CN111785354A - 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 - Google Patents
一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 Download PDFInfo
- Publication number
- CN111785354A CN111785354A CN202010493990.2A CN202010493990A CN111785354A CN 111785354 A CN111785354 A CN 111785354A CN 202010493990 A CN202010493990 A CN 202010493990A CN 111785354 A CN111785354 A CN 111785354A
- Authority
- CN
- China
- Prior art keywords
- ophthalmic
- neural network
- data
- parameter extraction
- extraction algorithm
- 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
- 208000017667 Chronic Disease Diseases 0.000 title claims abstract description 37
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 45
- 230000006870 function Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 210000004204 blood vessel Anatomy 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 210000001525 retina Anatomy 0.000 claims description 5
- FCKYPQBAHLOOJQ-UHFFFAOYSA-N Cyclohexane-1,2-diaminetetraacetic acid Chemical compound OC(=O)CN(CC(O)=O)C1CCCCC1N(CC(O)=O)CC(O)=O FCKYPQBAHLOOJQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 11
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 238000011282 treatment Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 230000018109 developmental process Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract 3
- 238000003384 imaging method Methods 0.000 description 9
- 230000002207 retinal effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012634 optical imaging Methods 0.000 description 4
- 230000008485 antagonism Effects 0.000 description 3
- 230000017531 blood circulation Effects 0.000 description 3
- 210000001736 capillary Anatomy 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000007135 Retinal Neovascularization Diseases 0.000 description 2
- 206010039966 Senile dementia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000005590 Choroidal Neovascularization Diseases 0.000 description 1
- 206010060823 Choroidal neovascularisation Diseases 0.000 description 1
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000002159 anterior chamber Anatomy 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 239000011800 void material 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，属于眼科AI算法技术领域。该面向慢性病辅助诊断的眼科AI生物特征参数提取算法包括如下步骤：S1：建立M‑Net卷积神经网络模型；S2：M‑Net卷积神经网络模型对眼科数据进行标记分割为多个分割数据；S3：从分割数据中提取用以辅助慢性病诊断的生物特征参数。本发明中首先建立M‑Net卷积神经网络模型，方便后续将眼科数据分割，接着通过M‑Net模型对眼科数据进行标记分割为多个分割数据，分割精度较高，最后从分割数据中提取用以辅助慢性病诊断的生物特征参数，方便医生获取正常人和患者的这些生物特征参数上的差异，方便医生对病情发展趋势和治疗效果进行有效的评估。
Description
技术领域
本发明属于眼科AI算法技术领域，涉及一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法。
背景技术
近些年，人类死亡的主要因素由传染性疾病过渡到慢性非传染性疾病，其简称为慢性病，其简称为慢性病，主要包括糖尿病、高血压、老年痴呆、心血管病、慢性肾脏病等。慢性病不仅危害人体健康，而且对社会和经济也有很大的危害，每年国家都需要花费大量的卫生费用于慢性病的诊断及治疗。眼底视网膜是全身唯一可在活体直接并集中观察动脉、静脉和毛细血管的部位，这些血管可以反映人全身血液循环的动态以及健康状况，视网膜病变是多种慢性病的标志性特征，眼底检查不仅是检查人眼疾病的重要方法，更可以作为多种疾病（如各种慢性病等）监测的“窗口”，成为早期筛查和精确诊断的标准，眼底检查成为辅助慢性病精确诊断的一种有效手段。临床上，越来越多的内分泌科、神经内科等科室的医生开始借助眼科检查来提升慢性病诊断的准确性。然而，针对慢性病的眼科检查刚刚起步，眼科医生需辅助内科医生解读病人眼底检查结果，从而增加很多额外工作量。目前还没有从通过AI算法从眼科影像中获取方便诊断用户慢性病的生物特征参数。
中国专利CN 109998599A公开了一种基于AI技术的光/声双模成像眼底疾病诊断系统，属于人工智能技术领域。所述诊断系统包括：眼科超声成像模块、眼科光学成像模块、光/声双模图像融合模块和眼底疾病诊断模块；眼科超声成像模块用于超声成像获得眼底图像；眼科光学成像模块用于光学成像获得眼底图像；光/声双模图像融合模块，用于融合超声成像获得眼底图像和光学成像获得眼底图像；眼底疾病诊断模块，根据融合后的图像，利用人工智能实现眼底疾病的自动诊断。本发明通过光/声双模成像，将光学和超声成像集成在一台设备上，根据融合后的图像进行诊断，使得获得的眼底图像不受屈光间质影响，解决了分辨率有限的问题。上述专利中通过AI技术分析眼底图像从而诊断眼底疾病，没有从眼底图像中获取生物特征参数，不能根据生物特征参数诊断慢性病。
发明内容
本发明针对现有的技术存在的上述问题，提供一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，本发明所要解决的技术问题是：如何提供一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法。
本发明的目的可通过下列技术方案来实现：
一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，包括如下步骤：
S1：建立M-Net卷积神经网络模型，所述M-Net 卷积神经网络模型包括用以构建图像金字塔输入并实现不同层级融合的多尺度输入层、用以作为主体结构学习丰富的层次表示的U-Net卷积神经网络、用以在早期卷积层支持深层监督的侧输出层、用以确保同一图像上不同标签特征同时进行分割的多标签损失函数；
S2：M-Net卷积神经网络模型对眼科数据进行标记分割为多个分割数据；
S3：从分割数据中提取用以辅助慢性病诊断的生物特征参数。
优选的，所述M-Net卷积神经网络包括编码器路径、解码器路径，每个所述编码器路径在执行卷积层时产生编码器特征图，所述编码器路径利用ReLU激活函数逐个激活像素，所述解码器路径利用卷积层输出解码器特征图。
优选的，所述侧输出层的目标函数为
，其中W表示所有标准卷积层的参数，M为在网络中侧输出层的个数，权重为w =（w（1），...，w（M）），αm为各个侧输出层的损失函数融合权重，m为侧输出数，
为第m侧输出层的多标签损失。
优选的，步骤S1中还包括通过训练数据对M-Net卷积神经网络模型进行源映射和目标映射的适配训练以形成M-Net适配模型。
优选的，适配过程中利用对抗性训练最小化目标域和源域特征空间的距离。
优选的，在适配过程中通过利用GAN损失函数来实现对抗性训练，两个函数从源网络和目标网络生成的空间被馈送到判别器D，判别器被训练以将输入特征空间映射成二进制域标签，其中true表示源域，false表示目标域。
优选的，所述眼科数据为新生血管（ERNV）图像，步骤S3中包括首先扫描图像并将视网膜中ILM以下的部分遮罩以形成遮罩图像，然后基于Otsu阈值方法和二值化对遮罩图像单帧中的ERNV进行分割以形成三维体数据，最后将三维体数据每一帧中分割出的ERNV像素进行累加以获取ERNV体积。
优选的，所述眼科数据为黄斑中心凹图像，步骤S3中包括首先采用卷积神经网络给黄斑中心凹进行定位以形成图像分层，然后根据分层结果中的RPE层位置将图像拉平，最后计算出层与中心凹之间的垂直距离以获取黄斑中心凹厚度（CTF）。
优选的，所述眼科数据包括眼底彩照、OCT图像、OCTA图像、AS OCT图像、角膜神经图。
优选的，所述M-Net 卷积神经网络模型还包括用以组合侧输出层输出的图并绘制为最终预测图的平均层。
本发明中的有益效果：1、首先建立M-Net卷积神经网络模型，M-Net 卷积神经网络模型包括用以构建图像金字塔输入并实现不同层级融合的多尺度输入层、用以作为主体结构学习丰富的层次表示的U-Net卷积神经网络、用以在早期卷积层支持深层监督的侧输出层、用以确保同一图像上不同标签特征同时进行分割的多标签损失函数，方便后续将眼科数据分割，接着通过M-Net模型对眼科数据进行标记分割为多个分割数据，分割精度较高，最后从分割数据中提取用以辅助慢性病诊断的生物特征参数，方便医生获取正常人和患者的这些生物特征参数上的差异，方便医生对病情发展趋势和治疗效果进行有效的评估；
2、每个编码器路径在执行卷积层时产生编码器特征图，编码器路径利用ReLU激活函数逐个激活像素，解码器路径利用卷积层输出解码器特征图，在最终解码器路径的输出处的高维特征被送到可训练的多标签分类器，最终分类利用1×1卷积层和Sigmoid激活作为像素级分类来生成概率图，对于多标签分割，输出是一个K通道概率图，其中K是类号，预测的概率图对应于每个像素处概率最大的类，预测效率较高；
3、侧输出层作为一个产生早期图层的分类器，侧输出层的输出损失与最终层损失反向传播到解码路径的早期层，可以缓解梯度消失问题，有助于早期层的训练，同时侧输出层可以监督每个尺度的输出图，以获得更好的结果；
4、在用户需要使用本申请的算法时通过用户的训练数据对M-Net模型进行源映射和目标映射的适配训练，提高用户数据和M-Net卷积神经网络模型的适配性，方便后续通过M-Net卷积神经网络模型从用户数据提取生物特征参数，提高诊断精度。
附图说明
图1是本发明中的流程示意图；
图2是本发明中的各种模态影像的生物标记参数表；
图3是本发明中的ERNV体积的自动算法流程与结果示例图；
图4是本发明中的CTF自动测量流程和结果示例图。
具体实施方式
以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
请参阅图1，本实施例中的面向慢性病辅助诊断的眼科AI生物特征参数提取算法，包括如下步骤：
S1：建立M-Net卷积神经网络模型，M-Net 卷积神经网络模型包括用以构建图像金字塔输入并实现不同层级融合的多尺度输入层、用以作为主体结构学习丰富的层次表示的U-Net卷积神经网络、用以在早期卷积层支持深层监督的侧输出层、用以确保同一图像上不同标签特征同时进行分割的多标签损失函数；
S2：M-Net卷积神经网络模型对眼科数据进行标记分割为多个分割数据；
S3：从分割数据中提取用以辅助慢性病诊断的生物特征参数。
此处，首先建立M-Net卷积神经网络模型，M-Net 卷积神经网络模型包括用以构建图像金字塔输入并实现不同层级融合的多尺度输入层、用以作为主体结构学习丰富的层次表示的U-Net卷积神经网络、用以在早期卷积层支持深层监督的侧输出层、用以确保同一图像上不同标签特征同时进行分割的多标签损失函数，方便后续将眼科数据分割，接着通过M-Net模型对眼科数据进行标记分割为多个分割数据，分割精度较高，最后从分割数据中提取用以辅助慢性病诊断的生物特征参数，方便医生获取正常人和患者的这些生物特征参数上的差异，方便医生对病情发展趋势和治疗效果进行有效的评估，本申请中的算法能够实现自动、快速的完成多模态数据AI算法处理，极大程度的提高糖尿病、高血压、老年痴呆等慢性病的诊疗效率和准确度。
多尺度输入层可以有效地改进分割的质量，具体实现使用平均池层自然地对图像进行降采样，并在编码器路径中构造多尺度输入，这样做的具体优势是：1） 将多尺度输入集成到解码器层中，以避免参数的大幅度增长；2）增加解码器路径的网络宽度。多标签损失函数，可以较好地处理了眼底图像像素级分割的多标签和不平衡数据。
M-Net卷积神经网络模型是采用在U-Net卷积神经网络的基础上改进提出的，对卷积神经网络中的眼科生物进行标记分割，与U-Net卷积神经网络架构类似，M-Net卷积神经网络可以包括编码器路径、解码器路径。每个编码器路径在执行卷积层时产生编码器特征图，编码器路径利用ReLU激活函数逐个激活像素，解码器路径利用卷积层输出解码器特征图，中间的跳连接从编码器路径传输相应的特征映射，并将它们连接到上采样的解码器特征映射上，在最终解码器路径的输出处的高维特征被送到可训练的多标签分类器，最终分类利用1×1卷积层和Sigmoid激活作为像素级分类来生成概率图，对于多标签分割，输出是一个K通道概率图，其中K是类号，预测的概率图对应于每个像素处概率最大的类，预测效率较高。
侧输出层的目标函数可以为
，其中W表示所有标准卷积层的参数，M为在网络中侧输出层的个数，权重为w =（w（1），...，w（M）），αm为各个侧输出层的损失函数融合权重，m为侧输出数，
为第m侧输出层的多标签损失。在M-Net中，引入了侧输出层，它作为一个分类器，为早期的层生成一个相应的局部输出映射，侧输出层的输出损失与最终层损失反向传播到解码路径的早期层，可以缓解梯度消失问题，有助于早期层的训练，同时侧输出层可以监督每个尺度的输出图，以获得更好的结果。
步骤S1中还可以包括通过训练数据对M-Net卷积神经网络模型进行源映射和目标映射的适配训练以形成M-Net适配模型。为了消除多模态成像设备以及采集设备上的差异，将本发明前期M-Net 卷积神经网络模型更好地融入到用户的设备上，在用户需要使用本申请的算法时通过用户的训练数据对M-Net模型进行源映射和目标映射的适配训练，提高用户数据和M-Net卷积神经网络模型的适配性，方便后续通过M-Net卷积神经网络模型从用户数据提取生物特征参数，提高诊断精度，对发明中的M-Net卷积神经网络模型进行适配，将算法适配到用户的数据上，从而将算法更好的融入到用户的设备上。
适配过程中可以利用对抗性训练最小化目标域和源域特征空间的距离，通过使用对抗性学习，最小化这2个空间之间的差异，从而进行适配。
在适配过程中可以通过利用GAN损失函数来实现对抗性训练，两个函数从源网络和目标网络生成的空间被馈送到判别器D，判别器被训练以将输入特征空间映射成二进制域标签，其中true表示源域，false表示目标域。
请参阅图3，眼科数据可以为新生血管（ERNV）图像，步骤S3中包括首先扫描图像并将视网膜中ILM以下的部分遮罩以形成遮罩图像，然后基于Otsu阈值方法和二值化对遮罩图像单帧中的ERNV进行分割以形成三维体数据，最后将三维体数据每一帧中分割出的ERNV像素进行累加以获取视网膜外周ERNV体积。图3中（A）是ROP三维体数据，图3中（B）是图3（A）中白线位置的切面图，从图3中（B）中可以清晰地观察到ERNV（白色箭头所指），ERNV体积计算流程如图3中(D)所示。
请参阅图4，眼科数据可以为黄斑中心凹图像，步骤S3中包括首先采用卷积神经网络给黄斑中心凹进行定位以形成图像分层，然后根据分层结果中的RPE层位置将图像拉平，最后计算出层与中心凹之间的垂直距离以获取视网膜外周黄斑中心凹厚度（CTF）。如图4中(C)所示，采用卷积神经网络(CNN)的方式实现黄斑中心凹的精确定位。采用动态训练的方法，通过将每次训练迭代的输出赋值给周边区域，以提高这种不均衡问题的训练效率。图4中(A)中的圆点是采用上述CNN方法的黄斑中心凹定位结果。图4中(D)是CTF的自动测量流程示意图，在完成了图像分层和黄斑中心凹定位后，首先根据分层结果中的RPE层位置进行眼底图像的拉平，结果如图4中(B)中所示。之后算出层与中心凹之间的垂直距离即为CTF(白色双向箭头）。其他模态影像可以采用和视网膜外周新生血管（ERNV）体积和黄斑中心凹厚度（CTF）类似的操作来实现标记提取过程。
请参阅图2，眼科数据可以包括眼底彩照、OCT图像、OCTA图像、AS OCT图像、角膜神经图。眼科数据为眼底彩照时的生物特征参数可以包括血管扭曲度、血管尺寸、动静脉血管比例、分形维数、杯盘比、病变区域面积、病变区域占比其中的一种或者多种。眼科数据为OCT图像时的生物特征参数可以包括视网膜各层厚度、视网膜各层光密度、脉络膜厚度、脉络膜大血管密度、脉络膜血流指数、病变区域面积、病变区域占比、视网膜外新生血管面积其中的一种或者多种。眼科数据为OCTA图像时的生物特征参数可以包括黄斑中心凹无血管区面积、黄斑区各层视网膜血管密度、黄斑区各层视网膜血流指数、视网膜或脉络新生血管面积、视盘区毛细血管密度、脉络膜毛细血管空洞占比其中的一种或者多种。眼科数据为ASOCT图像时的生物特征参数可以包括瞳孔直径、角膜厚度、前房深度、虹膜面积、房角开放距离、房角开放度、小梁虹膜空间面积、房角隐窝面积其中的一种或者多种。眼科数据为角膜神经图像时的生物特征参数可以包括角膜神经扭曲度、角膜神经尺寸、角膜神经密度其中的一种或者多种。
M-Net 卷积神经网络模型还可以包括用以组合侧输出层输出的图并绘制为最终预测图的平均层。为了直接利用侧输出层的预测图，采用一个平均层来组合所有侧输出层的输出图作为最终预测图。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于，包括如下步骤：
S1：建立M-Net卷积神经网络模型，所述M-Net 卷积神经网络包括用以构建图像金字塔输入并实现不同层级融合的多尺度输入层、用以作为主体结构学习丰富的层次表示的U-Net卷积神经网络、用以在早期卷积层支持深层监督的侧输出层、用以确保同一图像上不同标签特征同时进行分割的多标签损失函数；
S2：M-Net卷积神经网络模型对眼科数据进行标记分割为多个分割数据；
S3：从分割数据中提取用以辅助慢性病诊断的生物特征参数。
2.如权利要求1所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述M-Net卷积神经网络包括编码器路径、解码器路径，每个所述编码器路径在执行卷积层时产生编码器特征图，所述编码器路径利用ReLU激活函数逐个激活像素，所述解码器路径利用卷积层输出解码器特征图。
3.如权利要求1或2所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述侧输出层的目标函数为
，其中W表示所有标准卷积层的参数，M为在网络中侧输出层的个数，权重为w =（w（1），...，w（M）），αm为各个侧输出层的损失函数融合权重，m为侧输出数，
为第m侧输出层的多标签损失。
4.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：步骤S1中还包括通过训练数据对M-Net卷积神经网络模型进行源映射和目标映射的适配训练以形成M-Net适配模型。
5.如权利要求4所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：适配过程中利用对抗性训练最小化目标域和源域特征空间的距离。
6.如权利要求5所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：在适配过程中通过利用GAN损失函数来实现对抗性训练，两个函数从源网络和目标网络生成的空间被馈送到判别器D，判别器被训练以将输入特征空间映射成二进制域标签，其中true表示源域，false表示目标域。
7.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述眼科数据为新生血管（ERNV）图像，步骤S3中包括首先扫描图像并将视网膜中ILM以下的部分遮罩以形成遮罩图像，然后基于Otsu阈值方法和二值化对遮罩图像单帧中的ERNV进行分割以形成三维体数据，最后将三维体数据每一帧中分割出的ERNV像素进行累加以获取ERNV体积。
8.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述眼科数据为黄斑中心凹图像，步骤S3中包括首先采用卷积神经网络给黄斑中心凹进行定位以形成图像分层，然后根据分层结果中的RPE层位置将图像拉平，最后计算出层与中心凹之间的垂直距离以获取黄斑中心凹厚度（CTF）。
9.如权利要求8所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述眼科数据包括眼底彩照、OCT图像、OCTA图像、AS OCT图像、角膜神经图。
10.如权利要求3所述的一种面向慢性病辅助诊断的眼科AI生物特征参数提取算法，其特征在于：所述M-Net 卷积神经网络还包括用以组合侧输出层输出的图并绘制为最终预测图的平均层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010493990.2A CN111785354A (zh) | 2020-06-03 | 2020-06-03 | 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010493990.2A CN111785354A (zh) | 2020-06-03 | 2020-06-03 | 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111785354A true CN111785354A (zh) | 2020-10-16 |
Family
ID=72753689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010493990.2A Pending CN111785354A (zh) | 2020-06-03 | 2020-06-03 | 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111785354A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112908466A (zh) * | 2021-01-13 | 2021-06-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
| CN115862870A (zh) * | 2022-12-16 | 2023-03-28 | 深圳市携康网络科技有限公司 | 一种基于人工智能的慢性病管理系统及方法 |
| CN117726642A (zh) * | 2024-02-07 | 2024-03-19 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
| CN117726642B (zh) * | 2024-02-07 | 2024-05-31 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108836257A (zh) * | 2018-06-15 | 2018-11-20 | 杭州富扬科技有限公司 | 一种眼底oct图像中视网膜分层方法 |
| CN110992382A (zh) * | 2019-12-30 | 2020-04-10 | 四川大学 | 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统 |
-
2020
- 2020-06-03 CN CN202010493990.2A patent/CN111785354A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108836257A (zh) * | 2018-06-15 | 2018-11-20 | 杭州富扬科技有限公司 | 一种眼底oct图像中视网膜分层方法 |
| CN110992382A (zh) * | 2019-12-30 | 2020-04-10 | 四川大学 | 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| HUAZHU FU，JUN CHENG等: "Joint Optic Disc and Cup Segmentation Based on Multi-Label Deep Network and Polar Transformation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, 9 January 2018 (2018-01-09), pages 1 - 8 * |
| 周蕾: "眼底相干扫描图像中脉络膜血管的自动分割", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》, 15 July 2018 (2018-07-15) * |
| 许冬等: "基于卷积神经网络UNet构建糖尿病性黄斑水肿自动识别模型", 《眼科新进展》, no. 04, 5 April 2020 (2020-04-05) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112908466A (zh) * | 2021-01-13 | 2021-06-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
| CN112908466B (zh) * | 2021-01-13 | 2023-08-04 | 中国科学院计算技术研究所 | 基于迁移学习的阿尔兹海默病智能决策支持方法及系统 |
| CN115862870A (zh) * | 2022-12-16 | 2023-03-28 | 深圳市携康网络科技有限公司 | 一种基于人工智能的慢性病管理系统及方法 |
| CN115862870B (zh) * | 2022-12-16 | 2023-11-24 | 深圳市携康网络科技有限公司 | 一种基于人工智能的慢性病管理系统及方法 |
| CN117726642A (zh) * | 2024-02-07 | 2024-03-19 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
| CN117726642B (zh) * | 2024-02-07 | 2024-05-31 | 中国科学院宁波材料技术与工程研究所 | 一种用于光学相干断层扫描图像的高反射病灶分割方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101977645B1 (ko) | 안구영상 분석방법 | |
| CN112601487A (zh) | 医学图像处理装置、医学图像处理方法和程序 | |
| CN109528155B (zh) | 一种适用于高度近视并发开角型青光眼的智能筛查系统及其建立方法 | |
| CN107045720A (zh) | 用于识别眼底图像病变的人工神经网络及系统 | |
| Li et al. | Automatic cataract diagnosis by image-based interpretability | |
| Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
| KR102071774B1 (ko) | 안구영상을 이용한 심뇌혈관 질환 예측방법 | |
| CN111785363A (zh) | 一种基于ai引导的慢性病辅助诊断系统 | |
| WO2017020045A1 (en) | System and methods for malarial retinopathy screening | |
| Ram et al. | The relationship between Fully Connected Layers and number of classes for the analysis of retinal images | |
| CN111785354A (zh) | 一种面向慢性病辅助诊断的眼科ai生物特征参数提取算法 | |
| WO2020005053A1 (es) | Sistema portátil para la identificación de casos potenciales de edema macular diabético mediante procesamiento de imagen e inteligencia artificial | |
| CN110013216A (zh) | 一种人工智能白内障分析系统 | |
| JP2022084511A (ja) | 画像処理システムおよび画像処理方法 | |
| KR102343796B1 (ko) | 안구영상을 이용한 심혈관계 질환 예측방법 | |
| Pinos-Velez et al. | Implementation of support tools for the presumptive diagnosis of Glaucoma through identification and processing of medical images of the human eye | |
| Prasher et al. | Automated Eye Disease Classification using MobileNetV3 and EfficientNetB0 Models using Transfer Learning | |
| Kiresur et al. | Automatic detection of diabetic retinopathy in fundus image: a survey | |
| Listyalina et al. | Detection of optic disc centre point in retinal image | |
| Taş et al. | Deep learning for ophthalmological images | |
| KR102426065B1 (ko) | 안구영상을 이용한 심혈관계 질환 예측방법 | |
| Kubicek et al. | Optical nerve segmentation using the active shape method | |
| Tian et al. | Auto-Grading OCT Images Diagnostic Tool for Retinal Diseases | |
| US20240008811A1 (en) | Using artificial intelligence to detect and monitor glaucoma | |
| Catalán Flores | Development of an algorithm for the detection of retinal lesions |
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 |
Application publication date: 20201016 |
|
| RJ01 | Rejection of invention patent application after publication |