CN111341462A - 一种基于深度学习的手机端糖尿病性视网膜病变筛查app - Google Patents
一种基于深度学习的手机端糖尿病性视网膜病变筛查app Download PDFInfo
- Publication number
- CN111341462A CN111341462A CN202010122901.3A CN202010122901A CN111341462A CN 111341462 A CN111341462 A CN 111341462A CN 202010122901 A CN202010122901 A CN 202010122901A CN 111341462 A CN111341462 A CN 111341462A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- mobile phone
- learning model
- diabetic retinopathy
- model
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 41
- 206010012689 Diabetic retinopathy Diseases 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013138 pruning Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Ophthalmology & Optometry (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Data Mining & Analysis (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,技术流程如下:1)深度学习模型的训练;2)将训练好的深度学习模型进行剪枝与压缩;3)将压缩后的模型部署到手机端,并嵌入到Android及IOS的手机端APP,同时将图像处理算法迁移至手机端;本发明提供的基于深度学习的糖尿病性视网膜病变筛查手机端APP,聚焦实时眼底照片的分析,能够更好地支撑本地业务的实时智能化处理与执行。
Description
技术领域
本发明涉及一种结合了深度学习和边缘计算的AI技术产品,应用于针对眼底照片的糖尿病性视网膜病变的筛查。具体地,是涉及一种基于深度学习的手机端糖尿病性视网膜病变筛查APP。
背景技术
本发明提供了一种基于深度学习的手机端糖尿病性视网膜病变筛查APP,该发明用于完成针对眼底照片的糖尿病性视网膜病变的筛查,可以在手机端实时完成、图像处理、深度学习模型推理及筛查结果反馈的全部工作。
从数据服务方式角度进行分类,该发明属于边缘计算的数据服务方式。边缘计算是相对云计算的一种数据服务方式。云计算由于深度学习(人工智能)模型部署在云端,所以数据流程是:数据采集→上传云端服务器→云端做深度学习推理计算→计算结果返回用户端。边缘计算由于深度学习模型部署在终端,所以不需要将数据上传至云端,在终端本地就可以完成数据采集和AI的计算(推理)。边缘计算的优势是实时性高,不依赖于云和网络,部署成本更低。在本申请方案所属领域中,现有的技术方案采用的是云端部署深度学习模型的方式,数据采集后上传云端,云端将深度学习模型推理的结果返回终端。这种方式的主要缺点是实时性较差,数据安全性不高。
同时,由于手机端的硬件计算能力有限,该发明在技术实现上,针对图像处理和深度学习模型推理这两大耗时操作做了优化,使得整体的端糖尿病性视网膜病变筛查达到了秒级响应速度。
发明内容
本发明为基于深度学习的手机端糖尿病性视网膜病变筛查APP,可在手机端完成眼底照片图像处理、深度学习模型推理、筛查报告反馈等各项任务。且该发明具有秒级糖尿病性视网膜病变筛查的响应速度。
为实现上述技术效果,采用的具体技术方案为:
技术流程如下:
1)利用眼底照片数据训练深度学习模型;
2)将1)训练好的深度学习模型进行剪枝与压缩,使深度学习模型轻量化;
3)将2)轻量化后的深度学习模型及本发明独创的高效眼底图像处理算法部署到手机端,加入筛查报告生成机制后即形成本发明的手机端糖尿病性视网膜病变筛查APP的主要功能模块。
其中,
1)中,训练深度学习模型需要输入原始的眼底照片和与原始眼底照片对应的标签(糖尿病性视网膜病变的程度标识),该标签在模型训练过程中将作为目标向量(target),是模型输出需要逼近的目标。同时原始图像在输入深度学习模型预测之前需要做图像预处理,该步骤的目的是强化图片的特征,经过特征强化的眼底图片可以加快模型训练速度,提升模型训练效果。深度学习模型会为每一张特征强化的眼底图片预测一个输出,模型的预测输出与目标向量的差异将作为loss(损失量),指导深度学习模型参数的修正,直到深度学习模型的输出与目标向量的差异足够小,深度学习模型训练结束。
2)中,将步骤1)训练好的深度学习模型进行剪枝与压缩,其目的是在保证模型精度的前提下,减少深度学习模型预测需要计算量,从而弥补手机硬件平台计算能力不足的缺点。具体实施中,根据深度学习模型权重的稀疏特征,去掉部分对输出影响不大的参数(卷积核)。
3)中,将本发明的高效眼底图像处理算法、剪枝压缩后的深度学习模型及筛查报告生成模块在手机端的整合。在算法层面,深度学习模型与图像处理两个大耗时算法用异步多线程方式调度,减少本发明手机端APP使用的延时感。在软件工具层面,集成了以tensorflow lite(用于深度学习模型推理)与opencv(用于图像处理)为主的工具包。本发明的APP的运行将依赖该工具包。
上述的一种基于深度学习的手机端糖尿病性视网膜病变筛查APP,其中:
1)中,输入的原始眼底照片图片的预处理(特征增强)流程如下:
a在原始眼底图像上分别截取X轴和Y轴的中心线,得到两个一维数据;
b对步骤a的两个一维数据做阈值化处理;
c步骤b的阈值化处理后,得到四个坐标点,分别是X轴的最小最大坐标xmin,xmax,Y轴的最小最大坐标ymin,ymax;
d利用xmin,xmax,ymin,ymax四个值对原始图像做区域截取,得到一个聚焦图像;
e对聚焦图像做纹理提取,得到特征增强图像。
上述的一种基于深度学习的手机端糖尿病性视网膜病变筛查APP,其中:手机端APP做到0.2秒完整一张原始图象的处理。
上述的一种基于深度学习的手机端糖尿病性视网膜病变筛查APP,其中:采用深度卷积神经网络(大于40层卷积操作)。
2)中,将训练好的深度学习模型进行剪枝与压缩,流程如下:
a对训练好的卷积神经网络,对每一个卷积核计算其权重的绝对值之和,如公式(1)所示,其中Fi,j为对应卷积核的元素:
∑|Fi,j| (1)
b根据步骤a的计算结果,在每一个卷积层内对该层所有卷积核的权重的绝对值之和进行排序。
c根据b的排序结果,对深度学习模型进行逐层剪枝。具体操作是:对任意一层卷积操作,先剪枝掉权重的绝对值之和最低的一部分卷积核(比如最低的10%),同时由于每次剪枝会将卷积层输出的特征图(feature map)改变(特征图的通道数(channel)被改变),所以后续层的卷积核也需要做相应的更改,如附图6所示;然后对深度学习模型进行重新验证,根据验证结果,可以选择剪枝掉更高的比例,或者选择采用保守剪枝,直至所有层完成剪枝和验证,整个流程如附图2(a)所示。
e对剪枝后的深度学习模型进行重新训练。
f将所有的权重(卷积核参数)量化成整形参数。
上述的一种基于深度学习的手机端糖尿病性视网膜病变筛查APP,其中:手机端APP达到小于1.5秒完成一次深度学习模型推理的速度。
本发明相对于现有技术具有如下有益效果:
1、本发明聚焦手机端实时眼底照片图像处理,能够更好地支撑本地业务的实时智能化处理与执行。
2、本发明距离用户更近,在手机端实现了对数据的处理和分析,因此,效率更高。
3本发明产品化成本极低,不需要远程服务器,个人手机即可完成从眼底照片的拍摄(眼底图像的拍摄需借助光学设备)到深度学习模型推理,再到筛查报告输出的全部功能。
附图说明
图1为深度卷积神经网络训练过程的示意图。
图2为深度卷积神经网络的剪枝压缩流程图和示意图。
图3为手机端APP的界面展示示意图。
图4为手机端APP的整合方案示意图。
图5为图像预处理流程示意图。
图6为卷积神经网络剪枝实际操作示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
一种基于深度学习的手机端糖尿病性视网膜病变筛查APP,主要内容包括1将深度学习模型压缩剪枝后迁移到手机端,在手机端达到了实时性(小于2秒中的响应)的运行速度。2手机端眼底照片的图像处理技术的使用。3本发明的糖网筛查APP,提供了非常易于使用的界面设计。4手机端生成筛查报告。
本发明技术方案的技术流程如下:
1、深度学习模型的训练:模型训练原理如图1所示,数据输入包含原始眼底照片和输入目标向量,眼底照片通过深度卷积神经网络计算得到网络输出,输出与输入目标向量计算损失得到深度卷积神经网络需要优化的方向,而后对神经网络的参数进行更新以减小损失。
2、将训练好的深度学习模型进行剪枝与压缩:由于手机的计算能力普遍比电脑服务器低,步骤一训练好的原始深度卷积神经网络不能直接在手机端运行,需要进行模型的剪枝与压缩,以降低运算量。图2是对模型剪枝压缩的示意图,在剪枝压缩后,减少运算量的前提下,要保证模型的精度不受明显损失。
3、将压缩后的模型部署到手机端,并嵌入到Android及IOS开发出的手机端APP:图3分别是信息录入界面(左)和诊断和诊断结果展示界面(右),眼底照片可由两种途径输入本发明的APP,分别是“选择照片”和“拍摄照片”,点击“选择照片”按钮可以选择手机本地照片;点击“拍摄照片”按钮可以打开手机摄像头,在光学仪器的辅助下可以拍摄眼底照片。在左图中信息录入完成后,点击“一键诊断”按钮,可以在秒级(小于2秒)内完成诊断;图(3)中右图是诊断结果的展示,点击“打印报告按钮”可以完成筛查报告的打印和缓存。图4是手机端APP的整合方案,在算法层面,整合了DCNN(深度卷积神经网络)的推理功能,和针对眼底照片的图像处理功能。在软件层面,整合了基于tensorflow lite与opencv软件工具包。整个软件系统在深度卷积神经网络做了模型压缩剪枝,同时系统的线程调度做了优化后,可以达到实时的处理速度。
在手机端APP上,原始图像经过图像处理算法模块得到特征增强的图像。做这一步的目的是为了凸显图像的特征,让卷积神经网络能更好的识别病变特征。特征增强以后,将图像输入到深度卷积神经网络进行预测。
整个流程的难度主要集中在两个模块:
1:眼底图像处理算法移植到手机端并实时运行。由于原始的眼底图像分辨率较高,一般是3000x5000到5000x5000级别的,要对这么大的眼底图像做处理运算量很大。一般的技术很难在手机端做到实时处理。我们的APP能够做到0.2秒完整一张原始图象的处理。
2:深度卷积神经网络在手机端的实时运行。由于眼底图像特征不是很明显,尤其早期糖尿病视网膜病变的眼底照片,其中的出血点或病变区域可能只有几十像素级别,在5000*5000的原始眼底照片上占的比例非常低,为了达到更好的分辨效果,采用的卷积神经网络较深。所以神经网络做一次预测的运算量也非常大。移植到手机端实时运行也是一个难点。
本发明提供的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,可以实现:
1、糖尿病性视网膜病变筛查的深度学习模型剪枝压缩并部署到手机端,并做到实时运行速度。
2、眼底照片图像处理算法迁移到手机端,可以在0.2秒内完成较大(5000*5000像素)眼底照片的图像处理。
3、筛查APP的易用性设计。
4、实时输出筛查报告。
对于第2)步骤中,将1)训练好的深度学习模型进行剪枝与压缩,使深度学习模型轻量化,为本领域技术人员知晓的现有技术,具体见(Published as a conference paperat ICLR 2017),结合附图说明,图6说明了剪枝与压缩的现有技术。
虽然本发明已以较佳实施例揭示如上,然其并非用以限定本发明,任何本领域技术人员,在不脱离本发明的精神和范围内,当可作些许的修改和完善,因此本发明的保护范围当以权利要求书所界定的为准。
Claims (8)
1.一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:技术流程如下:
1)利用眼底照片数据训练深度学习模型;
2)将1)训练好的深度学习模型进行剪枝与压缩,使深度学习模型轻量化;
3)将2)轻量化后的深度学习模型及本发明独创的高效眼底图像处理算法部署到手机端,加入筛查报告生成机制后即形成本发明的手机端糖尿病性视网膜病变筛查APP的主要功能模块。
2.如权利要求1所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:1)中,训练深度学习模型需要输入原始的眼底照片和与原始眼底照片对应的标签,标签即糖尿病性视网膜病变的程度标识,该标签在模型训练过程中将作为目标向量,是模型输出需要逼近的目标,同时原始图像在输入深度学习模型预测之前需要做图像预处理,该步骤的目的是强化图片的特征,经过特征强化的眼底图片可以加快模型训练速度,提升模型训练效果,深度学习模型会为每一张特征强化的眼底图片预测一个输出,模型的预测输出与目标向量的差异将作为损失量,指导深度学习模型参数的修正,直到深度学习模型的输出与目标向量的差异足够小,深度学习模型训练完成。
3.如权利要求1所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:2)中,将步骤1)训练好的深度学习模型进行剪枝与压缩,其目的是在保证模型精度的前提下,减少深度学习模型预测需要计算量,从而弥补手机硬件平台计算能力不足的缺点,具体实施中,根据深度学习模型权重的稀疏特征,去掉部分对输出影响不大的权重,即卷积核。
4.如权利要求1所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:3)中,将本发明的高效眼底图像处理算法、剪枝压缩后的深度学习模型及筛查报告生成模块在手机端的整合,在算法层面,深度学习模型与图像处理两个大耗时算法用异步多线程方式调度,减少本发明手机端APP使用的延时感,在软件工具层面,集成了以用于深度学习模型推理与用于图像处理为主的工具包,本发明的APP的运行将依赖该工具包。
5.如权利要求1所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:
1)中,输入目标向量以及原始眼底照片图片处理流程如下:
a在原始眼底图像上分别截取X轴和Y轴的中心线,得到两个一维数据;
b对步骤1的两个一维数据做阈值化处理;
c步骤2的阈值化处理后,得到四个坐标点,分别是X轴的最小最大坐标xmin,xmax,Y轴的最小最大坐标ymin,ymax;
d利用xmin,xmax,ymin,ymax四个值对原始图像做区域截取,得到一个聚焦图像;
e对聚焦图像做纹理提取,得到特征增强图像。
6.如权利要求1-5中任一项所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:手机端APP做到0.2秒完整一张原始图象的处理。
7.如权利要求6所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:采用深度卷积神经网络。
8.如权利要求7所述的一种基于深度学习的糖尿病性视网膜病变筛查手机端APP,其特征在于:手机端生成筛查报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122901.3A CN111341462A (zh) | 2020-02-27 | 2020-02-27 | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122901.3A CN111341462A (zh) | 2020-02-27 | 2020-02-27 | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111341462A true CN111341462A (zh) | 2020-06-26 |
Family
ID=71182080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010122901.3A Pending CN111341462A (zh) | 2020-02-27 | 2020-02-27 | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111341462A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测系统 |
CN112698841A (zh) * | 2021-01-14 | 2021-04-23 | 北京大学(天津滨海)新一代信息技术研究院 | 面向Android的深度学习模型统一部署系统、方法、设备及介质 |
CN113869299A (zh) * | 2021-09-30 | 2021-12-31 | 中国平安人寿保险股份有限公司 | 一种银行卡识别方法、装置、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN108537282A (zh) * | 2018-04-13 | 2018-09-14 | 东北大学 | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 |
CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 |
CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
-
2020
- 2020-02-27 CN CN202010122901.3A patent/CN111341462A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108185984A (zh) * | 2017-12-28 | 2018-06-22 | 中山大学 | 眼底彩照进行眼底病灶识别的方法 |
CN108416344A (zh) * | 2017-12-28 | 2018-08-17 | 中山大学中山眼科中心 | 眼底彩照视盘与黄斑定位识别方法 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108537282A (zh) * | 2018-04-13 | 2018-09-14 | 东北大学 | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 |
CN108717869A (zh) * | 2018-05-03 | 2018-10-30 | 中国石油大学(华东) | 基于卷积神经网络的糖尿病视网膜并发症诊断辅助系统 |
CN110010219A (zh) * | 2019-03-13 | 2019-07-12 | 杭州电子科技大学 | 光学相干层析图像视网膜病变智能检测系统及检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测系统 |
CN112698841A (zh) * | 2021-01-14 | 2021-04-23 | 北京大学(天津滨海)新一代信息技术研究院 | 面向Android的深度学习模型统一部署系统、方法、设备及介质 |
CN113869299A (zh) * | 2021-09-30 | 2021-12-31 | 中国平安人寿保险股份有限公司 | 一种银行卡识别方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052886B (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN111341462A (zh) | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app | |
CN112287940A (zh) | 一种基于深度学习的注意力机制的语义分割的方法 | |
CN109934300B (zh) | 模型压缩方法、装置、计算机设备及存储介质 | |
CN105772407A (zh) | 一种基于图像识别技术的垃圾分类机器人 | |
CN104063686B (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN112614136B (zh) | 一种红外小目标实时实例分割方法及装置 | |
CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
CN110033023A (zh) | 一种基于绘本识别的图像数据处理方法及系统 | |
CN112418330A (zh) | 一种基于改进型ssd的小目标物体高精度检测方法 | |
CN113361373A (zh) | 一种农业场景下的航拍图像实时语义分割方法 | |
CN114972208B (zh) | 一种基于YOLOv4的轻量化小麦赤霉病检测方法 | |
CN110022422B (zh) | 一种基于密集连接网络的视频帧序列生成方法 | |
CN107292458A (zh) | 一种应用于神经网络芯片的预测方法和预测装置 | |
CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
CN112949704A (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN114511502A (zh) | 一种基于人工智能的胃肠道内窥镜图像息肉检测系统、终端及存储介质 | |
CN114581502A (zh) | 基于单目图像的三维人体模型联合重建方法、电子设备及存储介质 | |
CN107194380A (zh) | 一种复杂场景下人脸识别的深度卷积网络及学习方法 | |
CN114612306A (zh) | 一种面向裂缝检测的深度学习超分辨率方法 | |
CN112419191A (zh) | 基于卷积神经网络的图像运动模糊去除方法 | |
CN111814591A (zh) | 基于生成式对抗网络模型和ios平台的植物叶片识别系统 | |
CN112488963A (zh) | 一种用于农作物病害数据的增强方法 | |
CN115482523A (zh) | 轻量级多尺度注意力机制的小物体目标检测方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210707 Address after: 215000 room d303, building g-1, shazhouhu science and Technology Innovation Park, Huachang Road, yangshe Town, Zhangjiagang City, Suzhou City, Jiangsu Province Applicant after: Suzhou aikor Intelligent Technology Co.,Ltd. Address before: 201601 building 6, 351 sizhuan Road, Sijing Town, Songjiang District, Shanghai Applicant before: Shanghai Sike Intelligent Technology Co.,Ltd. |
|
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200626 |