CN111383210B - 眼底图像分类模型训练方法及设备 - Google Patents

眼底图像分类模型训练方法及设备 Download PDF

Info

Publication number
CN111383210B
CN111383210B CN202010140098.6A CN202010140098A CN111383210B CN 111383210 B CN111383210 B CN 111383210B CN 202010140098 A CN202010140098 A CN 202010140098A CN 111383210 B CN111383210 B CN 111383210B
Authority
CN
China
Prior art keywords
fundus image
machine learning
confidence
learning model
processor
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
CN202010140098.6A
Other languages
English (en)
Other versions
CN111383210A (zh
Inventor
贺婉佶
王欣
熊健皓
赵昕
和超
张大磊
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.)
Shanghai Eaglevision Medical Technology Co Ltd
Original Assignee
Shanghai Eaglevision 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 Shanghai Eaglevision Medical Technology Co Ltd filed Critical Shanghai Eaglevision Medical Technology Co Ltd
Priority to CN202010140098.6A priority Critical patent/CN111383210B/zh
Publication of CN111383210A publication Critical patent/CN111383210A/zh
Application granted granted Critical
Publication of CN111383210B publication Critical patent/CN111383210B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种眼底图像分类模型训练方法及设备，所述方法包括：获取训练数据，包括眼底图像及用于表达其疾病类型的标签；利用经过训练的第一机器学习模型对所述眼底图像进行分类，得到用于表达其属于各种疾病类型的第一置信度信息；利用所述训练数据以及所述第一置信度信息对第二机器学习模型进行训练，训练过程中所述第二机器学习模型对所述眼底图像进行分类，得到用于表达其属于各种疾病类型的第二置信度信息，并根据所述第二置信度信息与所述标签的差异以及所述第二置信度信息与所述第一置信度信息的差异优化所述第二机器学习模型的参数。

Description

眼底图像分类模型训练方法及设备
技术领域
本发明涉及眼科图像识别领域，具体涉及一种眼底图像分类模型训练方法及设备。
背景技术
如青光眼、年龄性黄斑退化、糖尿病性视网膜病变等眼底疾病都会导致不可挽回的视力损伤甚至失明。视网膜眼底图像是观察视网膜和诊断眼底疾病的一种重要影像手段。视盘是视网膜上视觉纤维和血管汇集穿出眼球的部位，是视神经的始端。视盘区的异常通常与视神经和视网膜血管的异常密切相关。视盘区的大部分异常都可以通过眼底图像观察到，比如视盘前膜、视乳头水肿、青光眼、视神经萎缩、有髓神经纤维、牵牛花综合症等。
近年来，随着机器学习技术的发展，尤其以深度学习为代表的机器学习技术在医疗影像领域得到了广泛的应用。如何提高机器学习模型的准确性和训练效率依然是非常具有挑战性的工作。尽管现有技术通过优化模型结构，以及通过对眼底图像进行预处理的手段，对模型的训练效率和识别准确性产生了一定的促进作用，但仍有待提高。
发明内容
有鉴于此，本发明提供一种眼底图像分类模型训练方法，包括：
获取训练数据，包括眼底图像及用于表达其疾病类型的标签；
利用经过训练的第一机器学习模型对所述眼底图像进行分类，得到用于表达其属于各种疾病类型的第一置信度信息；
利用所述训练数据以及所述第一置信度信息对第二机器学习模型进行训练，训练过程中所述第二机器学习模型对所述眼底图像进行分类，得到用于表达其属于各种疾病类型的第二置信度信息，并根据所述第二置信度信息与所述标签的差异以及所述第二置信度信息与所述第一置信度信息的差异优化所述第二机器学习模型的参数。
可选地，所述第一机器学习模型中包括多个神经网络。
可选地，所述多个神经网络的结构不同。
可选地，利用经过训练的第一机器学习模型对所述眼底图像进行分类，得到用于表达其疾病类型的第一置信度信息，包括：
所述多个神经网络分别对所述眼底图像进行分类，分别输出用于表达其属于各种疾病类型的置信度信息；
根据所述多个神经网络输出的置信度信息得到所述第一置信度信息。
可选地，根据所述多个神经网络输出的置信度信息得到所述第一置信度信息，包括：
获取所述多个神经网络的权重；
根据所述多个神经网络输出的置信度信息及对应的权重计算得到所述第一置信度信息。
可选地，所述权重为所述神经网络的性能值。
可选地，训练所述第二机器学习模型使用的损失函数为：
λ*crossentropy(confs,label)+(1-λ)*crossentropy(conft,confs)
其中，label为所述标签，conft为所述第一置信度信息，confs为所述第二置信度信息，λ为超参数。
本发明还提供一种眼底图像分类方法，包括：利用上述方法训练的所述第二机器学习模型对眼底图像进行分类，得到用于表达其疾病类型的分类结果。
可选地，所述眼底图像为视盘局部图像，所述疾病类型是与视盘相关的疾病类型。
相应地，本发明还提供一种眼底图像分类模型训练设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述眼底图像分类模型训练方法。
相应地，本发明还提供一种眼底图像分类设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述眼底图像分类方法。
根据本发明提供的眼底图像分类模型训练方法和设备，首先利用经过常规训练的一个机器学习模型对样本眼底图像进行分类，得到该眼底图像属于各种疾病类别的置信度，由于分类模型输出的置信度信息可表达眼底图像属于各种类别的可能性，因此相比于样本的标签而言，该置信度信息包含更大的信息量，能够表达不同疾病类型之间的关系。训练目标模型的过程中，使其根据自身输出的置信度信息与经过常训练的模型输出的置信度信息的分布差异，以及其自身输出的置信度信息与标签的差异这两方面优化自身的参数，实现利用置信度分布差异来辅助标签进行训练，从而使模型能够学习到更多的内容，从而提高其对眼底图像疾病类别的识别准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的分类模型训练方法的数据流示意图；
图2为本发明实施例中一个具体的分类模型训练方法的数据流示意图；
图3为眼底图像；
图4为视盘局部图像；
图5是通过数据增强手段的到的视盘局部图像。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种眼底图像分类模型训练方法，可由计算机、服务器或者移动终端等电子设备执行。参照图1所示，本方法包括如下步骤：
S1，获取训练数据，包括眼底图像及用于表达其疾病类型的标签。本申请所述眼底图像可以是视网膜眼底照片的全局或者局部图像。一个训练数据中包括一个眼底图像和一个相应的标签，用于表达眼底图像的类别。例如共有正常、第一种疾病、第二种疾病……第N种疾病等多个类别，标签的内容可以是“1”、“2”、“3”……“N”，一个眼底图像具有上述标签中的任一个标签。
S2，利用经过训练的第一机器学习模型11对眼底图像进行分类，得到用于表达其疾病类型的第一置信度信息。在执行本方法之前，应当使用大量诸如上述的训练数据对第一机器学习模型11进行训练，使其具有一定的分类性能。第一机器学习模型11可以是如Resnet、Densnet、Inception等神经网络，或者多个神经网络的集成体。
对第一机器学习模型11进行训练的方法有多种，可以采用常规的训练方式，也可以采用如中国专利申请201910262626.2公开的黄斑图像分类模型训练方法这种特殊的方式进行训练。
作为示例性的说明，眼底图像进入第一机器学习模型11经过特征提取先得到logits＝[l11,l12,…,l1n],n为类别数，Logits是未经过归一化处理的置信度(概率)；然后输入softmax层，进行归一化得到置信度向量[p11,p12,…,p1n]，置信度值最大的类为预测类(该模型的分类结果)。置信度向量在一定程度上代表了该分类模型对该眼底图像属于各个类别的信心，比如p12为最大值，则表示该眼底图像属于第2类(比如第二种疾病)。
S3，利用训练数据以及第一置信度信息对第二机器学习模型12进行训练，训练过程中第二机器学习模型12对眼底图像进行分类，得到用于表达其疾病类型的第二置信度信息，并根据第二置信度信息与标签的差异以及第二置信度信息与第一置信度信息的差异优化第二机器学习模型12的参数。
第二机器学习模型12是本方案的训练目标，其参数为初始值，是优化的目标。第二机器学习模型12具体可以是诸如Resnet、Densnet、Inception等神经网络，也可以是集成的网络。一般情况下，第二机器学习模型12的结构比第一机器学习模型11简单，是一个相对轻量级的模型。
第二机器学习模型12也将对眼底图像进行分类，得到置信度信息[p21,p22,…,p2n]，比如p21为最大值，表示分类结果是该眼底图像属于第1类。
在本方案中需要确定两部分差异，第一部分是第二机器学习模型12输出的置信度信息与标签的差异loss1，第二部分是第二机器学习模型12输出的置信度信息与第一机器学习模型11输出的置信度信息的差异loss2。具体地，第一部分是常规的分类任务的损失计算，可以通过交叉熵函数来表示，或者其它可用的表达方式都是可行的；第二部分是指确定[p11,p12,…,p1n]与[p21,p22,…,p2n]这两个向量数据的差异，这种差异计算方式有多种，例如可以计算两个向量的距离等等，也可以参与交叉熵等函数来计算。
然后根据loss1和loss2确定总的loss，进而使得第二机器学习模型12根据总的loss来优化自身的参数。即损失函数与loss1和loss2有关，这两部分对总的损失的贡献比重可以是相同或者不同的，计算总的loss的方式有多种，包括但不限于加权相加。
在一个具体地实施例中，采用如下损失函数：
λ*crossentropy(confs,label)+(1-λ)*crossentropy(conft,confs)，
其中crossentropy表示交叉熵函数，label为训练数据的标签，conft为第一置信度信息，confs为第二置信度信息，λ为超参数。在本实施例中超参数λ的作用是平衡两项损失，0<λ<1。通过设定λ的值可以改变loss1和loss2对总的损失的贡献。
根据本发明实施例提供的眼底图像分类模型训练方法，首先利用经过常规训练的一个机器学习模型对样本眼底图像进行分类，得到该眼底图像属于各种疾病类别的置信度，由于分类模型输出的置信度信息可表达眼底图像属于各种类别的可能性，因此相比于样本的标签而言，该置信度信息包含更大的信息量，能够表达不同疾病类型之间的关系。训练目标模型的过程中，使其根据自身输出的置信度信息与经过常训练的模型输出的置信度信息的分布差异，以及其自身输出的置信度信息与标签的差异这两方面优化自身的参数，实现利用置信度分布差异来辅助标签进行训练，从而使模型能够学习到更多的内容，从而提高其对眼底图像疾病类别的识别准确性。
在实际使用时，可以选择体量较大、结构较复杂的神经网络结合体作为上述第一机器学习模型、选择简练的神经网络作为上述第二机器学习模型。复杂的模型特点是准确性较高，但成本也相应地较高；简练的模型特点是成本低、速度快，但如果使用常规训练方式，很难使轻量级的模型获得较高的准确性。通过上述辅助训练方式，对于第二机器学习模型而言，可以使其在保持模型的高性能的同时，压缩模型体量，提高模型的预测速度。
本申请提供的方案特别适用于应对相似度较高的分类任务，特别是眼底图像中的视盘区域相关的疾病类型，如青光眼、有髓神经纤维、视乳头水肿、视神经萎缩、牵牛花综合症、视网膜黑色素瘤、视盘前膜等等。下面结合图2-图5介绍一个具体的实施例:
首先对获得的如图3所示的样本眼底图像进行视盘检测，得到如图4所示的视盘图像。由于视盘区各种异常的发病率差异较大，在收集到的样本数据集中，各类异常类别包含的图像数量极不平衡，比如样本最少的异常类别“牵牛花综合症”的样本数量仅为“正常”和“青光眼”样本量的百分之一。为了减弱数据集的不平衡性，也为了增加图像的多样性，对如图4所示真实的视盘图像进行了数据增强，即通过图像处理(包括但不限于旋转图像、翻转图像等手段)得到如图5所示的样本图像。
不同结构的神经网络分别有不同的优劣点，因此在学习同一个任务时，它们将学习到不同的“知识”，获得不同的性能表现。故而，如图2所示在本实施例中使用了Resnet152、InceptionV3、IncxeptionV4、Inception-Resnet-v2、Xception这五种网络，这些神经网络的结构不同。将这五个网络通过置信度进行结合，得到一个集成式分类模型22，即第一机器学习模型。
上述五个网络分别对输入的视盘图像21进行分类，得到五个置信度信息。集成式分类模型22是将五个网络输出的置信度进行加权平均，得到总的置信度(第一置信度信息)。这里可以有各种不同的方式选择各个模型的权值。在优选的实施例中，选择使用各个模型的AUC(Area Under Curve)值作为其相应权值，AUC的范围在0.5和1之间，AUC越接近1.0，表示模型的准确性越高。
在本实施例中，采用一个Xception网络23作为第二机器学习模型，是被训练的模型。对于视盘图像21，假设其标签为L(表示属于正常、青光眼、有髓神经纤维、视乳头水肿、视神经萎缩、牵牛花综合症、视网膜黑色素瘤、视盘前膜、其他视神经病变中这9类中的某一类)。集成式分类模型22会对视盘图像21进行分类输出置信度向量A，其中包括9个值[p11……p19]，表示属于上述9类中各类的可能性，具体是根据上述五个网络输出的置信度信息A1-A5及其权重进行加权平均得到的；Xception网络23会对视盘图像21进行分类，输出置信度向量B，其中包括9个值[p21……p29]，p21……p29中的最大值表示分类结果。然后利用置信度向量B与置信度向量A的差异，以及置信度向量B与L的差异优化Xception网络23的参数。
通过大量的视盘图像和标签进行训练，可以使Xception网络23准确地进行视盘异常识别和分类，为医生提供辅助诊断信息。在使用训练后的模型对眼底图像进行分类时，不再需要上述第一机器学习模型，只使用上述第二机器学习模型进行识别即可。
本发明还提供一种眼底图像分类模型训练设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述眼底图像分类模型训练方法。
本发明还提供一种眼底图像分类设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行眼底图像分类方法，即利用上述方法训练的第二机器学习模型对眼底图像进行分类，取置信度值最大的类，得到用于表达其疾病类型的分类结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种眼底图像分类模型训练方法，其特征在于，包括：
获取训练数据，包括眼底图像及用于表达其疾病类型的标签；
利用经过训练的第一机器学习模型对所述眼底图像进行分类，得到用于表达其属于各种疾病类型的第一置信度信息；
利用所述训练数据以及所述第一置信度信息对第二机器学习模型进行训练，训练过程中所述第二机器学习模型对所述眼底图像进行分类，得到用于表达其属于各种疾病类型的第二置信度信息，并根据所述第二置信度信息与所述标签的差异以及所述第二置信度信息与所述第一置信度信息的差异优化所述第二机器学习模型的参数；
其中所述第一机器学习模型中包括多个神经网络；以及
其中利用经过训练的第一机器学习模型对所述眼底图像进行分类，得到用于表达其疾病类型的第一置信度信息，包括：
所述多个神经网络分别对所述眼底图像进行分类，分别输出用于表达其属于各种疾病类型的置信度信息；
获取所述多个神经网络的权重；
根据所述多个神经网络输出的置信度信息及对应的权重计算得到所述第一置信度信息。
2.根据权利要求1所述的方法，其特征在于，所述多个神经网络的结构不同。
3.根据权利要求1所述的方法，其特征在于，所述权重为所述神经网络的性能值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，训练所述第二机器学习模型使用的损失函数为：
λ*crossentropy(confs,label)+(1-λ)*crossentropy(conft,confs)
其中，label为所述标签，conft为所述第一置信度信息，confs为所述第二置信度信息，λ为超参数。
5.根据权利要求1-3中任一项所述的方法，其特征在于，所述眼底图像为视盘局部图像，所述疾病类型是与视盘相关的疾病类型。
6.一种眼底图像分类方法，其特征在于，包括：
利用权利要求1-5中任一项所述的方法训练的所述第二机器学习模型对眼底图像进行分类，输出用于表达该眼底图像属于各种疾病类型的置信度信息。
7.一种眼底图像分类模型训练设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-5中任意一项所述的眼底图像分类模型训练方法。
8.一种眼底图像分类设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求6所述的眼底图像分类方法。
CN202010140098.6A 2020-03-03 2020-03-03 眼底图像分类模型训练方法及设备 Active CN111383210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010140098.6A CN111383210B (zh) 2020-03-03 2020-03-03 眼底图像分类模型训练方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010140098.6A CN111383210B (zh) 2020-03-03 2020-03-03 眼底图像分类模型训练方法及设备

Publications (2)

Publication Number Publication Date
CN111383210A CN111383210A (zh) 2020-07-07
CN111383210B true CN111383210B (zh) 2023-06-06

Family

ID=71221372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010140098.6A Active CN111383210B (zh) 2020-03-03 2020-03-03 眼底图像分类模型训练方法及设备

Country Status (1)

Country Link
CN (1) CN111383210B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446418A (zh) * 2020-10-16 2021-03-05 上海鹰瞳医疗科技有限公司 一种眼底分类模型集成系统、方法、电子设备及介质
CN112541906B (zh) * 2020-12-17 2022-10-25 上海鹰瞳医疗科技有限公司 一种数据处理的方法及装置、电子设备、存储介质
CN112861948B (zh) * 2021-01-29 2024-04-09 南京中兴力维软件有限公司 虹吸式排泥设备工作状态的识别方法、装置及设备
CN113486925B (zh) * 2021-06-07 2024-07-16 北京鹰瞳科技发展股份有限公司 模型训练方法、眼底图像生成方法、模型评估方法及装置
CN115951619B (zh) * 2023-03-09 2023-05-23 山东拓新电气有限公司 基于人工智能的掘进机远程智能控制系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163839A (zh) * 2019-04-02 2019-08-23 上海鹰瞳医疗科技有限公司 豹纹状眼底图像识别方法、模型训练方法及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729929B (zh) * 2017-09-30 2021-03-19 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN108875821A (zh) * 2018-06-08 2018-11-23 Oppo广东移动通信有限公司 分类模型的训练方法和装置、移动终端、可读存储介质

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163839A (zh) * 2019-04-02 2019-08-23 上海鹰瞳医疗科技有限公司 豹纹状眼底图像识别方法、模型训练方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张悦;庞睿奇;杜一帆;牟大鹏;李柳;徐迈;王宁利;刘含若.基于深度学习辅助诊断青光眼病灶检测算法及应用.眼科.2020,(01),全文. *

Also Published As

Publication number Publication date
CN111383210A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
CN111383210B (zh) 眼底图像分类模型训练方法及设备
Khan et al. Cataract detection using convolutional neural network with VGG-19 model
CN110163839B (zh) 豹纹状眼底图像识别方法、模型训练方法及设备
CN111080643A (zh) 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN114821189B (zh) 一种基于眼底图像的病灶图像分类与识别方法
CN111539480A (zh) 多类别医学图像识别方法及设备
CN111833334A (zh) 一种基于孪生网络架构的眼底影像特征处理分析方法
Deshpande et al. Automated detection of Diabetic Retinopathy using VGG-16 architecture
Abbasi-Sureshjani et al. Exploratory study on direct prediction of diabetes using deep residual networks
Setiawan et al. Reconfiguration layers of convolutional neural network for fundus patches classification
Murugan et al. An abnormality detection of retinal fundus images by deep convolutional neural networks
CN110610480B (zh) 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
Sharma et al. Harnessing the Strength of ResNet50 to Improve the Ocular Disease Recognition
Sallam et al. Diabetic retinopathy grading using resnet convolutional neural network
Triyadi et al. Deep learning in image classification using vgg-19 and residual networks for cataract detection
Ponnibala et al. Proliferative diabetic retinopathy diagnostic investigation using retinal blood vessels mining technique
Padalia et al. A CNN-LSTM combination network for cataract detection using eye fundus images
Gunasinghe et al. Comparison of pretrained feature extractors for glaucoma detection
Mazumder et al. Deep learning approaches for diabetic retinopathy detection by image classification
Trivino et al. Deep learning on retina images as screening tool for diagnostic decision support
Hussein et al. Convolutional Neural Network in Classifying Three Stages of Age-Related Macula Degeneration
CN111374632B (zh) 视网膜病变检测方法、装置及计算机可读存储介质
Gulati et al. Classification of Diabetic Retinopathy using pre-trained Deep Learning Model-DenseNet 121
Kumari et al. Automated process for retinal image segmentation and classification via deep learning based cnn model
De Silva et al. A thickness sensitive vessel extraction framework for retinal and conjunctival vascular tortuosity analysis

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