响因子，将此影响因子以图片的方法显示，即可显示出原始图片对分类结果影响程度最大的区域。
10.根据权利要求6所述的一种识别视网膜脱离的人工智能系统，其特征在于，至少所述第一判断模块均在云平台上运行，所述广域眼底图像由用户上传到云平台。
CN201911077281.XA 2019-11-06 2019-11-06 一种识别视网膜脱离的人工智能系统和方法 Pending CN110974151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911077281.XA CN110974151A (zh) 2019-11-06 2019-11-06 一种识别视网膜脱离的人工智能系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911077281.XA CN110974151A (zh) 2019-11-06 2019-11-06 一种识别视网膜脱离的人工智能系统和方法

Publications (1)

Publication Number Publication Date
CN110974151A true CN110974151A (zh) 2020-04-10

Family

ID=70083250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911077281.XA Pending CN110974151A (zh) 2019-11-06 2019-11-06 一种识别视网膜脱离的人工智能系统和方法

Country Status (1)

Country Link
CN (1) CN110974151A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205500A (zh) * 2021-05-07 2021-08-03 首都医科大学附属北京同仁医院 巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018116321A2 (en) * 2016-12-21 2018-06-28 Braviithi Technologies Private Limited Retinal fundus image processing method
CN208969732U (zh) * 2018-12-26 2019-06-11 深圳硅基智能科技有限公司 基于人工智能的眼底图像病变的筛查系统
CN110148111A (zh) * 2019-04-01 2019-08-20 江西比格威医疗科技有限公司 一种视网膜oct图像中多种视网膜病灶的自动检测方法
CN110400289A (zh) * 2019-06-26 2019-11-01 平安科技（深圳）有限公司 眼底图像识别方法、装置、设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018116321A2 (en) * 2016-12-21 2018-06-28 Braviithi Technologies Private Limited Retinal fundus image processing method
CN208969732U (zh) * 2018-12-26 2019-06-11 深圳硅基智能科技有限公司 基于人工智能的眼底图像病变的筛查系统
CN110148111A (zh) * 2019-04-01 2019-08-20 江西比格威医疗科技有限公司 一种视网膜oct图像中多种视网膜病灶的自动检测方法
CN110400289A (zh) * 2019-06-26 2019-11-01 平安科技（深圳）有限公司 眼底图像识别方法、装置、设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205500A (zh) * 2021-05-07 2021-08-03 首都医科大学附属北京同仁医院 巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备
CN113205500B (zh) * 2021-05-07 2024-07-23 首都医科大学附属北京同仁医院 巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN108553079B (zh) 基于眼底图像的病变识别系统
CN108771530B (zh) 基于深度神经网络的眼底病变筛查系统
CN109528155B (zh) 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法
EP3944185A1 (en) Computer-implemented method, system and computer program product for detecting a retinal condition from eye fundus images
CN107007257B (zh) 面部不自然度的自动评级方法和装置
CN111179258A (zh) 一种识别视网膜出血图像的人工智能方法及系统
Pieczynski et al. The role of telemedicine, in-home testing and artificial intelligence to alleviate an increasingly burdened healthcare system: Diabetic retinopathy
JP6878923B2 (ja) 画像処理装置、画像処理システム、および画像処理プログラム
US20210391056A1 (en) Health big data service method and system based on remote fundus screening
JP2018121886A (ja) 画像処理装置、および画像処理プログラム
CN112101424B (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN112053321A (zh) 一种识别高度近视视网膜病变的人工智能系统
CN110432860B (zh) 基于深度学习识别广域眼底图中格变裂孔的方法和系统
Zhang et al. A human-in-the-loop deep learning paradigm for synergic visual evaluation in children
CN115985515A (zh) 一种基于机器学习的弱视矫治效果预测方法、装置及设备
JPWO2019207800A1 (ja) 眼科画像処理装置および眼科画像処理プログラム
CN114445666A (zh) 基于深度学习眼底图像左右眼及视野位置分类方法及系统
CN110974151A (zh) 一种识别视网膜脱离的人工智能系统和方法
CN113077889A (zh) 一种人工智能眼病筛查服务方法和系统
US20220122730A1 (en) Using artificial intelligence and biometric data for serial screening exams for medical conditions
CN114240934B (zh) 一种基于肢端肥大症的图像数据分析方法及系统
Purwanithami et al. Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation
CN113558564B (zh) 一种基于单纯高度近视数据库构建的数据处理系统
Suwandi et al. A Systematic Literature Review: Diabetic Retinopathy Detection Using Deep Learning
WO2023017875A1 (ko) 안저영상을 기초로 생체 계측치를 예측하는 장치 및 방법

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: 20200410