CN111340776B - 一种基于多维特征自适应融合的圆锥角膜识别方法和系统 - Google Patents

一种基于多维特征自适应融合的圆锥角膜识别方法和系统 Download PDF

Info

Publication number
CN111340776B
CN111340776B CN202010116463.XA CN202010116463A CN111340776B CN 111340776 B CN111340776 B CN 111340776B CN 202010116463 A CN202010116463 A CN 202010116463A CN 111340776 B CN111340776 B CN 111340776B
Authority
CN
China
Prior art keywords
data
keratoconus
training
dimensional
residual
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
CN202010116463.XA
Other languages
English (en)
Other versions
CN111340776A (zh
Inventor
吴健
陈晋泰
陈婷婷
应豪超
冯芮苇
雷璧闻
刘雪晨
宋庆宇
胡荷萍
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202010116463.XA priority Critical patent/CN111340776B/zh
Publication of CN111340776A publication Critical patent/CN111340776A/zh
Application granted granted Critical
Publication of CN111340776B publication Critical patent/CN111340776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多维特征自适应融合的圆锥角膜识别方法和系统，其中方法包括：(1)利用Pentacam眼前节成像系统获得多个独立样本的原始角膜地形图数据；(2)对上述每个独立样本的5个维度进行圆锥角膜情况综合判断标注；(3)统计5个维度原始角膜地形图数据的正常尺寸、均值、方差、最值信息；(4)划分训练集和验证集；(5)对训练集和验证集中的地形图数据进行处理；(6)构造五维特征自适应融合的残差卷积神经网络并训练；(7)利用Grad‑CAM可视化方式，得到三类测试样本的平均可视化信息；(8)利用训练好的模型进行预测，再将最大预测分数进行反向传播得到可视化效果图。利用本发明，可以解决实际应用中圆锥角膜识别效果不佳的问题。

Description

一种基于多维特征自适应融合的圆锥角膜识别方法和系统
技术领域
本发明属于医疗数据处理技术领域，尤其是涉及一种基于多维特征自适应融合的圆锥角膜识别方法和系统。
背景技术
近年来，深度学习技术在各行各业迅猛发展，结合深度学习技术进行医疗辅助成为了越来越多的人努力的目标和方向。而圆锥角膜是一种缓慢发展的眼病，早期(也就是亚临床圆锥角膜)很难诊断，且没有明显临床表现，病程也因人而异，而当发展到晚期(圆锥角膜)的时候，就会出现明显的角膜扩张、中央变薄向前突出，并且呈圆锥形状，可以通过多种眼科设备进行晚期圆锥角膜的诊断。关键问题在于疾病的早期是很难诊断却可以通过隐形眼镜进行矫正的，当发展到晚期就只能通过角膜交联或角膜移植手术来治疗，严重影响正常生活。本着早发现早治疗的原则，需要利用各种手段尽早发现可疑性的圆锥角膜疾病，而利用当前热点的深度学习技术进行这方面的发现将是一项令人期待的工作。
从理论上来说，人工神经网络诞生于20世纪初期，且首次提出了多层感知器，用以执行逻辑运算功能，而后提出了神经网络学习的思想，在经历了一次衰退期后，20世纪80年代迎来了人工神经网络的复苏，直到2006年首次提出深度学习的理念，且基于深度学习的图像分类算法AlexNet在2012年的ImageNet比赛中一举夺得最佳成绩让深度学习一下子火热了起来。而且深度神经网络中的一个主要大方向就是图像分类，并且很多基于分类模型的特征模块可以转移到其他任务中进行使用。随着2012年深度学习快车的出发，硬件、数据、技术、人才等都为图像分类提供了发展潜力和技术基础。传统的图像分类算法基本都是直接处理一维问题，然后利用传统的线性或非线性的分类器或者寻找分类超平面等找出最佳的分类参数，当图像很大或数量很多时，所获得的模型泛化性很差，且分类的效果只能满足一般人物的需求，随着互联网的进步和数据量的剧增，传统方法完全不能为之做出大量的有效贡献。随着卷积神经网络的提出和发展，越来越多的实际性的问题能够用深度学习网络自适应学习的方式来辅助解决。LeNet是LeCun基于BP网络训练多层神经网络来识别手写体数字的网络，是CNN的开山之作，在手写体数字的识别上面达到了很高的精确率，且能将其用于其他一些需要浅层网络的问题中。AlexNet则是2012年提出的LeNet的加宽加深版本，且做了很多模型和优化上的改进，使得其更加试用于更加复杂的对象。GoogLeNet是来自谷歌的用于减少计算网络开销且利用了多尺度特征融合的网络，并获得了ILSVRC挑战赛冠军。另外，ResNet残差网络更是提出了一个残差模块，使得在能够提取深度特征的前提下缓解梯度消失问题，成为近几年最常用的分类网络和骨架网络之一。近年来，也有很多研究人员从各个不同的角度，包括深度、宽度、可解释性、特征提取等对网络进行改进，而针对不同的应用场景，还需要做的就是要针对不同应用场景克服不同的困难点，并选择最合适的网络进行操作。
针对圆锥角膜的识别，从整体上来说，Pentacam获得的角膜地形图包括5个维度的数据，现有技术中，在构建模型阶段，采用了不同的卷积核、不同的输入方式以及不同的中间特征融合方式进行模型的构建，力求达到最佳分类效果，其输入的单样本的5个通道的数据分别按照曲率、厚度和高度三个维度输入到不同的特征提取器，特征提取器输出的特征再进行固定的叠加融合并代入分类网络进行分类，而这种方式就是人为地将三种维度的特征进行融合，考虑到现实世界数据的多样性和丰富性，即使融合的方式是人为自主选择的最佳组合，却不能保证对于任何样本都能自适应地融合到最佳状态。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种基于多维特征自适应融合的圆锥角膜识别方法和系统，可以解决实际应用中圆锥角膜预测不够准确的问题，可以辅助医生诊断。
一种基于多维特征自适应融合的圆锥角膜识别方法，包括以下步骤：
(1)利用Pentacam眼前节成像系统拍摄并重构3D角膜曲面，获得多个独立样本的原始角膜地形图数据以及由该系统推导的经验性指数参数；
(2)由医生对上述每个独立样本的曲率前后表面、高度前后表面和厚度5个维度进行圆锥角膜情况综合判断标注，标签分别是0、1、2，对应于正常眼睛、亚临床眼和圆锥角膜眼；
(3)统计该系统下5个维度原始角膜地形图数据的正常尺寸、均值、方差、最值信息；
(4)基于标注数据，按固定比例对各个类别进行相同的训练集和验证集划分；
(5)利用步骤(3)中获得的统计参数，对训练集和验证集中的地形图数据进行归一化操作以及左眼的左右翻转操作；
(6)构造五维特征自适应融合的残差卷积神经网络，利用单样本的5维原始地形图数据输入网络进行分类训练，同时在网络中间层融入经验性指数参数，依次迭代所有训练样本更新模型参数直至收敛，得到训练好的模型；
(7)利用Grad-CAM可视化方式，得到三类测试样本的平均可视化信息；
(8)对于待预测的Pentacam数据，进行数据处理后输入训练好的模型，输出三个分数，选择最大分数所在的类别作为判别的类别；再将该最大分数进行反向传播得到可视化效果图。
本发明针对Pentacam眼前节成像系统提供的单个独立目标的数据进行3分类，最终提供给医生一个参考的分类结果，同时根据大数据统计方法，统计出大样本下不同类别判断所需要重点关注的区域，为医生提供分类重点关注区域的参考。
上述技术方案中，由Pentacam眼前节成像系统所拍摄的原始地形图数据尺寸是142*143*5，其中5是指前后曲率、前后高度以及单个厚度这5个维度。由于整个曲平面是通过拍摄以及仪器内部多项式拟合重构而得到的，因此会有相同的size(不同人的瞳孔大小不同，有效区域不同)，其中真实数据的边缘(也就是眼睛周边区域)是由0填充的，因此在进行数据裁剪的时候，只需要裁剪出有效区域即可，但实际中，有效区域的选择也是一个问题，因此会在实验过程中进行多种可能性的尝试，统计大批量数据的最佳效果。另外在统计数据均值和方差的过程中，以不同维度为单位进行分别统计，最后的统计得到5维数据均值和方差。
步骤(1)中，所述的经验型指数参数指的是医生常用以及传统分类方法密集使用的12个人工特征，用于判断是否患有圆锥角膜疾病，具体指切向地图平均角膜散光度(TangMeanK)，后表面非球面性不对称指数(Posterior AAI指数)，对立的扇形指数(OSI指数)，前表面非球面性不对称指数(Anterior AAI指数)，前房深度(AC depth)，角膜容积(Cornealvolume)，角膜前表面的最大屈光度(Kmax)，下上方曲率平均值的差值(I-S)，角膜中央曲率(Central corneal power)，最大前表面高度，最大后表面高度，角膜最薄点厚度这些参数，均能由Pentacam仪器直接导出或由原始地形图数据计算而来。
步骤(2)中，正常眼和圆锥角膜眼都是临床明确能够明确给出诊断结果的样本，而亚临床圆锥角膜则是相对于同一个个体来说，单只眼诊断为圆锥角膜，而另一只眼看去是正常却不能看出有异常点的眼睛。
步骤(4)中，进行训练集和验证集的划分之前，需要对数据进行随机扰动，以防相同数据的堆叠。
完整数据的划分是以全部数据的30％作为验证集，其余是训练集。训练集中需维持正负样本均衡，使三类样本尽量接近1:1:1。
步骤(5)中，针对圆锥角膜地形图数据，并不需要对原始数据做多复杂的数据扩增，只需要最基本的数据扩增(归一化、翻转)，就可以达到更佳的训练效果，此方式异于其他图像分类的处理方式。
步骤(6)中，所述的残差卷积神经网络的结构包括特征提取模块和分类模块，特征提取模块的第一层是单个卷积层，后四层是信道数越来越大的残差模块，每个残差模块都由2个残差块连接而成；分类模块由1个池化层和3个全连接层组成，第1个全连接层的数据由池化层的输出以及经验性指数参数数据串联而成，共同进行第一个全连接层；
其中，特征提取模块的输入为单样本的5维地形图数据，输出为对应的特征块；特征块再经由分类模块中的由全连接层和池化层，得到网络的3维分数输出。
所述的特征提取模块中，第一层是输入信道为5的卷积层，之后的每个残差模块均由核尺寸为3*3的残差块构成，残差模块的信道依次为64，128，256，512。
所述的残差卷积神经网络在进行分类训练时，训练的损失函数是Nllloss，迭代次数设置上限为20000次，每次输入一个batch的数据，计算损失并反向传播，更新模型参数，直至训练完毕，迭代过程中保存具有最佳验证效果的模型，若连续10次验证集的分类效果均处于持续下降状态，则退出当前训练，最后得到新模型。验证效果连续10次一直处于下降状态说明模型的参数已经训练到了最佳或模型参数不正确的状态，应该退出确认。
针对可视化阶段，通过一个输入得到一个输出之后，利用输出的3个分数进行反向传播，得到不同分数所在的特征位置对其的影响也就是所要求的可解释性区域。同时，将同类别的解释区域图进行加权平均，求取平均数值，获得单类判断的区域图。
本发明还提供了一种基于多维特征自适应融合的圆锥角膜识别系统，包括：存储器，存储计算机可执行指令以及在执行所述计算机可执行指令时使用或生产的数据；处理器，与所述存储器通信连接，并配置为执行存储器存储的计算机可执行指令，所述计算机可执行指令在被执行时，实现上述基于多维特征自适应融合的圆锥角膜识别方法。
与现有技术相比，本发明具有以下有益效果：
(1)本发明将深度学习用于圆锥角膜的分类，提升圆锥角膜的识别精度，并为医生统计数据的诊断支持。
(2)本发明利用残差网络，并进行多维度特征自适应融合来提取更有效的特征，以提升分类效果。
(3)本发明将5维样本同时输入残差网络特征提取模块，并进行残差分类网络(ResNet-18)的训练；同时，还提取了12个经验性指数参数，将这些参数直接与高层多信道的一维特征相串，并进行后续的全连接网络层的运算，使分类效果能够更加完善；基于该网络的训练，利用Grad-CAM得出不同样本特定类别的热力图，并将同类样本的热力图进行统计平均，得出该类别的热力图，辅助医生诊断，提升图像分类的效果。
(4)本发明在某种程度上，能有效提升眼科医生的工作效率，为病人的早期治疗提供更大可能性。
附图说明
图1为本发明实施例中基于多维特征自适应融合的圆锥角膜识别方法的流程示意图；
图2为本发明残差卷积神经网络中的残差模块图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种基于多维特征自适应融合的圆锥角膜识别方法，包括以下步骤：
S101生成数据集
针对Pentacam眼前节成像系统所获得的单个独立样本，首先对地形图数据进行141*141大小的有效区域的裁剪，再根据选定的参数进行模型输入时的图像尺寸选定(选择较为合理的4毫米半径)，得到单个样本，再整合所有样本得到综合样本，再进行训练和验证7:3的数据集划分，并统计训练集的基本均值和方差信息，最后对输入曲率(CUR)、高度(ELE)、厚度(PAC)模块之前的数据做最后的数据归一化等预处理(preprocessing模块)操作。
Pentacam获得的角膜地形图包括5个维度的数据，且软件中导出的数据尺寸一致，正常人的角膜地形图的数据范围和分布基本一致，且增加一些图像常用的噪声或扰动等会直接对其地形图的形状产生影响，直接影响最后的分类，因此，本发明只定位瞳孔的中心，对样本进行最简单的数据裁剪和归一化处理。且由于病人的双眼对于圆锥角膜的判断是相对独立的，没有直接关联性，医生在判断的时候也是直接独立根据数据判断的，因此在数据处理阶段会直接对其进行左眼翻转。
S102维持正负样本均衡
当训练样本集的数据不均衡情况严重影响到了模型的训练效果，需要手动提取均衡的训练数据集，使得正负样本达到1:1的状态，整体上来说都要尽量维持样本的均衡，也就是我们要维持三类样本尽量保持在1:1:1。
S103模型构建与训练
本发明所选模型的总体结构模块如表1所示，而图2则是基本的残差模块图。
表1
Layer name Output size Layer
Conv1 k/2
Conv2_x k/4 (3*3,64)*2
Conv3_x k/8 (3*3,128)*2
Conv4_x k/16 (3*3,256)*2
Conv5_x k/32 (3*3,512)*2
Pool 1
FC 1000
FC 256
FC 3
5个维度数据(CUR、ELE、PAC)的特征提取模块则是由表1中的前五层构成，其中第一层是单个卷积层，后四层是信道数越来越大的残差模块，每个残差模块都由2个残差块链接而成；残差块是由2个卷积核大小为3的卷积堆叠而成。网络特征提取层一共由4个残差块组合而成，其信道依次增大(64,128,256,512)。
4个残差模块的结构如图2所示，x表示输入该网络块的输入特征，‘weight layer’指代一个包含权重的卷积层，relu指relu激活函数层，F指中间块的作用函数的总称。该残差块首先输入x，接着又接两个‘weight layer’卷积块和一个relu层，由这样的‘卷积+relu+卷积’构成的模块成为函数F，输入x通过模块F之后的输出称为F(x),同时，输入x会在侧面有个‘identity’分支，直接将输入x加到输出F(x)上，再通过relu层形成新的输出。通过这样一个残差模块之后的输出再接入下一个残差模块。
将样本输入特征提取模块，输出其对应的特征块，再经由后续的由全连接层和池化层构成的分类模块得到网络的3维分数输出。其中第一个全连接层的数据由池化层的输出以及原始的经验参数数据串联而成，共同进行第一个全连接层，而后继续通过后两个全连接层，最后输出分类分数。同时，该分数可在模型训练完之后通过反向传播进行可解释性的可视化。
模型训练的损失函数是Nllloss，迭代次数设置上限为20000次，每次输入一个batch的数据，计算损失并反向传播，更新模型参数，直至训练完毕，迭代过程中会保存具有最佳验证效果的模型，若连续10次验证集的分类效果均处于持续下降状态，则退出当前训练，最后得到新模型。
S104模型预测
对于待预测的Pentacam数据，按训练数据的获得方式，首先进行对应的数据处理，得到归一化后的数据，再输入模型，输出3个分数，取其中分数最大值所在的位置就是该数据的类别，然后再将该最大分数进行反向传播得到可视化效果图，验证是否此时的判断有一定的正确性。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，包括以下步骤：
(1)利用Pentacam眼前节成像系统拍摄并重构3D角膜曲面，获得多个独立样本的原始角膜地形图数据以及由该系统推导的经验型指数参数；
(2)由医生对每个独立样本的曲率前后表面、高度前后表面和厚度5个维度进行圆锥角膜情况综合判断标注，标签分别是0、1、2，对应于正常眼睛、亚临床眼和圆锥角膜眼；
(3)统计该系统下5个维度原始角膜地形图数据的正常尺寸、均值、方差、最值信息；
(4)基于标注数据，按固定比例对各个类别进行相同的训练集和验证集划分；
(5)利用步骤(3)中获得的统计参数，对训练集和验证集中的地形图数据进行归一化操作以及左眼的左右翻转操作；
(6)构造五维特征自适应融合的残差卷积神经网络，利用单样本的5维原始地形图数据输入网络进行分类训练，同时在网络中间层融入经验型指数参数，依次迭代所有训练样本更新模型参数直至收敛，得到训练好的模型；
(7)利用Grad-CAM可视化方式，得到三类测试样本的平均可视化信息；
(8)对于待预测的Pentacam数据，进行数据处理后输入训练好的模型，输出三个分数，选择最大分数所在的类别作为判别的类别；再将该最大分数进行反向传播得到可视化效果图。
2.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(1)中，所述的经验型指数参数包括：切向地图平均角膜散光度、后表面非球面性不对称指数、对立的扇形指数、前表面非球面性不对称指数、前房深度、角膜容积、角膜前表面的最大屈光度、下上方曲率平均值的差值、角膜中央曲率、最大前表面高度、最大后表面高度和角膜最薄点厚度。
3.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(4)中，进行训练集和验证集的划分之前，需要对数据进行随机扰动，以防相同数据的堆叠。
4.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(4)中，训练集中需维持正负样本均衡，使三类样本接近1:1:1。
5.根据权利要求1所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(6)中，所述的残差卷积神经网络的结构包括特征提取模块和分类模块，特征提取模块的第一层是单个卷积层，后四层是信道数越来越大的残差模块，每个残差模块都由2个残差块连接而成；分类模块由1个池化层和3个全连接层组成，第1个全连接层的数据由池化层的输出以及经验型指数参数数据串联而成，共同进行第一个全连接层；
其中，特征提取模块的输入为单样本的5维地形图数据，输出为对应的特征块；特征块再经由分类模块中的由全连接层和池化层，得到网络的3维分数输出。
6.根据权利要求5所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，所述的特征提取模块中，第一层是输入信道为5的卷积层，之后的每个残差模块均由核尺寸为3*3的残差块构成，残差模块的信道依次为64，128，256，512。
7.根据权利要求5所述的基于多维特征自适应融合的圆锥角膜识别方法，其特征在于，步骤(6)中，所述的残差卷积神经网络在进行分类训练时，训练的损失函数是Nllloss，迭代次数设置上限为20000次，每次输入一个batch的数据，计算损失并反向传播，更新模型参数，直至训练完毕，迭代过程中保存具有最佳验证效果的模型，若连续10次验证集的分类效果均处于持续下降状态，则退出当前训练，最后得到新模型。
8.一种基于多维特征自适应融合的圆锥角膜识别系统，包括：存储器，存储计算机可执行指令以及在执行所述计算机可执行指令时使用或生产的数据；处理器，与所述存储器通信连接，并配置为执行存储器存储的计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时，实现如权利要求1～7任一项所述的基于多维特征自适应融合的圆锥角膜识别方法。
CN202010116463.XA 2020-02-25 2020-02-25 一种基于多维特征自适应融合的圆锥角膜识别方法和系统 Active CN111340776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010116463.XA CN111340776B (zh) 2020-02-25 2020-02-25 一种基于多维特征自适应融合的圆锥角膜识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010116463.XA CN111340776B (zh) 2020-02-25 2020-02-25 一种基于多维特征自适应融合的圆锥角膜识别方法和系统

Publications (2)

Publication Number Publication Date
CN111340776A CN111340776A (zh) 2020-06-26
CN111340776B true CN111340776B (zh) 2022-05-03

Family

ID=71188114

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010116463.XA Active CN111340776B (zh) 2020-02-25 2020-02-25 一种基于多维特征自适应融合的圆锥角膜识别方法和系统

Country Status (1)

Country Link
CN (1) CN111340776B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036448B (zh) * 2020-08-11 2021-08-20 上海鹰瞳医疗科技有限公司 圆锥角膜识别方法及设备
CN112806957B (zh) * 2021-04-22 2021-08-31 浙江大学 一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统
CN113284140B (zh) * 2021-06-28 2022-10-14 上海美沃精密仪器股份有限公司 一种基于多模态数据的双眼圆锥角膜诊断方法
CN113806908A (zh) * 2021-08-04 2021-12-17 美视(杭州)人工智能科技有限公司 基于角膜塑形镜配镜的参数处理方法和相关设备
CN115880283B (zh) * 2023-01-19 2023-05-30 北京鹰瞳科技发展股份有限公司 用于检测角膜类型的装置、方法和计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470348A (zh) * 2018-02-13 2018-08-31 温州眼视光发展有限公司 裂隙灯眼前节断层图像特征提取方法
CN109344808A (zh) * 2018-07-24 2019-02-15 中山大学中山眼科中心 一种基于深度学习的眼部图像处理系统
CN110188767A (zh) * 2019-05-08 2019-08-30 浙江大学 基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7738678B2 (en) * 1995-06-07 2010-06-15 Automotive Technologies International, Inc. Light modulation techniques for imaging objects in or around a vehicle

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470348A (zh) * 2018-02-13 2018-08-31 温州眼视光发展有限公司 裂隙灯眼前节断层图像特征提取方法
CN109344808A (zh) * 2018-07-24 2019-02-15 中山大学中山眼科中心 一种基于深度学习的眼部图像处理系统
CN110188767A (zh) * 2019-05-08 2019-08-30 浙江大学 基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"CorneaNet: fast segmentation of cornea OCT scans of healthy and keratoconic eyes using deep learning ";VALENTIN ARANHA DOS SANTOS.et al;《Research Article》;20190228;第10卷(第2期);全文 *
"人工智能技术溯源、医学应用及其在眼科前节疾病的应用现状与展望";杨倩等;《中华眼科医学杂志(电子版)》;20181231;第8卷(第6期);全文 *

Also Published As

Publication number Publication date
CN111340776A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
CN111340776B (zh) 一种基于多维特征自适应融合的圆锥角膜识别方法和系统
Kwasigroch et al. Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy
US11636340B2 (en) Modeling method and apparatus for diagnosing ophthalmic disease based on artificial intelligence, and storage medium
Phasuk et al. Automated glaucoma screening from retinal fundus image using deep learning
EP3830838A1 (en) System and method for ai-based eye condition determinations
CN109726743B (zh) 一种基于三维卷积神经网络的视网膜oct图像分类方法
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
CN111160431B (zh) 一种基于多维特征融合的圆锥角膜识别方法及装置
Sertkaya et al. Diagnosis of eye retinal diseases based on convolutional neural networks using optical coherence images
de Moura et al. Deep feature analysis in a transfer learning-based approach for the automatic identification of diabetic macular edema
CN110070531A (zh) 用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置
Hallett et al. Deep learning based unsupervised and semi-supervised classification for keratoconus
CN112308830A (zh) 一种基于注意力机制和深监督策略的早产儿视网膜病变自动分区识别方法
CN117058676B (zh) 一种基于眼底检查影像的血管分割方法、装置和系统
He et al. Classification of ocular diseases employing attention-based unilateral and bilateral feature weighting and fusion
CN111563884A (zh) 基于神经网络的眼底疾病识别方法、计算机设备及介质
Prasher et al. Automated eye disease classification using mobilenetv3 and efficientnetb0 models using transfer learning
Himami et al. Deep learning in image classification using dense networks and residual networks for pathologic myopia detection
Aranha et al. Deep transfer learning strategy to diagnose eye-related conditions and diseases: An approach based on low-quality fundus images
CN116452571A (zh) 一种基于深度神经网络的图像识别方法
Thanh et al. A real-time classification of glaucoma from retinal fundus images using AI technology
CN116091449A (zh) 一种基于无监督异构蒸馏框架的视网膜oct图像病变分类方法
CN114998300A (zh) 一种基于多尺度信息融合网络的角膜溃疡分类方法
CN113284140B (zh) 一种基于多模态数据的双眼圆锥角膜诊断方法
Tekouabou et al. Machine learning aprroach for early detection of glaucoma from visual fields

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