CN111862020B - 一种眼前节生理年龄预测方法、装置、服务器及存储介质 - Google Patents
一种眼前节生理年龄预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111862020B CN111862020B CN202010668609.1A CN202010668609A CN111862020B CN 111862020 B CN111862020 B CN 111862020B CN 202010668609 A CN202010668609 A CN 202010668609A CN 111862020 B CN111862020 B CN 111862020B
- Authority
- CN
- China
- Prior art keywords
- neural network
- ocular segment
- anterior ocular
- network model
- optical coherence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 117
- 238000003062 neural network model Methods 0.000 claims abstract description 106
- 238000012549 training Methods 0.000 claims abstract description 99
- 238000001514 detection method Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 208000002177 Cataract Diseases 0.000 claims description 6
- 208000010412 Glaucoma Diseases 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 208000030533 eye disease Diseases 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004087 cornea Anatomy 0.000 description 1
- 210000000695 crystalline len Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- 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
- G06T2207/10072—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
- G06T2207/20—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 Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明实施例公开了一种眼前节生理年龄预测方法、装置、服务器及存储介质。该方法包括:获取待测用户的眼部的眼前节光学相干断层扫描图像;将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
Description
技术领域
本发明实施例涉及图像处理技术领域,尤其涉及一种眼前节生理年龄预测方法、装置、服务器及存储介质。
背景技术
实际年龄,也就是从出生的日期开始确定和计算的时间年龄,这只是一个时间的概念。为了更好的表示人的生理发展水平和机体状态,有人提出了生理年龄这一概念。生理年龄是从医学、生物学的角度来衡量的年龄,它表示人的成长、成熟或衰老的程度,是一个人身体状况的年龄表现。因此生理年龄可以间接反映一个人的身体健康状态,同时对于机体异常的监测和早期疾病的判断有重要意义。
人眼形态会随实际年龄的变化而改变,除此之外,它还会受一些疾病及其他因素的影响,本工作主要是对眼睛所表现出的生理年龄进行建模,并研究其与各类眼疾之间的关系。该模型可以用在一些早期眼疾的筛查。
已有研究在眼底图像上提取年龄特征并进行年龄预测,但没有验证其预测的生理年龄与具体疾病的关系,因此实用性不强。
发明内容
本发明实施例提供一种眼前节生理年龄预测方法、装置、服务器及存储介质,以实现提高眼前节生理年龄预测的准确率。
第一方面,本发明实施例提供了一种眼前节生理年龄预测方法,包括:
获取待测用户的眼部的眼前节光学相干断层扫描图像;
将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。
可选的,所述获取待测用户的眼部的眼前节光学相干断层扫描图像,包括:
获取待测用户的眼部的原始眼前节光学相干断层扫描图像;
判断所述原始眼前节光学相干断层扫描图像是否存在噪声或多余背景;
若是,则对所述原始眼前节光学相干断层扫描图像去噪和裁剪多余背景,得到处理后的眼前节光学相干断层扫描图像。
可选的,在获取待测用户的眼部的眼前节光学相干断层扫描图像之前,还包括对所述神经网络模型进行训练;所述对所述神经网络模型进行训练,包括:
采集大量标记有年龄标签的眼前节光学相干断层扫描图像生成训练样本集,其中,所述眼前节光学相干断层扫描图像作为训练输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为训练输出数据;
将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练。
可选的,在对所述神经网络模型进行训练之后,还包括对所述神经网络模型进行检测,所述对所述神经网络模型进行检测,包括:
采集大量未用作模型训练的标记有年龄标签的眼前节光学相干断层扫描图像生成检测样本集,其中,所述眼前节光学相干断层扫描图像作为检测输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为检测输出数据;
将所述检测样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行预测,以输出检测数据的模型预测结果;
根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度,确认所述神经网络模型是否需要继续训练。
可选的,所述神经网络模型为3D-ResNet模型。
可选的,在将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练之后,还包括:
根据训练输出结果与训练样本集的训练输出数据的比对确定出相应的损失函数,根据所述损失函数对所述神经网络模型的网络参数进行调整,直至所述损失函数收敛,得到训练完的神经网络。
可选的,所述损失函数为均方差损失函数。
第二方面,本发明实施例还提供了一种眼前节生理年龄预测装置,包括:
图像获取单元,用于获取待测用户的眼部的眼前节光学相干断层扫描图像;
年龄预测单元,用于将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。
第三方面,本发明实施例还提供了一种服务器,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一所述的眼前节生理年龄预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现上述实施例中任一所述的眼前节生理年龄预测方法。
本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
附图说明
图1是本发明实施例一中的一种眼前节生理年龄预测方法的流程示意图;
图2是本发明实施例一中的对神经网络模型进行训练的流程示意图;
图3是本发明实施例一中的对神经网络模型进行检测的流程示意图;
图4是本发明实施例二中的一种眼前节生理年龄预测装置的结构示意图;
图5是本发明实施例三中的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
此外,术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等,但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一速度差值称为第二速度差值,且类似地,可将第二速度差值称为第一速度差值。第一速度差值和第二速度差值两者都是速度差值,但其不是同一速度差值。术语“第一”、“第二”等不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种眼前节生理年龄预测方法的流程示意图,本发明实施例可适用于生理年龄预测的情况。本发明实施例的方法可以由一种眼前节生理年龄预测装置来执行,该装置可以由软件和/或硬件的方式实现,并一般可集成于服务器或终端设备中。参照图1,本发明实施例的一种眼前节生理年龄预测方法,具体包括如下步骤:
步骤S110、获取待测用户的眼部的眼前节光学相干断层扫描图像。
具体的,眼前节光学相干断层扫描(Anterior Segment Optical CoherenceTomography,AS-OCT)图像是扫描仪扫描时根据眼组织结构的不同光学散射性,采用光干涉法进行二维显像和定量分析得到的图像。与目前临床应用的其他眼前节检测手段相比,AS-OCT具有非接触性、高分辨率、可重复性高、获取图像快等优点。目前可应用于角膜、房角、晶状体等眼前节结构的生物测量和眼病研究,并可进行术前、术后的动态观察和实时成像。在本实施中,AS-OCT图像可以是健康眼图像、白内障眼图像、青光眼图像等等,本发明对此不作限定。
由于获取的AS-OCT图像可能存在噪声或多余背景,因此需要对噪声进行去噪,或裁剪多余背景,得到符合预测模型输入要求的输入图像。作为一可选实施例,步骤S110可替换为:
获取待测用户的眼部的原始眼前节光学相干断层扫描图像;
判断所述原始眼前节光学相干断层扫描图像是否存在噪声或多余背景;
若是,则对所述原始眼前节光学相干断层扫描图像去噪和裁剪多余背景,得到处理后的眼前节光学相干断层扫描图像。
步骤S120、将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。
在本发明实施例中,神经网络模型可以为三维残差卷积网络模型(3D-ResNet模型),在对该神经网络模型训练好之后,可以对图像进行处理,输入用户的AS-OCT图像,输出该用户的眼前节生理年龄。可以理解的,本发明实施例的模型也可以根据需要替换成其它模型,本发明对此不作限定。基于神经网络的方法,本实施例建立了眼前节生理年龄模型,并基于此模型还可以对白内障和青光眼两种眼疾所表现的生理年龄进行了分析,研究生理年龄与各类眼疾之间的关系,可以用在一些早期眼疾的筛查。
本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
图2是本发明实施例一提供的神经网络模型的训练流程图。一般而言,在利用该神经网络模型来预测眼前节生理年龄之前,需要对神经网络模型进行训练,通过训练调整该模型的计算参数,使得在使用时预测得更准确。例如,将健康人眼的AS-OCT图像随机划分为训练集与测试集,此外,测试集还包括所有患病人眼(白内障和青光眼)的数据。样本数据可以按9:1比列划分,90%用于训练模型,留出10%进行模型验证。如图2所示,对神经网络模型进行训练,包括:
步骤S210、采集大量标记有年龄标签的眼前节光学相干断层扫描图像生成训练样本集,其中,所述眼前节光学相干断层扫描图像作为训练输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为训练输出数据。
具体的,在本发明实施例中,采集大量标记有年龄标签的AS-OCT图像,对图像数据进行增强,包括去噪和裁剪多余背景,得到符合预测模型输入要求的训练图像。假设所有图像对应的年龄都在1-m(m为正整数,可以是80、90等等)之间,将每个AS-OCT图像对应的年龄标签标记位为一个长度为m的高斯分布,其中均值是每个AS-OCT图像对应的年龄,标准差可以为3。此外,还可以将所有年龄标签做一个分段处理,分为【m/10】个年龄段,并利用上述方法,将每张AS-OCT图像对应的年龄段变为高斯分布的形式,作为图像的粗糙标签。
步骤S220、将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练。
具体的,在采集大量样本图像生成训练样本集之后,将训练样本集的每个眼前节光学相干断层扫描图像输入至神经网络模型进行训练,通过训练调整该模型的计算参数,使得在使用时预测得更准确。本发明实施例的训练方式为有监督训练。对网络模型输入样本图像,根据网络模型输出的结果与标签结果的比对确定出相应的损失函数,以根据损失函数对网络模型的网络参数进行调整,进而完成对于网络模型的训练。具体的,在将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练之后,根据训练输出结果与训练样本集的训练输出数据的比对确定出相应的损失函数,根据所述损失函数对所述神经网络模型的网络参数进行调整,直至所述损失函数收敛,得到训练完的神经网络。
在本实施例中,由于本任务是一个对于大量连续性的类别的分类任务,因此首先基于已生成的粗糙标签对AS-OCT图像进行分类,作为我们最终分类网络的中间监督,该操作通过辅助监督损失函数实现,辅助监督损失函数由均方差损失函数表示,如下所示:
其中,表示AS-OCT图像的粗糙标签,也就是AS-OCT图像原始标记的年龄段的高斯分布,/>表示神经网络模型的中间层输出,也就是预测的年龄段的概率分布,N为样本数。
在经过神经网络中间的辅助监督之后,基于辅助监督损失函数监督得到的中间层特征,神经网络继续提取深层年龄特征,在神经网络的最后输出预测年龄的概率,输出为一个1×m的向量,向量的值表示该位置对应年龄的预测概率。另外,再次使用均方差损失函数:
其中,yi表示AS-OCT图像的年龄标签,即根据年龄生成的高斯分布,si表示神经网络的输出,也就是预测的生理年龄的概率,N为样本数。
通过以上两个损失函数表示出总损失,利用梯度下降不断迭代优化总损失直至收敛,得到训练完的神经网络。总的损失函数由以上两个损失函数的加权相加得到:
Ltotal=Lage+Laux
其中α,β为权重。
在本实施例中,根据损失函数对神经网络模型的网络参数进行调整,直至所述损失函数收敛,得到训练完的神经网络,使得在使用时预测得更准确。
图3是本发明实施例一提供的神经网络模型的检测流程图。在对神经网络模型进行训练之后,还包括对神经网络模型进行检测。如图3所示,对神经网络模型进行检测,包括:
步骤S310、采集大量未用作模型训练的标记有年龄标签的眼前节光学相干断层扫描图像生成检测样本集,其中,所述眼前节光学相干断层扫描图像作为检测输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为检测输出数据。
具体的,基于上部训练好的神经网络模型,对检测样本集进行生理年龄的预测,本发明实施例的中检测样本集可以包括健康眼前节数据集,白内障数据集和青光眼数据集。在本发明实施例中,采集大量标记有年龄标签的AS-OCT图像,对图像数据进行增强,包括去噪和裁剪多余背景,得到符合预测模型输入要求的检测图像。假设所有图像对应的年龄都在1-m(m为正整数,可以是80、90等等)之间,将每个AS-OCT图像对应的年龄标签标记位为一个长度为m的高斯分布,其中均值是每个AS-OCT图像对应的年龄。
步骤S320、将所述检测样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行预测,以输出检测数据的模型预测结果。
步骤S330、根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度,确认所述神经网络模型是否需要继续训练。
在本实施例中,检测结果可以通过以下两类指标进行评价,确认所述神经网络模型是否需要继续训练。它们分别是平均绝对误差(MAE)和累计得分(CS),具体表示如下:
其中,yi表示对于第i张输入的AS-OCT图像输入神经网络模型后的输出结果,也就是各个年龄的预测概率;取argmax(yi)即表示预测的生理年龄。BAi表示第i张AS-OCT图像对应的实际年龄,N表示样本总数,t表示容错能力。
本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
实施例二
本发明实施例二所提供的一种眼前节生理年龄预测装置可执行本发明任意实施例所提供的一种眼前节生理年龄预测方法,具备执行方法相应的功能模块和有益效果,该装置可以由软件和/或硬件(集成电路)的方式实现,并一般可集成于服务器或终端设备中。图4是本发明实施例二中的一种眼前节生理年龄预测装置400的结构示意图。参照图4,本发明实施例的一种眼前节生理年龄预测装置400,具体可以包括:
图像获取单元410,用于获取待测用户的眼部的眼前节光学相干断层扫描图像;
年龄预测单元420,用于将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。
可选的,所述图像获取单元410还用于:
获取待测用户的眼部的原始眼前节光学相干断层扫描图像;
判断所述原始眼前节光学相干断层扫描图像是否存在噪声或多余背景;
若是,则对所述原始眼前节光学相干断层扫描图像去噪和裁剪多余背景,得到处理后的眼前节光学相干断层扫描图像。
可选的,该装置400还包括神经网络模型训练单元,所述神经网络模型训练单元包括:
训练样本子单元,用于采集大量标记有年龄标签的眼前节光学相干断层扫描图像生成训练样本集,其中,所述眼前节光学相干断层扫描图像作为训练输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为训练输出数据;
训练输入子单元,用于将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练。
可选的,该装置400还包括神经网络模型检测单元,所述神经网络模型检测单元包括:
检测样本子单元,用于采集大量未用作模型训练的标记有年龄标签的眼前节光学相干断层扫描图像生成检测样本集,其中,所述眼前节光学相干断层扫描图像作为检测输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为检测输出数据;
检测输入子单元,用于将所述检测样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行预测,以输出检测数据的模型预测结果;
检测确认子单元,用于根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度,确认所述神经网络模型是否需要继续训练。
可选的,所述神经网络模型为3D-ResNet模型。
可选的,该装置400还包括神经网络模型监督单元,所述神经网络模型监督单元用于在将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练之后,根据训练输出结果与训练样本集的训练输出数据的比对确定出相应的损失函数,根据所述损失函数对所述神经网络模型的网络参数进行调整,直至所述损失函数收敛,得到训练完的神经网络。
可选的,所述损失函数为均方差损失函数。
本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
实施例三
图5为本发明实施例三提供的一种服务器的结构示意图,如图5所示,该服务器包括处理器510、存储器520、输入装置530和输出装置540;服务器中处理器510的数量可以是一个或多个,图5中以一个处理器510为例;服务器中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的眼前节生理年龄预测方法对应的程序指令/模块(例如,眼前节生理年龄预测装置400中的图像获取单元410和年龄预测单元420)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述的眼前节生理年龄预测方法。
也即:
获取待测用户的眼部的眼前节光学相干断层扫描图像;
将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。
当然,本发明实施例所提供的服务器,其处理器不限于执行如上所述的方法操作,还可以执行本发明任意实施例所提供的眼前节生理年龄预测方法中的相关操作。
存储器520可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息,以及产生与服务器的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
实施例四
本发明实施例四还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种眼前节生理年龄预测方法,该方法包括:
获取待测用户的眼部的眼前节光学相干断层扫描图像;
将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的眼前节生理年龄预测方法中的相关操作。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例的技术方案,通过神经网络模型预测眼前节生理年龄,利用标有年龄的眼前节光学相干断层扫描图像进行训练,提高眼前节生理年龄预测的准确率,有助于机体异常的监测和早期疾病的判断。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.一种眼前节生理年龄预测方法,其特征在于,包括:
获取待测用户的眼部的眼前节光学相干断层扫描图像;
将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型;其中,所述神经网络模型为3D-ResNet模型;
其中,在对所述神经网络模型进行训练之后,还包括对所述神经网络模型进行检测,所述对所述神经网络模型进行检测,包括:
采集大量未用作模型训练的标记有年龄标签的眼前节光学相干断层扫描图像生成检测样本集,其中,所述眼前节光学相干断层扫描图像作为检测输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为检测输出数据;其中,所述检测样本集包括健康眼前节数据集,白内障数据集和青光眼数据集;
将所述检测样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行预测,以输出检测数据的模型预测结果;
根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度,确认所述神经网络模型是否需要继续训练;
其中,在所述获取待测用户的眼部的眼前节光学相干断层扫描图像之前,还包括对所述神经网络模型进行训练;所述对所述神经网络模型进行训练,包括:
采集大量标记有年龄标签的眼前节光学相干断层扫描图像生成训练样本集,其中,所述眼前节光学相干断层扫描图像作为训练输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为训练输出数据;
将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练;
其中,在将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练之后,还包括:
根据训练输出结果与训练样本集的训练输出数据的比对确定出相应的损失函数,根据所述损失函数对所述神经网络模型的网络参数进行调整,直至所述损失函数收敛,得到训练完的神经网络;
其中,所述损失函数为均方差损失函数,是由均方差损失函数Laux和均方差损失函数Lage加权相加得到的;
其中,所述均方差损失函数Laux为:
其中,表示眼前节光学相干断层扫描图像的粗糙标签,/>表示神经网络模型的中间层输出,N为样本数;所述粗糙标签是通过将每张眼前节光学相干断层扫描图像对应的年龄段变为高斯分布的形式所得到的,所述年龄段是通过将所有所述年龄标签做分段处理所得到的;
其中,所述均方差损失函数Lage为:
其中,yi表示眼前节光学相干断层扫描图像的年龄标签,si表示神经网络模型的输出,N为样本数。
2.根据权利要求1所述的眼前节生理年龄预测方法,其特征在于,所述获取待测用户的眼部的眼前节光学相干断层扫描图像,包括:
获取待测用户的眼部的原始眼前节光学相干断层扫描图像;
判断所述原始眼前节光学相干断层扫描图像是否存在噪声或多余背景;
若是,则对所述原始眼前节光学相干断层扫描图像去噪和裁剪多余背景,得到处理后的眼前节光学相干断层扫描图像。
3.一种眼前节生理年龄预测装置,其特征在于,包括:
图像获取单元,用于获取待测用户的眼部的眼前节光学相干断层扫描图像;
年龄预测单元,用于将所述待测用户的眼部的眼前节光学相干断层扫描图像输入预先训练好的神经网络模型,输出所述待测用户的眼前节生理年龄,其中,所述预先训练好的神经网络模型为利用眼前节光学相干断层扫描图像进行训练后获取的神经网络模型;
神经网络模型检测单元,用于在对所述神经网络模型进行训练之后,对所述神经网络模型进行检测,其包括:
检测样本子单元,用于采集大量未用作模型训练的标记有年龄标签的眼前节光学相干断层扫描图像生成检测样本集,其中,所述眼前节光学相干断层扫描图像作为检测输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为检测输出数据;其中,所述检测样本集包括健康眼前节数据集,白内障数据集和青光眼数据集;
检测输入子单元,用于将所述检测样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行预测,以输出检测数据的模型预测结果;
检测确认子单元,用于根据所述检测数据的模型预测结果与所述检测输出数据的匹配程度,确认所述神经网络模型是否需要继续训练;其中,所述神经网络模型为3D-ResNet模型;
神经网络模型训练单元,包括:
训练样本子单元,用于采集大量标记有年龄标签的眼前节光学相干断层扫描图像生成训练样本集,其中,所述眼前节光学相干断层扫描图像作为训练输入数据,对应的所述年龄标签为一个高斯分布的年龄段,作为训练输出数据;
训练输入子单元,用于将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练;
神经网络模型监督单元,用于在将所述训练样本集的每个眼前节光学相干断层扫描图像输入至所述神经网络模型进行训练之后,根据训练输出结果与训练样本集的训练输出数据的比对确定出相应的损失函数,根据所述损失函数对所述神经网络模型的网络参数进行调整,直至所述损失函数收敛,得到训练完的神经网络;
其中,所述损失函数为均方差损失函数,是由均方差损失函数Laux和均方差损失函数Lage加权相加得到的;
其中,所述均方差损失函数Laux为:
其中,表示眼前节光学相干断层扫描图像的粗糙标签,/>表示神经网络模型的中间层输出,N为样本数;所述粗糙标签是通过将每张眼前节光学相干断层扫描图像对应的年龄段变为高斯分布的形式所得到的,所述年龄段是通过将所有所述年龄标签做分段处理所得到的;
其中,所述均方差损失函数Lage为:
其中,yi表示眼前节光学相干断层扫描图像的年龄标签,si表示神经网络模型的输出,N为样本数。
4.一种服务器,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-2中任一所述的眼前节生理年龄预测方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-2中任一所述的眼前节生理年龄预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668609.1A CN111862020B (zh) | 2020-07-13 | 2020-07-13 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668609.1A CN111862020B (zh) | 2020-07-13 | 2020-07-13 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862020A CN111862020A (zh) | 2020-10-30 |
CN111862020B true CN111862020B (zh) | 2024-04-05 |
Family
ID=72983978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668609.1A Active CN111862020B (zh) | 2020-07-13 | 2020-07-13 | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862020B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114692822A (zh) * | 2020-12-31 | 2022-07-01 | 武汉联影生命科学仪器有限公司 | 扫描模型训练方法、扫描方法、装置及存储介质 |
CN113034475B (zh) * | 2021-03-30 | 2024-04-19 | 浙江工业大学 | 基于轻量级三维卷积神经网络的手指oct体数据去噪方法 |
CN113850203B (zh) * | 2021-09-28 | 2023-01-03 | 北京百度网讯科技有限公司 | 粘连检测模型训练、粘连检测方法及相关装置 |
CN114038051B (zh) * | 2021-11-17 | 2023-09-08 | 首都医科大学附属北京同仁医院 | 一种原发性闭角型青光眼的房角关闭机制分型方法 |
CN115171204B (zh) * | 2022-09-06 | 2023-02-21 | 北京鹰瞳科技发展股份有限公司 | 对预测视网膜年龄的预测模型进行训练的方法和相关产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110135528A (zh) * | 2019-06-13 | 2019-08-16 | 上海鹰瞳医疗科技有限公司 | 年龄确定方法、眼部健康程度确定方法和装置 |
CN110287795A (zh) * | 2019-05-24 | 2019-09-27 | 北京爱诺斯科技有限公司 | 一种基于图像分析的眼部年龄检测方法 |
CN111340087A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置、计算机可读存储介质和计算机设备 |
-
2020
- 2020-07-13 CN CN202010668609.1A patent/CN111862020B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615634A (zh) * | 2018-12-13 | 2019-04-12 | 深圳大学 | 光学眼底图像分割方法、装置、计算机设备及存储介质 |
CN110287795A (zh) * | 2019-05-24 | 2019-09-27 | 北京爱诺斯科技有限公司 | 一种基于图像分析的眼部年龄检测方法 |
CN110135528A (zh) * | 2019-06-13 | 2019-08-16 | 上海鹰瞳医疗科技有限公司 | 年龄确定方法、眼部健康程度确定方法和装置 |
CN111340087A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯医疗健康(深圳)有限公司 | 图像识别方法、装置、计算机可读存储介质和计算机设备 |
Non-Patent Citations (1)
Title |
---|
钟良骥,徐斌,胡文杰著.《物联网技术与应用》.武汉:华中科技大学出版社,2020,第218-220页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111862020A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
An et al. | Glaucoma diagnosis with machine learning based on optical coherence tomography and color fundus images | |
Saba et al. | Automatic detection of papilledema through fundus retinal images using deep learning | |
KR101984995B1 (ko) | 인공지능 시야분석 방법 및 장치 | |
Agrawal et al. | Assistive framework for automatic detection of all the zones in retinopathy of prematurity using deep learning | |
CN111696100A (zh) | 基于眼底影像确定吸烟程度的方法及设备 | |
US11721023B1 (en) | Distinguishing a disease state from a non-disease state in an image | |
CN111178420A (zh) | 一种二维造影图像上冠脉段标注方法及系统 | |
CN114882014B (zh) | 基于双模型的眼底图像质量评价方法、装置及相关介质 | |
CN103345633A (zh) | 一种用于阿尔兹海默病早期发现的结构性核磁共振影像处理方法 | |
Zia et al. | A multilevel deep feature selection framework for diabetic retinopathy image classification | |
Luo et al. | The edge detectors suitable for retinal OCT image segmentation | |
Standvoss et al. | Cerebral microbleed detection in traumatic brain injury patients using 3D convolutional neural networks | |
CN111932522A (zh) | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 | |
CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
Hassan et al. | Automated foveal detection in OCT scans | |
Leopold et al. | Segmentation and feature extraction of retinal vascular morphology | |
CN110503636B (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
Kabir et al. | Multi-classification based Alzheimer's disease detection with comparative analysis from brain MRI scans using deep learning | |
Rakhmetulayeva et al. | IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK FOR PREDICTING GLAUCOMA FROM FUNDUS IMAGES. | |
CN113243914A (zh) | 基于脑影像的评估方法及神经精神疾病评估系统 | |
Tălu et al. | Characterization of human retinal vessel arborisation in normal and amblyopic eyes using multifractal analysis | |
Trivino et al. | Deep learning on retina images as screening tool for diagnostic decision support | |
CN109816632B (zh) | 脑图像处理方法、装置、可读存储介质及电子设备 | |
Leontidis et al. | Exploiting the retinal vascular geometry in identifying the progression to diabetic retinopathy using penalized logistic regression and random forests |
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 |