CN111640498A - 基于眼象数据的信息处理方法及装置 - Google Patents
基于眼象数据的信息处理方法及装置 Download PDFInfo
- Publication number
- CN111640498A CN111640498A CN202010513127.9A CN202010513127A CN111640498A CN 111640498 A CN111640498 A CN 111640498A CN 202010513127 A CN202010513127 A CN 202010513127A CN 111640498 A CN111640498 A CN 111640498A
- Authority
- CN
- China
- Prior art keywords
- eye image
- image data
- eye
- prediction model
- target
- 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
- 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
- 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
- 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
- G06T2207/30—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)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于眼象数据的信息处理方法及装置,获取检测者的眼部图像,对眼部图像进行图像处理,得到目标眼象数据;基于预创建的眼象数据预测模型对目标眼象数据进行处理,得到目标信息。本发明的眼象数据预测模型为通过眼部图像转换得到的眼象数据作为训练样本得到的模型,可以实现基于眼部图像预测得到糖尿病特征相匹配的信息,使得检测者可以根据目标信息进行进一步诊断,以得到是否为糖尿病的诊断信息,由于眼部图像采集的便捷性,提升了数据处理效率。
Description
技术领域
本发明涉及信息处理技术领域,特别是涉及一种基于眼象数据的信息处理方法及装置。
背景技术
糖尿病作为常见慢性疾病,患者数量较多,但是现有的糖尿病患者通常不是主动进行糖尿病诊断检查的,使得现有的糖尿病潜在患者较多。通常会通过建立糖尿病风险预测模型,得到存在糖尿病相关特征的预测信息,使得患者可以根据该预测信息通过医生进行进一步地诊断,以获得是否是糖尿病的确切诊断信息。
目前已实现的糖尿病风险预测模型多以人口学特征、行为危险因素及体检指标等参数作为输入变量,其数据采集手段较为复杂,从而使得数据处理过程较为繁琐,处理效率较低。
发明内容
针对于上述问题,本发明提供一种基于眼象数据的信息处理方法及装置,实现了提升获得与目标特征相关的预测信息的处理效率的目的。
为了实现上述目的,本发明提供了如下技术方案:
一种基于眼象数据的信息处理方法,所述方法包括:
获取检测者的眼部图像;
对所述眼部图像进行图像处理,得到目标眼象数据;
基于预创建的眼象数据预测模型对所述目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息,所述眼象数据预测模型为通过样本信息训练获得的模型,所述样本信息为通过眼部图像转换得到的眼象数据;
输出所述目标信息。
可选地,所述方法还包括创建眼象数据预测模型,包括:
获取眼部图像;
对所述于眼部图像进行处理,得到眼象数据;
生成与所述眼象数据相匹配的结构化特征向量组;
将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
可选地,所述方法还包括:
基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;
利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
可选地,所述获取检测者的眼部图像,包括:
获取检测者左右两眼的彩色眼部图像,其中,所述彩色眼部图像包括检测者上视、下视、左视和右视的视线角度的眼部图像。
可选地,所述对所述眼部图像进行处理,得到目标眼象数据,包括:
获取所述眼部图像满足图像质量条件的目标眼部图像;
对所述目标眼部图像进行眼象形态和颜色信息的提取,得到目标眼象数据。
一种基于眼象数据的信息处理装置,所述装置包括:
获取单元,用于获取检测者的眼部图像;
图像处理单元,用于对所述眼部图像进行图像处理,得到目标眼象数据;
模型处理单元,用于基于预创建的眼象数据预测模型对所述目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息,所述眼象数据预测模型为通过样本信息训练获得的模型,所述样本信息为通过眼部图像转换得到的眼象数据;
输出单元,用于输出所述目标信息。
可选地,所述装置还包括创建单元,用于创建眼象数据预测模型,所述创建单元包括:
第一获取子单元,用于获取眼部图像;
处理子单元,用于对所述于眼部图像进行处理,得到眼象数据;
向量生成子单元,用于生成与所述眼象数据相匹配的结构化特征向量组;
训练子单元,用于将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
可选地,所述装置还包括:
调整单元,用于基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;
优化单元,用于利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
可选地,所述获取单元具体用于:
获取检测者左右两眼的彩色眼部图像,其中,所述彩色眼部图像包括检测者上视、下视、左视和右视的视线角度的眼部图像。
可选地,所述图像处理单元包括:
第二获取子单元,用于获取所述眼部图像满足图像质量条件的目标眼部图像;
提取子单元,用于对所述目标眼部图像进行眼象形态和颜色信息的提取,得到目标眼象数据。
相较于现有技术,本发明提供了一种基于眼象数据的信息处理方法及装置,获取检测者的眼部图像,对眼部图像进行图像处理,得到目标眼象数据;基于预创建的眼象数据预测模型对目标眼象数据进行处理,得到目标信息。本发明的眼象数据预测模型为通过眼部图像转换得到的眼象数据作为训练样本得到的模型,可以实现基于眼部图像预测得到糖尿病特征相匹配的信息,使得检测者可以根据目标信息进行进一步诊断,以得到是否为糖尿病的诊断信息,由于眼部图像采集的便捷性,提升了数据处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于眼象数据的信息处理方法的流程示意图;
图2为本发明实施例提供的一种基于眼象数据的信息处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在本发明实施例中提供了一种基于眼象数据的信息处理方法,该方法是通过预先创建的眼象数据预测模型对检测者的眼部图像对应的眼象数据进行处理,得到目标信息。需要说明的是,在本申请实施例中的目标信息为与糖尿病特征相匹配的信息,但是该目标信息为非诊断信息,即该目标信息可以是提示检测者需要进一步进行糖尿病诊断的提示信息,不能作为最终的诊断结果,与医学临床上的糖尿病诊断信息不同。该目标信息可以是用于糖尿病筛查过程中的中间信息,即目标信息可以表征糖尿病诊断筛查过程中的有效筛查信息,即根据该目标信息进行医学临床的糖尿病的进一步诊断。
参见图1,其示出了本发明实施例提供的一种基于眼象数据的信息处理方法的流程示意图,该方法可以包括以下步骤:
S101、获取检测者的眼部图像。
其中,检测者是指需要进行糖尿病筛查的人员。可以通过眼部图像采集仪器采集检测者的眼部图像,如,可以利用中医的目诊仪器进行眼部图像的采集。对应的,为了能够使得最终的处理结果准确,需要获得的眼部图像能够完全将检测者的白睛暴露完成。对应的,获取检测者的左右眼的上视、下视、左视、右视的彩色RGB图像。在另一种可能的实现方式中,可以不局限于上述四个视角的图像采集,但是需要采集到的眼部图像能够包括完整的白睛部分,以保证获得准确的完整眼部图像,若视角缺少后悔使得数据判断准确度可能会降低,使得数据判读结果不准确。
S102、对眼部图像进行图像处理,得到目标眼象数据。
其中,目标眼象数据为能够被眼象数据预测模型进行处理的数据。图像处理部分包括根据图像质量条件对眼部图像进行筛选,提取眼部图像的形态特征和颜色特征,将这些特征信息作为目标眼象数据。
S103、基于预创建的眼象数据预测模型对目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息;
S104、输出目标信息。
眼象数据预测模型为通过样本信息训练获得的模型,样本信息为通过眼部图像转换得到的眼象数据。在本发明实施例中首先关注采集的眼部图像是否满足分析要求,然后提取获得对应的眼象数据,基于眼象数据训练得到眼象数据预测模型。
在本发明实施例还提供了一种创建眼象数据预测模型的方法,该方法包括:
获取眼部图像;
对所述于眼部图像进行处理,得到眼象数据;
生成与所述眼象数据相匹配的结构化特征向量组;
将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
具体的,获取检测者的左右眼的上视、下视、左视和右视的彩色RGB图像。眼部图像通过质量控制深度学习模型评价图像质量,滤除成像质量较差图像。提取眼部图像的眼象形态特征如血脉、斑等,及其对应的颜色信息。图像质控主要是滤除那些眼象太暗、太亮、严重偏色、严重漏光的图像。由于滤除方法有很多,本发明采用训练完成的深度学习质控模型。将提取到的图像特征及其颜色信息按规则生成结构化特征向量,将特征向量组送入梯度提升树、随机森林等机器学习方法训练得到分类模型。
本发明实施例提供了一种基于眼象数据的信息处理方法,获取检测者的眼部图像,对眼部图像进行图像处理,得到目标眼象数据;基于预创建的眼象数据预测模型对目标眼象数据进行处理,得到目标信息。本发明的眼象数据预测模型为通过眼部图像转换得到的眼象数据作为训练样本得到的模型,可以实现基于眼部图像预测得到糖尿病特征相匹配的信息,使得检测者可以根据目标信息进行进一步诊断,以得到是否为糖尿病的诊断信息,由于眼部图像采集的便捷性,提升了数据处理效率。
对应的,在本发明实施例中生成眼象数据预测模型后,还需要对该模型进行进一步优化。对应的,基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
根据特征向量组送入梯度提升树、随机森林等机器学习方法训练得到分类模型后,可以通过调整特征向量组的维度和各向量的权重,优化模型直到达到模型最优状态。
在本发明实施例中通过眼象数据预测模型得到目标信息时,首先拍摄受试者的左右眼的上下左右眼象图,眼象图通过质量模型评估,通过图像质控包括计算清晰度、明暗度、偏光等方法,滤除成像质量不合格的图像,不合格图像包括白睛暴露不充分、图像太暗、图像漏入强光、图像偏色等4种类型。
经过质控模型评估排除不合格图像,从而保证了提取眼象特征的有效性。质控合格的眼象图利用人工智能与传统图像处理相结合的算法进行精准眼象特征提取,主要提取白睛内血脉、斑块等特征的形态和颜色信息,得到特征的颜色HSL值(HSL是指色调(Hue)、饱和度(Saturation)、亮度(Lightness))以及特征形态的像素面积。最终纳入计算的特征向量为同类特征的面积、颜色H、S、L的总和、最大值、最小值、均值、标准差、四分之一及四分之三百分位数,共计28维,如表1所示,需要说明的是,可以根据实际情况确定维数,28维是验证得到效果最佳的维度。
表1特征向量组
全部特征以相同方式提取特征向量,最终生成数值化特征向量组,其中特征向量组提取过程包括提取眼睛区域,然后进行特征变量组提取。并以机器学习模型分类精度为依据,使用后退法剔除冗余变量,最终得到单个样本训练所用特征数据向量组。
然后以梯度提升树(Gradient Boosting Decision Tree,GBDT)作为建立眼象数据预测模型的基础机器学习算法,进行预测模型的建立。其中,梯度提升树算法的基学习器为决策树,通过网格搜索算法,对梯度提升树进行最佳配套参数的寻优,根据前期研究数据量首先以常规的学习率0.1来网格搜索最佳的决策树数量,以10为步长,在20到100之间进行实验,最终决策树数量为50,且当决策树数量超过80后会出现过拟合现象,且相对比较耗时。
然后进行对实验结果影响较大的树参数开始调节,首先进行决策树最大深度的网格搜索寻优,其中决策树最大深度以1为步长,进行3到10之间的最优搜索,最终确定决策树最大深度为5;然后进行内部节点再划分所需最小样本数和叶子节点最少样本数一起调参,其中,最小样本数以200为步长,进行100到800之间的最优搜索,最终确定最小样本数为400,叶子节点最少样本数以相同方式进行寻优,最终确定为40;最后进行树参数中的最后一个参数,即最大特征数的寻优,并确定最大特征数为特征总数的开方。并以网格搜索方式确定实验所需调节的最后一个参数,子样本比例,并最终确定为0.8。在确定以上参数的基础上进行学习率的反向调优,并确定最优学习率为0.1,至此完成以梯度提升树建立糖尿病风险预测模型的全过程。
本发明同时利用随机森林(RandomForest)、逻辑回归(LogisticRegression)、高斯贝叶斯(GaussianNB)这三种较为流行的机器学习算法建立预测模型,并与梯度提升树建立的预测模型进行对比,最终得到最佳的预测模型。其中,随机森林的基学习器为决策树,该方法在实验过程中保证了数据随机、特征随机这两个随机性,降低了模型陷入过拟合的训练误区,在具备了一定抗噪声能力的同时,也能达到较快的训练速度及精度;逻辑回归作为线性分类器,其通过回归的计算方式,将最终结果映射到真(1)和假(0)来实现分类;贝叶斯算法有别于其他大多数分类算法,它通过找出因变量与自变量之间的联合分布来得出最终分类结果,相较于其他分类算法拟合出映射参数的方式,朴素贝叶斯更为直观。
为了能够使得训练过程更急准确,样本中纳入的糖尿病组与非糖尿病组的总体数据分布如表2所示。
表2实验数据分布
组别 | 例数/人 |
糖尿病组 | 1133 |
非糖尿病组 | 2912 |
按照常规实验手段,将纳入实验的样本按照7:3的比例分为训练集与测试集。采用K-fold交叉验证方法,将样本数据分成K组,其中任意一组参与测试的同时,其余K-1组作为训练数据,从而避免模型出现欠拟合或过拟合的现象,并且保证了更为准确地测试结果。并以精度(Precision)、灵敏度(Sensitivity)、特异度(Specificity)、F1值(F1-score)及AUC(ROC(receiver operating characteristic curve)特征曲线下面积,进一步评估模型的泛化能力)这5个评价指标进行模型的评价。实验结果如表3所示:
表3眼象数据预测模型测试结果
眼象数据预测模型 | 精度 | 灵敏度 | 特异度 | F1值 | AUC |
GBDT | 0.890 | 0.844 | 0.760 | 0.806 | 0.881 |
随机森林 | 0.880 | 0.819 | 0.726 | 0.779 | 0.852 |
逻辑回归 | 0.858 | 0.738 | 0.688 | 0.744 | 0.794 |
贝叶斯 | 0.843 | 0.659 | 0.692 | 0.738 | 0.744 |
可见,GBDT建立的糖尿病风险预测模型AUC达到0.881,模型实施整体流程简洁,其实验数据采集方便,完全无创,并且模型取得了较强的泛化能力及较好的测试效果。
本发明实施例中依托目诊仪拍摄的眼象图进行分析的,根据采集某些地区的糖尿病与正常人的眼象约4045例,比率约是1:3,经统计分析发现,糖尿病人眼象与正常人眼象相比有几个明显的特点:1)内眼角区域或上视区域糖尿病人的黄色斑块呈现更显著些;2)整体眼象比较糖尿病人呈现出偏红或偏黄比正常人更多些。本方法是基于以上观察到的图像的特性,提取眼象形态特征(如血脉、斑等)及其颜色信息,进行糖尿病风险预测,且本方法所需实验数据采集便捷、实用性高。
本发明利用眼象特征向量组进行预测模型的建立,与目前公认的糖尿病风险预测模型多以人口学特征、行为危险因素及体检指标等参数作为输入变量的方式相比,本发明只需受试者采集得到左右眼睛的上下左右不同视角的眼象图,且成像质量控制模型评估图像质量是否满足要求,以控制分类数据的质量,因此对于采集环境及采集设备并无特定要求,数据收集便捷,省时高效。而传统的体检指标、行为危险因素等数据格式复杂多样,对于个体数据可能存在缺失值,且部分数据采集涉及人体有创检查,采集方式耗时,成本较高,并且需要到专门的机构进行数据采集。本发明只需利用目诊仪及其衍生设备采集受试者的左右眼睛的上下左右视角眼象数据,采用人工智能与传统图像结合的算法提取眼象的形态特征和颜色信息,并把眼象特征按照规则生成结构化向量组,根据机器学习分类特征向量组得到的预测精度,调整用于模型建立的特征种类及维度,得到最为精确地预测模型。本发明的方法经济、简便、快捷、无创。
参见图2,在本发明实施例还提供了一种基于眼象数据的信息处理装置,该装置包括:
获取单元10,用于获取检测者的眼部图像;
图像处理单元20,用于对所述眼部图像进行图像处理,得到目标眼象数据;
模型处理单元30,用于基于预创建的眼象数据预测模型对所述目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息,所述眼象数据预测模型为通过样本信息训练获得的模型,所述样本信息为通过眼部图像转换得到的眼象数据;
输出单元40,用于输出所述目标信息。
在上述实施例的基础上,所述装置还包括创建单元,用于创建眼象数据预测模型,所述创建单元包括:
第一获取子单元,用于获取眼部图像;
处理子单元,用于对所述于眼部图像进行处理,得到眼象数据;
向量生成子单元,用于生成与所述眼象数据相匹配的结构化特征向量组;
训练子单元,用于将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
在上述实施例的基础上,所述装置还包括:
调整单元,用于基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;
优化单元,用于利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
在上述实施例的基础上,所述获取单元具体用于:
获取检测者左右两眼的彩色眼部图像,其中,所述彩色眼部图像包括检测者上视、下视、左视和右视的视线角度的眼部图像。
在上述实施例的基础上,所述图像处理单元包括:
第二获取子单元,用于获取所述眼部图像满足图像质量条件的目标眼部图像;
提取子单元,用于对所述目标眼部图像进行眼象形态和颜色信息的提取,得到目标眼象数据。
本发明提供了一种基于眼象数据的信息处理装置,获取单元获取检测者的眼部图像,图像处理单元对眼部图像进行图像处理,得到目标眼象数据;模型处理单元基于预创建的眼象数据预测模型对目标眼象数据进行处理,得到目标信息,输出单元输出目标信息。本发明的眼象数据预测模型为通过眼部图像转换得到的眼象数据作为训练样本得到的模型,可以实现基于眼部图像预测得到糖尿病特征相匹配的信息,使得检测者可以根据目标信息进行进一步诊断,以得到是否为糖尿病的诊断信息,由于眼部图像采集的便捷性,提升了数据处理效率。
在本发明实施例还提供了一种电子设备,包括:
存储器,用于存储程序;
处理器,用于执行所述程序,所述程序具体用于:
一种基于眼象数据的信息处理方法,所述方法包括:
获取检测者的眼部图像;
对所述眼部图像进行图像处理,得到目标眼象数据;
基于预创建的眼象数据预测模型对所述目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息,所述眼象数据预测模型为通过样本信息训练获得的模型,所述样本信息为通过眼部图像转换得到的眼象数据;
输出所述目标信息。
可选地,所述方法还包括创建眼象数据预测模型,包括:
获取眼部图像;
对所述于眼部图像进行处理,得到眼象数据;
生成与所述眼象数据相匹配的结构化特征向量组;
将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
可选地,所述方法还包括:
基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;
利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
可选地,所述获取检测者的眼部图像,包括:
获取检测者左右两眼的彩色眼部图像,其中,所述彩色眼部图像包括检测者上视、下视、左视和右视的视线角度的眼部图像。
可选地,所述对所述眼部图像进行处理,得到目标眼象数据,包括:
获取所述眼部图像满足图像质量条件的目标眼部图像;
对所述目标眼部图像进行眼象形态和颜色信息的提取,得到目标眼象数据。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上任一实施例所述的基于眼象数据的信息处理方法包括的各个步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于眼象数据的信息处理方法,其特征在于,所述方法包括:
获取检测者的眼部图像;
对所述眼部图像进行图像处理,得到目标眼象数据;
基于预创建的眼象数据预测模型对所述目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息,所述眼象数据预测模型为通过样本信息训练获得的模型,所述样本信息为通过眼部图像转换得到的眼象数据;
输出所述目标信息。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括创建眼象数据预测模型,包括:
获取眼部图像;
对所述于眼部图像进行处理,得到眼象数据;
生成与所述眼象数据相匹配的结构化特征向量组;
将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;
利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
4.根据权利要求1所述的方法,其特征在于,所述获取检测者的眼部图像,包括:
获取检测者左右两眼的彩色眼部图像,其中,所述彩色眼部图像包括检测者上视、下视、左视和右视的视线角度的眼部图像。
5.根据权利要求1所述的方法,其特征在于,所述对所述眼部图像进行处理,得到目标眼象数据,包括:
获取所述眼部图像满足图像质量条件的目标眼部图像;
对所述目标眼部图像进行眼象形态和颜色信息的提取,得到目标眼象数据。
6.一种基于眼象数据的信息处理装置,其特征在于,所述装置包括:
获取单元,用于获取检测者的眼部图像;
图像处理单元,用于对所述眼部图像进行图像处理,得到目标眼象数据;
模型处理单元,用于基于预创建的眼象数据预测模型对所述目标眼象数据进行处理,得到目标信息,所述目标信息为与糖尿病特征相匹配的信息,所述眼象数据预测模型为通过样本信息训练获得的模型,所述样本信息为通过眼部图像转换得到的眼象数据;
输出单元,用于输出所述目标信息。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括创建单元,用于创建眼象数据预测模型,所述创建单元包括:
第一获取子单元,用于获取眼部图像;
处理子单元,用于对所述于眼部图像进行处理,得到眼象数据;
向量生成子单元,用于生成与所述眼象数据相匹配的结构化特征向量组;
训练子单元,用于将所述结构化特征向量组对机器学习模型进行训练,得到眼象数据预测模型。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
调整单元,用于基于所述眼象数据预测模型,对所述结构化特征向量组的维度和各个向量的权重进行调整,得到调整参数;
优化单元,用于利用所述调整参数对所述眼象数据预测模型进行优化,得到目标眼象数据预测模型。
9.根据权利要求6所述的装置,其特征在于,所述获取单元具体用于:
获取检测者左右两眼的彩色眼部图像,其中,所述彩色眼部图像包括检测者上视、下视、左视和右视的视线角度的眼部图像。
10.根据权利要求6所述的装置,其特征在于,所述图像处理单元包括:
第二获取子单元,用于获取所述眼部图像满足图像质量条件的目标眼部图像;
提取子单元,用于对所述目标眼部图像进行眼象形态和颜色信息的提取,得到目标眼象数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513127.9A CN111640498A (zh) | 2020-06-08 | 2020-06-08 | 基于眼象数据的信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010513127.9A CN111640498A (zh) | 2020-06-08 | 2020-06-08 | 基于眼象数据的信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111640498A true CN111640498A (zh) | 2020-09-08 |
Family
ID=72332052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010513127.9A Pending CN111640498A (zh) | 2020-06-08 | 2020-06-08 | 基于眼象数据的信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640498A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
CN110327013A (zh) * | 2019-05-21 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像检测方法、装置及设备和存储介质 |
CN110648344A (zh) * | 2019-09-12 | 2020-01-03 | 电子科技大学 | 一种基于局部病灶特征的糖尿病视网膜病变分类装置 |
US20200085290A1 (en) * | 2017-05-04 | 2020-03-19 | Shenzhen Sibionics Technology Co., Ltd. | Artificial neural network and system for identifying lesion in retinal fundus image |
-
2020
- 2020-06-08 CN CN202010513127.9A patent/CN111640498A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
US20200085290A1 (en) * | 2017-05-04 | 2020-03-19 | Shenzhen Sibionics Technology Co., Ltd. | Artificial neural network and system for identifying lesion in retinal fundus image |
CN110327013A (zh) * | 2019-05-21 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像检测方法、装置及设备和存储介质 |
CN110648344A (zh) * | 2019-09-12 | 2020-01-03 | 电子科技大学 | 一种基于局部病灶特征的糖尿病视网膜病变分类装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423571B (zh) | 基于眼底图像的糖尿病视网膜病变识别系统 | |
CN107358605B (zh) | 用于识别糖尿病视网膜病变的深度神经网络装置及系统 | |
US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
Boral et al. | Classification of diabetic retinopathy based on hybrid neural network | |
WO2017020045A1 (en) | System and methods for malarial retinopathy screening | |
AbdelMaksoud et al. | A comprehensive diagnosis system for early signs and different diabetic retinopathy grades using fundus retinal images based on pathological changes detection | |
Sakthivel et al. | An automated detection of glaucoma using histogram features | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
Sharma et al. | Machine learning approach for detection of diabetic retinopathy with improved pre-processing | |
Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
Serener et al. | Geographic variation and ethnicity in diabetic retinopathy detection via deeplearning | |
Sarah et al. | Retinal disease detection using CNN through optical coherence tomography images | |
Remeseiro et al. | Objective quality assessment of retinal images based on texture features | |
Dubey et al. | Recent developments on computer aided systems for diagnosis of diabetic retinopathy: a review | |
CN116189884A (zh) | 一种基于面部视觉的多模态融合中医体质判别方法及系统 | |
Veras et al. | SURF descriptor and pattern recognition techniques in automatic identification of pathological retinas | |
Ahmed et al. | Benchmarking and selecting optimal diabetic retinopathy detecting machine learning model using entropy and TOPSIS method | |
CN111640498A (zh) | 基于眼象数据的信息处理方法及装置 | |
Khurshid et al. | Image processing to quantitate hemoglobin level for diagnostic support | |
Heyi et al. | Development of a retinal image segmentation algorithm for the identifying prevalence markers of diabetic retinopathy using a neural network | |
Singh et al. | Performance analysis of machine learning techniques for glaucoma detection based on textural and intensity features | |
Sharma et al. | Blood vessel segmentation using SegNet | |
US20220151482A1 (en) | Biometric ocular measurements using deep learning | |
Shanthakumari et al. | Glaucoma Detection using Fundus Images using Deep Learning |
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 |