CN111402246A - 一种基于联合网络的眼底图像分类方法 - Google Patents
一种基于联合网络的眼底图像分类方法 Download PDFInfo
- Publication number
- CN111402246A CN111402246A CN202010203584.8A CN202010203584A CN111402246A CN 111402246 A CN111402246 A CN 111402246A CN 202010203584 A CN202010203584 A CN 202010203584A CN 111402246 A CN111402246 A CN 111402246A
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- fundus
- type
- fundus image
- 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
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
一种基于联合网络的眼底图像分类方法涉及医疗图像处理和分析领域。本发明包括:获取和处理眼底数据,构建卷积神经网络判别器对眼底图像进行训练,网络包括即第一子网络和第二子网络,在预测时修改第二子网络得到最终的眼底疾病类别。本发明利用眼底图像和多种标签,在快速准确检测眼底疾病的同时,给出用来辅助分类的一系列眼底病变特征,具有高效和精准的特点。
Description
技术领域
本发明涉及医疗图像处理和分析领域,具体涉及一种基于联合网络的眼底图像分类方法。
背景技术
眼底图像是眼科医生诊断眼部疾病的常用手段,眼底图像的拍摄方法是医生使用专用眼底相机,对患者的虹膜中心进行微距拍摄,成像后的聚焦位置位于眼底。眼底图像能够直观表现患者的眼部病变状况,例如:黄斑变性、视盘萎缩、视神经萎缩等状况。
现在多利用计算机图像技术对眼底图像进行分类,代替人工诊断,计算机图像分类方法具有高效、客观的特点。目前的分类方法大多是针对单一疾病的分类,没有多类别的区分;分类方法直接给出结果,没有给出支撑分类的依据,不具有可解释性。
发明内容
本发明提供一种基于联合网络的眼底图像分类方法。采用卷积神经网络,利用眼底图像和多种标签,在快速准确分类眼底疾病的同时,给出用来辅助检测的一系列眼底病变特征。具有高效和精准的特点,也有一定的可解释性。
为达到上述目的,本发明采用如下技术方案:
数据的选取,使用的数据为标准彩色眼底图像,如图2所示。图像中部圆形区域为拍摄的眼底区域,周围黑色区域为填充部分。
可选地,图3没有黑色填充部分,可以作为数据输入。
因为左右眼的不同,眼底图像的视盘位置可以偏左或者偏右,如图4,视盘位于右侧区域,可以作为数据输入。
数据标记为两种类型,一种是该眼底图像中呈现的眼底特征,包括但不限于视盘萎缩、视网膜神经纤维缺损、棉絮斑,称为第一类特征;一种是该眼底图像对应的眼科疾病,包括但并不限于青光眼、白内障、糖尿病视网膜病变,称为第二类特征;
第一类特征表示用于辅助最终分类的中间结果,该发明的实例可以使用部分该类特征作为标记,不必使用所有的特征完成分类。
第二类特征表示针对该眼底图像的最终分类结果,各个标签之间相互独立,一个眼底图像可能具有多个第二类特征。
构造卷积神经网络,如图5所示,
其中,第一子网络对应第一类特征标签,该网络使用卷积神经网络为基本构造,第一子网络的个数对应所选第一类特征标签的个数,实例中可以根据实际情况选择不同的子网络组合。
可选地,第一子网络可以使用常见的卷积网络模型,添加卷积核和池化层形成。
第二子网络对应第二类特征,第二子网络使用第一子网络的输出作为部分输入,同时接收原始图片作为部分输入,第二子网络的输出为第二类特征,即最终的分类结果。
使用选定的损失函数作为优化目标,训练的过程中,不断迭代更新网络参数,目标是使损失值降低,提高网络的准确率。
预测过程仍然使用第一子网络和第二子网络联合进行预测,第一子网络的输出为多个第二类特征,这些特征在预测时以概率的形式表示。添加round函数对第一子网络的结果进行处理,接入到第二子网络中。
附图说明
结合附图,从下面对本发明实施案例的详细描述,将更好的理解本发明,其中:
图1为眼底图像的分类方法的流程图;
图2为一张视盘居左的眼底图像;
图3为一张周围没有填充的眼底图像;
图4为一张视盘居右的眼底图像;
图5为联合网络结构图;
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。
本发明提供一种基于联合网络的眼底图像分类方法。采用卷积神经网络,利用眼底图像和多种标签,综合多种特征判断眼底疾病的类型。
S11、获取和处理眼底数据
眼底数据包含眼底图像和眼底图像所对应的多种特征,数据量在1000条以上,包括图像和对应特征。
眼底图像为标准彩色眼底图像,来源通常是专用眼底摄像机拍摄出来的图片,眼底图片的尺寸要求长宽均超过1000像素。摄像机取景区域为圆形,在图片的中央显示,由于图片为矩形,需要周围填充入黑色像素组成完整的图像。
可选地,部分眼底图片截取中央重要部位,形成矩形的图片,避免了黑色的填充区域,可以作为图像输入。
因为左右眼的不同,眼底图像的视盘位置可以偏左或者偏右,如图4,视盘位于右侧区域,可以作为数据输入。
图像数据要经过归一化处理,即将所有的像素值按照比例归一化为0~1的区间,归一化公式为:
可选地,图像尺寸缩放到224×224像素值,以适应不同网络的需要。图片可以进行翻转、随机截取、旋转等处理,在图片数量不多的时候增加训练的数据量。
特征数据是图片所对应的标签,在已有的数据中,针对一张图像会给出一系列的检查和说明,将所有的检查数据提取出来,标记为特征。特征数据为两种类型:
第一种是该眼底图像中呈现的眼底特征,是医生对整张眼底图像所有正常标准和异常情况的描述,是判断是否患有某种疾病的依据。包括但不限于视盘萎缩、视网膜神经纤维缺损、微血管瘤、棉絮斑、盘沿窄、晶体混浊等特征,称为第一类特征。第一类特征表示用于辅助最终分类的中间结果,该发明的实例可以使用部分该类特征作为标记,即按照实际情况对部分第一类特征进行组合,不必使用所有的特征完成分类。
第二种是该眼底图像对应的眼科疾病,是医生对该眼底图像做出的最终诊断结果,包括但并不限于青光眼、白内障、糖尿病视网膜病变、近视等疾病,称为第二类特征。第二类特征用来标记该图片的最终类别,由于一张眼底图像可能具有多种疾病,所以第二类特征两两之间相互独立,即最终的输出类别不是唯一的,可能有多个结果。
S12、第一子网络和第二子网络联合训练
将S11中准备好的数据集切分为训练集和测试集,训练集占总数据集的80%,测试集占总数据集的20%,训练集用于在训练过程中优化网络参数,测试集用来选择结果最优的一组参数。
构造卷积神经网络进行训练,卷积神经网络可以看做是一个复杂的函数,训练的目的是让这个函数在输入和输出间建立映射关系,输入是眼底图像,输出是第一类特征和第二类特征。由于映射的函数无法直观地用公式来表示,需要使用梯度下降法来寻找函数的近似最优解。构建的卷积神经网络如图5所示,
其中,第一子网络对应第一类特征标签。该网络使用卷积神经网络为基本构造,输入为眼底图像,输出为第一类特征。第一类特征使用one-hot编码,即使用长度为2的向量标记是否具有该特征,(1,0)表示没有该特征,(0,1)表示具有该特征。第一子网络的个数对应所选第一类特征标签的个数,实例中可以根据实际情况选择不同的子网络组合,每个子网络都需要眼底图像作为输入,输出为各自网络对应的第一类特征。
第一子网络可以使用常见的卷积网络模型,添加卷积核和池化层形成,卷积核大小为3*3,层数一般设置为10层左右,可以添加残差块或者inception模块作为网络中的若干层。
第二子网络对应第二类特征,第二子网络使用第一子网络的输出作为部分输入,同时接收原始图片作为部分输入,输出为第二类特征,即最终的分类结果。该网络首先使用若干个卷积层对输入的图片进行特征提取,提取后的特征为一维向量,在此基础上,接收第二子网络的输出,添加到特征提取后的一维向量上,形成一个更长的特征向量。在训练的过程中,直接将第二类特征标签补充到特征向量中,例如:如果有三个第一子网络,原始的特征向量为16,那么最终的特征向量长度为19。使用全连接层对特征向量进行连接,最终得到的向量长度为第二类特征的数量。
第二子网络使用选定的损失函数作为优化目标,由于第二类特征之间相互独立,不同于多分类问题,该分类为多标签分类。因此选择sigmoid交叉熵损失函数作为损失函数进行优化。sigmoid交叉熵损失函数为:
其中,l2为第二类子网络的损失值,ti表示第i个第二类特征的真实值,yi表示第i个第二类特征的预测值,yi可展开为:
其中,z为原始的输出结果,该损失函数分别对每个标签的结果进行sigmoid计算,再计算交叉熵得到所有标签的误差。
两个网络联合进行训练,总的损失函数为两个第一类子网络和第二类子网络的加和,公式为:
其中lk表示第k个第一子网络的损失值,l2表示第二子网络的损失值,L表示总的损失值。
训练的过程中,首先随机初始化网络参数,使用带动量的随机梯度下降法进行参数更新。学习率一般设置为0.1,动量参数为0.9,学习率衰减值设置为0.001。训练的目标是使总的损失值降低,提高预测的最终准确率。
S13、预测时修改第一子网络参与最终计算
预测流程依然如图5所示,以第一子网络和第二子网络联合进行预测。训练过程中,直接使用第一类特征作为第二子网络的输入,而预测的时候需要把第一子网络的结果作为第二子网络的输入,需要对第一子网络进行额外处理。
第一子网络的输出为多个第一类特征,这些特征在预测时以概率的形式表示。例如:对每一个子网络,会输出一个长度为2的向量(8,2)。首先使用softmax函数进行归一化,变为(0.8,0.2),这个结果表示输入的眼底图像不具有该子网络对应的特征,可以直接用0.2表示具有该特征的概率。N个子网络共输出N个概率值,组成N个长度的向量。为了与预测时第一类特征输入的标签一致,将这个向量使用round函数转化为one-hot向量。此时的one-hot向量表示输入的眼底图像是否包含这N个第一类特征。
第二子网络仍然跟训练时相同,使用训练好的参数计算特征向量,其后添加第一子网络的N个特征,最后进入全连接层计算预测结果。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (5)
1.一种基于联合网络的眼底图像分类方法,其特征在于,包括:
获取和处理眼底数据,眼底数据包含眼底图像和眼底图像所对应的多种特征;特征数据为两种类型:第一类特征是该眼底图像中呈现的眼底特征,是医生对整张眼底图像所有正常标准和异常情况的描述,称为第一类特征;第二类特征是该眼底图像对应的眼科疾病,是医生对该眼底图像做出的最终分类结果,称为第二类特征;
图像数据要经过归一化处理,即将所有的像素值按照比例归一化为0~1的区间;
构造卷积神经网络进行训练,第一子网络和第二子网络联合训练;
构造卷积神经网络进行训练,输入是眼底图像,输出是第一类特征和第二类特征;两个网络联合进行训练,总的损失函数为两个第一类子网络和第二类子网络的加和;
预测时以第一子网络和第二子网络联合进行预测。
2.根据权利要求1所述的方法,其特征在于,包括:
眼底图像为标准彩色眼底图像,来源通常是专用眼底摄像机拍摄出来的图片;摄像机取景区域为圆形,在图片的中央显示,由于图片为矩形,需要周围填充入黑色像素组成完整的图像;
特征数据是图片所对应的标签,在已有的数据中,针对一张图像会给出一系列的检查和说明,将所有的检查数据提取出来,标记为特征。
3.根据权利要求1所述的方法,其特征在于,
第一子网络对应第一类特征标签;该网络使用卷积神经网络为基本构造,输入为眼底图像,输出为第一类特征;第一类特征使用one-hot编码;第一子网络的个数对应所选第一类特征标签的个数,每个子网络都需要眼底图像作为输入,输出为各自网络对应的第一类特征。
4.根据权利要求1所述的方法,其特征在于,
第二子网络对应第二类特征,第二子网络使用第一子网络的输出作为部分输入,同时接收原始图片作为部分输入,输出为第二类特征,即最终的分类结果;该网络首先使用若干个卷积层对输入的图片进行特征提取,提取后的特征为一维向量,接收第二子网络的输出,添加到特征提取后的一维向量上,形成一个更长的特征向量;第二子网络使用sigmoid交叉熵损失函数作为损失函数。
5.根据权利要求1所述的方法,其特征在于,
预测的时候把第一子网络的结果作为第二子网络的输入,需要对第一子网络进行额外处理;首先使用softmax函数进行归一化,为了与预测时第一类特征输入的标签一致,使用round函数转化为one-hot向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203584.8A CN111402246A (zh) | 2020-03-20 | 2020-03-20 | 一种基于联合网络的眼底图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010203584.8A CN111402246A (zh) | 2020-03-20 | 2020-03-20 | 一种基于联合网络的眼底图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111402246A true CN111402246A (zh) | 2020-07-10 |
Family
ID=71413489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010203584.8A Pending CN111402246A (zh) | 2020-03-20 | 2020-03-20 | 一种基于联合网络的眼底图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402246A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766376A (zh) * | 2021-01-20 | 2021-05-07 | 重庆邮电大学 | 一种基于gacnn的多标签眼底图像识别方法 |
CN114119359A (zh) * | 2022-01-25 | 2022-03-01 | 北京鹰瞳科技发展股份有限公司 | 用于基于眼底图像的疾病演进的图像生成方法及其相关产品 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680684A (zh) * | 2017-10-12 | 2018-02-09 | 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 |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109858429A (zh) * | 2019-01-28 | 2019-06-07 | 北京航空航天大学 | 一种基于卷积神经网络的眼底图像病变程度识别与可视化系统 |
CN110070531A (zh) * | 2019-04-19 | 2019-07-30 | 京东方科技集团股份有限公司 | 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 |
CN110288568A (zh) * | 2019-05-27 | 2019-09-27 | 北京百度网讯科技有限公司 | 眼底图像处理方法、装置、设备和存储介质 |
CN110349156A (zh) * | 2017-11-30 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 眼底图片中病变特征的识别方法和装置、存储介质 |
CN110400288A (zh) * | 2019-06-18 | 2019-11-01 | 中南民族大学 | 一种融合双眼特征的糖网病识别方法及装置 |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
CN110490928A (zh) * | 2019-07-05 | 2019-11-22 | 天津大学 | 一种基于深度神经网络的相机姿态估计方法 |
US20200035362A1 (en) * | 2018-07-27 | 2020-01-30 | University Of Miami | System and method for ai-based eye condition determinations |
CN110739071A (zh) * | 2019-10-10 | 2020-01-31 | 北京致远慧图科技有限公司 | 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 |
-
2020
- 2020-03-20 CN CN202010203584.8A patent/CN111402246A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107680684A (zh) * | 2017-10-12 | 2018-02-09 | 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 |
CN110349156A (zh) * | 2017-11-30 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 眼底图片中病变特征的识别方法和装置、存储介质 |
US10468142B1 (en) * | 2018-07-27 | 2019-11-05 | University Of Miami | Artificial intelligence-based system and methods for corneal diagnosis |
US20200035362A1 (en) * | 2018-07-27 | 2020-01-30 | University Of Miami | System and method for ai-based eye condition determinations |
CN109377474A (zh) * | 2018-09-17 | 2019-02-22 | 苏州大学 | 一种基于改进Faster R-CNN的黄斑定位方法 |
CN109858429A (zh) * | 2019-01-28 | 2019-06-07 | 北京航空航天大学 | 一种基于卷积神经网络的眼底图像病变程度识别与可视化系统 |
CN110070531A (zh) * | 2019-04-19 | 2019-07-30 | 京东方科技集团股份有限公司 | 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 |
CN110288568A (zh) * | 2019-05-27 | 2019-09-27 | 北京百度网讯科技有限公司 | 眼底图像处理方法、装置、设备和存储介质 |
CN110400288A (zh) * | 2019-06-18 | 2019-11-01 | 中南民族大学 | 一种融合双眼特征的糖网病识别方法及装置 |
CN110490928A (zh) * | 2019-07-05 | 2019-11-22 | 天津大学 | 一种基于深度神经网络的相机姿态估计方法 |
CN110739071A (zh) * | 2019-10-10 | 2020-01-31 | 北京致远慧图科技有限公司 | 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
BAMBANG KRISMONO TRIWIJOYO等: ""Retina disease classification based on colour fundus images using convolutional neural networks"", 2017 INTERNATIONAL CONFERENCE ON INNOVATIVE AND CREATIVE INFORMATION TECHNOLOGY (ICITECH) * |
XIANGYU CHEN等: ""Multiple ocular diseases detection based on joint sparse multi-task learning"", 2015 37TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC) * |
李建强等: ""基于深度学习的白内障识别与分级"", 《第二军医大学学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766376A (zh) * | 2021-01-20 | 2021-05-07 | 重庆邮电大学 | 一种基于gacnn的多标签眼底图像识别方法 |
CN114119359A (zh) * | 2022-01-25 | 2022-03-01 | 北京鹰瞳科技发展股份有限公司 | 用于基于眼底图像的疾病演进的图像生成方法及其相关产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asiri et al. | Deep learning based computer-aided diagnosis systems for diabetic retinopathy: A survey | |
CN110837803B (zh) | 基于深度图网络的糖尿病视网膜病变分级方法 | |
CN108021916B (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
Gao et al. | Automatic feature learning to grade nuclear cataracts based on deep learning | |
CN111481166B (zh) | 基于眼底筛查的自动识别系统 | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
Sinthanayothin | Image analysis for automatic diagnosis of diabetic retinopathy | |
Karegowda et al. | Exudates detection in retinal images using back propagation neural network | |
CN108095683A (zh) | 基于深度学习的处理眼底图像的方法和装置 | |
CN107209933A (zh) | 用于评估视网膜图像以及从视网膜图像获得信息的方法和系统 | |
CN109961848B (zh) | 黄斑图像分类方法和设备 | |
CN108537282A (zh) | 一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法 | |
JP2019192215A (ja) | 深層学習を用いた網膜層の3d定量解析 | |
CN110013216B (zh) | 一种人工智能白内障分析系统 | |
CN109671049B (zh) | 一种医学图像处理方法、系统、设备、存储介质 | |
CN111402246A (zh) | 一种基于联合网络的眼底图像分类方法 | |
CN112869697A (zh) | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 | |
CN113610842B (zh) | 基于CAS-Net的OCT图像视网膜脱离和劈裂自动分割方法 | |
CN113870270B (zh) | 一种统一框架下的眼底影像视杯、视盘分割方法 | |
Padalia et al. | A CNN-LSTM combination network for cataract detection using eye fundus images | |
Balakrishnan et al. | A hybrid PSO-DEFS based feature selection for the identification of diabetic retinopathy | |
Ali et al. | Cataract disease detection used deep convolution neural network | |
Roy et al. | Retnet: Retinal disease detection using convolutional neural network | |
US20240062378A1 (en) | Quality control method and quality control system for data annotation on fundus image | |
Kumar et al. | Segmentation of retinal lesions in fundus images: a patch based approach using encoder-decoder neural network |
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 |