CN111784687A - 一种基于深度学习的青光眼眼底图像检测方法 - Google Patents

一种基于深度学习的青光眼眼底图像检测方法 Download PDF

Info

Publication number
CN111784687A
CN111784687A CN202010708083.5A CN202010708083A CN111784687A CN 111784687 A CN111784687 A CN 111784687A CN 202010708083 A CN202010708083 A CN 202010708083A CN 111784687 A CN111784687 A CN 111784687A
Authority
CN
China
Prior art keywords
fundus image
training
glaucoma
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
Application number
CN202010708083.5A
Other languages
English (en)
Inventor
李峰
严磊
宋婕
王宇光
石建勋
逯兴莲
董林
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202010708083.5A priority Critical patent/CN111784687A/zh
Publication of CN111784687A publication Critical patent/CN111784687A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及一种基于深度学习的青光眼眼底图像检测方法，具体包括以下步骤：步骤S1：获取原始眼底数据和医学病史数据，进行类别标记和图像预处理，得到训练范例眼底图像，组成原始训练数据库；步骤S2：训练范例眼底图像进行数据增强，得到数据增强训练数据库；步骤S3：根据正常眼底图像和青光眼眼底图像进行分类建立融合卷积神经网络，数据增强训练数据库输入到融合卷积神经网络进行网络训练；步骤S4：获取待测眼底图像，输入到训练后的融合卷积神经网络中，并在全连接层结合医学病史数据，输出待测眼底图像的预测值，根据预测值判别是否属于青光眼眼底图像。与现有技术相比，本发明具有提高青光眼诊断准确率、节约医疗资源、使用成本低等优点。

Description

一种基于深度学习的青光眼眼底图像检测方法
技术领域
本发明涉及一种人工智能领域应用在青光眼眼底图像上的处理技术，尤其是涉及一种基于深度学习的青光眼眼底图像检测方法。
背景技术
青光眼是一种威胁和损害视神经视觉功能，以视神经萎缩、视野缺损和视力下降为主要特征的眼疾病。依据世界卫生组织公布的数据来看，青光眼已被列为全球失明仅次于白内障的第二大常见原因，作为三大致盲眼疾病之一的青光眼在总人群中发病率为1％。由于青光眼患者在就诊时常常已经到了疾病的晚期，因此青光眼又被成为无声的小偷。虽然青光眼不可治愈，造成的视力损伤也是不可逆的，但可以通过早期诊断、适当的药物治疗和及时的手术来防止视力进一步损伤，所以青光眼的早期筛查具有非常重要的意义，有利于患者及时治疗，从而保护视力缓解症状。
由于青光眼的潜在患者人群数众多，医疗资源非常有限加上匮乏的临床经验难以满足现有需求，使得眼科医生开展大规模的早期筛查十分困难。同时眼科医生阅览大量眼底图像并给出诊断结果，是一个耗费大量人力、物力的过程，容易受主观经验和疲劳程度的影响。在诊断过程中也会出现遗漏眼底图像中某些细节信息从而造成漏诊、误诊的情况发生，这一现象会使风险增强。
利用计算机辅助技术帮助眼科医生可有效缓解针对青光眼早期筛查的压力，现有技术中青光眼医学图像分类的计算机辅助技术以传统计算机视觉技术为主，但传统计算机视觉是依赖人工的特征选择，无法自动发现抽象语义特征信息，模型难以得到普遍适用，同时大多数模型的训练样本规模较小，实际应用价值不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的人工排查青光眼的工作量较大且存在较多误诊、计算机视觉技术难以普遍适用的缺陷而提供一种基于深度学习的青光眼眼底图像检测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的青光眼眼底图像检测方法，具体包括以下步骤：
步骤S1：获取原始眼底数据和医学病史数据，对所述原始眼底数据进行类别标记和图像预处理，得到训练范例眼底图像，将多个训练范例眼底图像组成用于卷积神经网络训练的原始训练数据库；
步骤S2：所述原始训练数据库中的训练范例眼底图像进行数据增强，得到数据增强训练数据库；
步骤S3：根据正常眼底图像和青光眼眼底图像进行分类建立相应的融合卷积神经网络，所述数据增强训练数据库输入到融合卷积神经网络进行网络训练；
步骤S4：获取待测眼底图像，输入到完成训练后的融合卷积神经网络中，并在融合卷积神经网络的全连接层结合所述医学病史数据，输出所述待测眼底图像的预测值，根据所述预测值判别待测眼底图像是否属于青光眼眼底图像。
所述图像预处理包括图像裁剪操作、图像像素归一化处理和图像对比度增强操作。
所述原始训练数据库中正常眼底图像和青光眼眼底图像的类别标记的数量比率为1:1。
所述步骤S2中训练范例眼底图像进行数据增强的步骤具体为：
步骤S201：所述训练范例眼底图像进行降采样，得到像素为256x256的眼底图像，按照整数值裁剪窗口对得到的眼底图像进行裁剪；
步骤S202：对裁剪得到的眼底图像进行垂直和水平镜像以及旋转操作，得到数据增强的训练范例眼底图像。
进一步地，所述步骤S201中对得到的眼底图像进行裁剪的次数为5次。
进一步地，所述步骤S202中的旋转操作包括90°旋转操作、180°旋转操作以及270°旋转操作。
所述步骤S3中融合卷积神经网络进行网络训练时，按照初始学习率对神经网络的参数进行调整。
所述融合卷积神经网络中设有4个改进型残差50层网络，所述改进型残差50层网络包括22层神经元，依次分别为输入图像层、卷积层、最大池化层、16个残差节点层、平均池化层、全连接层、概率输出层。
所述卷积层是采用ReLU激活函数进行信号传递。
所述最大池化层利用卷积核通过局部响应正则化与后续层级连接。
所述全连接层以神经元全连接的形式与前后相邻层级相连。
所述步骤S4中医学病史数据与全连接层的结合方式为矢量化联接。
所述融合卷积神经网络的网络训练损失函数为交叉熵损失函数，梯度优化算法为动量随机梯度下降算法，每轮训练的学习率均小于或等于前一轮训练的学习率。
与现有技术相比，本发明具有以下有益效果：
1.本发明不断优化用于判断的眼底数据库特征以及用于训练卷积神经网络的参数，能有效使青光眼眼底图像检测的准确率、灵敏性和特异性提高，减少了人工排查青光眼的工作量，节约了大量的医疗资源。
2.本发明可以运用在数据量相对较小的眼底图像库中，通过数据增强之后，利用深度卷积神经网络自动实现从训练眼底图像数据集中学习所需要的眼底特征来进行分类诊断，使用成本低，具有较高的适用性。
附图说明
图1为本发明的流程示意图；
图2为本发明改进型残差50层网络的结构示意图；
图3为本发明改进型残差50层网络中残差节点的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种基于深度学习的青光眼眼底图像检测方法，减少了人工排查青光眼的工作量，具有较高的适用性，具体包括以下步骤：
步骤S1：获取原始眼底数据和医学病史数据，对原始眼底数据进行类别标记和图像预处理，得到训练范例眼底图像，将多个训练范例眼底图像组成用于卷积神经网络训练的原始训练数据库；
步骤S2：原始训练数据库中的训练范例眼底图像通过限制性对比度自适应直方图均衡方法(CLAHE)进行数据增强，得到数据增强训练数据库；
步骤S3：根据正常眼底图像和青光眼眼底图像进行分类建立相应的融合卷积神经网络，数据增强训练数据库输入到融合卷积神经网络进行网络训练；
步骤S4：获取待测眼底图像，输入到完成训练后的融合卷积神经网络中，并在融合卷积神经网络的全连接层结合医学病史数据，输出待测眼底图像的预测值，根据预测值判别待测眼底图像是否属于青光眼眼底图像。
图像预处理包括图像裁剪操作、图像像素归一化处理和图像对比度增强操作。
原始训练数据库中正常眼底图像和青光眼眼底图像的类别标记的数量比率为1:1。
步骤S2中训练范例眼底图像进行数据增强的步骤具体为：
步骤S201：训练范例眼底图像以眼底视盘为中心进行降采样，得到像素为256x256的眼底图像，按照整数值裁剪窗口通过图像滑窗方法对得到的眼底图像进行裁剪；
步骤S202：对裁剪得到的眼底图像进行垂直和水平镜像以及旋转操作，得到数据增强的训练范例眼底图像。
步骤S201中对得到的眼底图像进行裁剪的次数为5次。
步骤S202中的旋转操作包括90°旋转操作、180°旋转操作以及270°旋转操作。
步骤S3中融合卷积神经网络进行网络训练时，按照初始学习率对神经网络的参数进行调整，初始学习率为0.003。
融合卷积神经网络中设有4个改进型残差50层网络，如图2所示，改进型残差50层网络包括22层神经元，依次分别为输入图像层、卷积层、最大池化层、16个残差节点层、平均池化层、全连接层、概率输出层。
卷积层是采用ReLU激活函数进行信号传递。
最大池化层利用卷积核通过局部响应正则化与后续层级连接。
全连接层以神经元全连接的形式与前后相邻层级相连。
步骤S4中医学病史数据与全连接层的结合方式为矢量化联接。
每轮训练的学习率均小于或等于前一轮训练的学习率。
融合卷积神经网络的网络训练损失函数为交叉熵损失函数，通过基于动量的随机梯度下降算法来模拟数据变化的惯性，对最终的更新方向进行微调，增加了学习的稳定性，提高了摆脱局部干扰的能力，具体如下：
Δyt＝n*Δyt-1-α*Bt
其中，Δyt和Δyt-1分别为t与t-1时刻的位移更新，n表示动量，α为学习率，Bt为t时刻的梯度。
如图3所示，每个残差节点中设有多个依次连接的卷积层。
如图2所示，最大池化层用于在上一层输出中利用滑窗来取最大值作为这一层的输出，从而对传递参数进行降维处理过程，减少了后续计算量提高了网络的计算速度；在卷积层与卷积层之间衔接丢弃层(dropout)，主要用于在训练过程中暂时性随机丢弃隐藏层中的一部分神经元，防止网络发生过拟合问题，同时降低了参数维度，减轻网络训练所需时间；输出层经过softmax分类器输出预测值0或1，1代表患有青光眼眼底图像而0代表正常眼眼底图像。
本发明使用26585幅原始眼底图像输入融合卷积神经网络进行训练，在测试集中的准确率达到了94.1％，灵敏性达到了95.7％，特异性达到了92.9％，AUC值达到了99.2％，说明本发明对于青光眼的检测具有较高的分类准确性和可靠性。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于深度学习的青光眼眼底图像检测方法，其特征在于，具体包括以下步骤：
步骤S1：获取原始眼底数据和医学病史数据，对所述原始眼底数据进行类别标记和图像预处理，得到训练范例眼底图像，将多个训练范例眼底图像组成用于卷积神经网络训练的原始训练数据库；
步骤S2：所述原始训练数据库中的训练范例眼底图像进行数据增强，得到数据增强训练数据库；
步骤S3：根据正常眼底图像和青光眼眼底图像进行分类建立相应的融合卷积神经网络，所述数据增强训练数据库输入到融合卷积神经网络进行网络训练；
步骤S4：获取待测眼底图像，输入到完成训练后的融合卷积神经网络中，并在融合卷积神经网络的全连接层结合所述医学病史数据，输出所述待测眼底图像的预测值，根据所述预测值判别待测眼底图像是否属于青光眼眼底图像。
2.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述图像预处理包括图像裁剪操作、图像像素归一化处理和图像对比度增强操作。
3.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述原始训练数据库中正常眼底图像和青光眼眼底图像的类别标记的数量比率为1:1。
4.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述步骤S2中训练范例眼底图像进行数据增强的步骤具体为：
步骤S201：所述训练范例眼底图像进行降采样，得到像素为256x256的眼底图像，按照整数值裁剪窗口对得到的眼底图像进行裁剪；
步骤S202：对裁剪得到的眼底图像进行垂直和水平镜像以及旋转操作，得到数据增强的训练范例眼底图像。
5.根据权利要求4所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述步骤S201中对得到的眼底图像进行裁剪的次数为5次。
6.根据权利要求4所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述步骤S202中的旋转操作包括90°旋转操作、180°旋转操作以及270°旋转操作。
7.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述步骤S3中融合卷积神经网络进行网络训练时，按照初始学习率对神经网络的参数进行调整。
8.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述融合卷积神经网络中设有4个改进型残差50层网络，所述改进型残差50层网络包括22层神经元，依次分别为输入图像层、卷积层、最大池化层、16个残差节点层、平均池化层、全连接层、概率输出层。
9.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述步骤S4中医学病史数据与全连接层的结合方式为矢量化联接。
10.根据权利要求1所述的一种基于深度学习的青光眼眼底图像检测方法，其特征在于，所述融合卷积神经网络的网络训练损失函数为交叉熵损失函数，梯度优化算法为动量随机梯度下降算法。
CN202010708083.5A 2020-07-22 2020-07-22 一种基于深度学习的青光眼眼底图像检测方法 Pending CN111784687A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010708083.5A CN111784687A (zh) 2020-07-22 2020-07-22 一种基于深度学习的青光眼眼底图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010708083.5A CN111784687A (zh) 2020-07-22 2020-07-22 一种基于深度学习的青光眼眼底图像检测方法

Publications (1)

Publication Number Publication Date
CN111784687A true CN111784687A (zh) 2020-10-16

Family

ID=72763791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010708083.5A Pending CN111784687A (zh) 2020-07-22 2020-07-22 一种基于深度学习的青光眼眼底图像检测方法

Country Status (1)

Country Link
CN (1) CN111784687A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686855A (zh) * 2020-12-28 2021-04-20 博奥生物集团有限公司 一种眼象与症状信息的信息关联方法
WO2022205780A1 (zh) * 2021-03-29 2022-10-06 中国科学院深圳先进技术研究院 基于跨模态关系推理的眼部检测数据的分类方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108139A1 (en) * 2016-10-19 2018-04-19 U.S. Department Of Veterans Affairs System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks
CN108665447A (zh) * 2018-04-20 2018-10-16 浙江大学 一种基于眼底照相深度学习的青光眼图像检测方法
CN108764342A (zh) * 2018-05-29 2018-11-06 广东技术师范学院 一种对于眼底图中视盘和视杯的语义分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180108139A1 (en) * 2016-10-19 2018-04-19 U.S. Department Of Veterans Affairs System And Method For N-Dimensional Image Segmentation Using Convolutional Neural Networks
CN108665447A (zh) * 2018-04-20 2018-10-16 浙江大学 一种基于眼底照相深度学习的青光眼图像检测方法
CN108764342A (zh) * 2018-05-29 2018-11-06 广东技术师范学院 一种对于眼底图中视盘和视杯的语义分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张悦等: ""人工智能关于视盘区多任务深度学习模型在青光眼分类中的应用"", 《中华眼科医学杂志》 *
邢新颖: ""基于卷积神经网络的脑网络分类方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686855A (zh) * 2020-12-28 2021-04-20 博奥生物集团有限公司 一种眼象与症状信息的信息关联方法
CN112686855B (zh) * 2020-12-28 2024-04-16 博奥生物集团有限公司 一种眼象与症状信息的信息关联方法
WO2022205780A1 (zh) * 2021-03-29 2022-10-06 中国科学院深圳先进技术研究院 基于跨模态关系推理的眼部检测数据的分类方法及装置

Similar Documents

Publication Publication Date Title
Kwasigroch et al. Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy
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
CN110837803B (zh) 基于深度图网络的糖尿病视网膜病变分级方法
CN108876775B (zh) 糖尿病性视网膜病变的快速检测方法
CN108921227B (zh) 一种基于capsule理论的青光眼医学影像分类方法
CN108665447B (zh) 一种基于眼底照相深度学习的青光眼图像检测方法
EP3659067B1 (en) Method of modifying a retina fundus image for a deep learning model
CN109345538A (zh) 一种基于卷积神经网络的视网膜血管分割方法
Sertkaya et al. Diagnosis of eye retinal diseases based on convolutional neural networks using optical coherence images
CN111938569A (zh) 基于深度学习的眼底多病种分类的检测方法
CN111784687A (zh) 一种基于深度学习的青光眼眼底图像检测方法
CN113887662A (zh) 一种基于残差网络的图像分类方法、装置、设备及介质
Chaudhary et al. Detection of diabetic retinopathy using machine learning algorithm
Bulut et al. Deep learning approach for detection of retinal abnormalities based on color fundus images
Sunanthini et al. Comparison of CNN algorithms for feature extraction on fundus images to detect glaucoma
Yang et al. Retinal vessel segmentation based on an improved deep forest
CN113011340B (zh) 一种基于视网膜图像的心血管手术指标风险分类方法及系统
Triyadi et al. Deep learning in image classification using vgg-19 and residual networks for cataract detection
Purwanithami et al. Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation
Sharma et al. Automatic glaucoma diagnosis in digital fundus images using convolutional neural network
Chakravarthy et al. DR-NET: A Stacked Convolutional Classifier Framework for Detection of Diabetic Retinopathy
Renukadevi et al. Categorization of diabetic retinopathy using deep learning techniques
Mary et al. A comprehensive survey on deep learning based automated diabetic retinopathy detection
Kazi et al. Processing retinal images to discover diseases
Yu Joint segmentation of optic cup and optic disc using deep convolutional generative adversarial 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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016