CN111899879A - 一种眼表疾病自动筛查方法与系统、区块链 - Google Patents

一种眼表疾病自动筛查方法与系统、区块链 Download PDF

Info

Publication number
CN111899879A
CN111899879A CN202010761169.4A CN202010761169A CN111899879A CN 111899879 A CN111899879 A CN 111899879A CN 202010761169 A CN202010761169 A CN 202010761169A CN 111899879 A CN111899879 A CN 111899879A
Authority
CN
China
Prior art keywords
block
eye surface
neural network
convolution layer
convolution
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
CN202010761169.4A
Other languages
English (en)
Inventor
罗雄彪
万英
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010761169.4A priority Critical patent/CN111899879A/zh
Publication of CN111899879A publication Critical patent/CN111899879A/zh
Pending legal-status Critical Current

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F2221/2107—File encryption

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提供一种眼表疾病自动筛查方法与系统、区块链，所述眼表疾病自动筛查方法包括：将密集连接卷积神经网络中的密集块采取双通道密集块结构，使用双通道来提取特征。本发明的眼表疾病自动筛查方法引入轻量级网络思想，通过优化深度网络结构，大大减少了模型的参数和计算量；首次将人工智能算法和区块链技术应用于眼表疾病筛查，实现了一个可以自我完善，不断更新与维护、生态良好的眼表疾病筛查系统。本发明的一种眼表疾病自动筛查方法与系统可以部署在移动端，使得患者可以随时在手机上方便、安全地监控自身眼表疾病的发展，选择对图像、疾病等不敏感数据是否公开，对病历、个人资料等隐私信息进行保护，提高了对眼表图像数据的利用效率。

Description

一种眼表疾病自动筛查方法与系统、区块链
技术领域
本发明属于及医疗影像、疾病筛查领域，特别涉及一种眼表疾病自动筛查方法与系统、区块链。
背景技术
眼表及眼表疾病是近年来提出的新概念。眼表疾病(Ocular Surface Disease,OSD)是指损害角膜、结膜等眼表正常结构与功能的疾病。OSD有很多，比如干眼症、角膜炎和翼状胬肉等，这些都属于OSD的范畴。所有年龄段的OSD患者都会出现畏光、角膜疤痕、间歇性视力模糊、疼痛等症状。外伤、炎症等各种损伤因素均可导致角膜、结膜上皮表型发生改变，造成角膜新生血管化、干眼等一系列的病理变化，进而造成了患者视功能障碍。因此，眼表结构和功能的正常是获得清晰视觉的前提条件。
目前，临床眼表疾病的筛查手段主要是在眼科医院门诊部，由眼科医生扩张患者眼睛，来判断眼睛视网膜是否存在疾病的早期迹象，再结合专业的医疗设备进行诊断，比如裂隙灯和光学相干断层扫描成像技术。这种方法的缺点有：(1)专业的医疗设备价格比较昂贵；(2)临床医生的负担较重，大量的眼科门诊病人(往往很多是非急诊眼科疾病患者)给医生带来了巨大的劳动和精神负担；(3)患者访问成本高，患者需要比较高昂的费用和较长的就诊时间；(4)很多慢性眼表疾病缺乏监控和诊疗不及时会造成更严重的视功能障碍，当患者的眼睛出现微弱的疼痛和瘙痒症状时，很多人会因为去医院挂号、检查等一系列繁琐的过程而忽视它们，由于缺乏监控发展、诊疗不及时导致更严重的后果。
目前，人工智能算法在疾病诊断中的应用越来越广泛。人工智能算法是将待识别图像作为输入，通过一系列卷积操作来提取图像特征，采用小批量梯度下降算法来优化损失函数，从而构建出一个能判断是否患有疾病的分类模型。以密集连接卷积神经网络(Densely Connected Convolutional Networks，DCNN)为例，DCNN包含多个密集块，每个密集块中包含多层卷积用来学习图像特征信息，每个卷积层的新学习特征数量保持一致；密集块之间由过渡块相连接，采用1×1卷积核和池化操作来减少维度，提高计算效率，最终通过全连接层和Softmax函数进行分类，从而得到患有疾病的概率值。DCNN跳脱了加深网络深度和加宽网络结构来提升性能的定向思维，从图像特征的角度出发，它将前面每一层输出的图像特征连接成一个长的大特征作为下一层的输入，直接将所有层连接起来，保证了网络中层与层之间最大程度的信息流传输，实现了特征复用，在加深网络深度的同时大幅度减少了网络参数量，又在一定程度上缓解了梯度消失的问题。尽管DCNN相比原来主流的ResNet网络减少了大量的参数，但要在手机上部署，其模型与计算量仍然很大，从而会导致系统运行速度很慢。
参见图1所示的现有的密集连接卷积神经网络结构图，图1中，箭头a代表初始卷积，箭头b代表1×1卷积，箭头c代表3×3卷积，箭头d代表池化，箭头e代表分类层Softmax，箭头f代表过渡块，箭头g代表密集连接，每个密集块中的第一个虚框和第三个虚框各自分别代表一个卷积块，*14代表14个重复的卷积块，图1中其余数字代表通道数。如图1所示，现有技术基于DCNN模型，采用一个初始卷积层用于提取图像全局信息，采用三个密集块用于学习图像特征，并采用两个过渡块用于减少维度来提高计算效率，最后采用一个分类层Softmax来将学习到的特征映射为疾病类别(目标要素)。现有DCNN的每个密集块包含多个卷积块(例如图1所示为16个)，每个卷积块包含两个卷积层，分别具有1×1和3×3卷积核。每个卷积层均包括一组归一化层(如BN层)、激活函数(如ReLU函数)、卷积函数(如Conv函数)。BN层用于提高DCNN的性能、速度和稳定性，ReLU函数是用于进行训练的非线性激活函数，1×1核用来减少通道数，以保证所有输出都固定在k(网络的增长率)个特征映射上，所述特征映射表示每个层贡献的新信息量，3×3卷积核用来提取图像特征。由于现有DCNN深度较深，计算量和参数量均很大，因而在移动终端如手机上部署应用现有DCNN具有很大难度，并且现有DCNN再具体应用的过程中生成了过多的冗余特征，因而采用现有的密集连接卷积神经网络会导致系统运行速度很慢。
区块链是信息技术领域的专业术语。目前，基于区块链技术的数据共享新模式通过分布式账本、数据隐私安全、数据精准确权、智能合约激励等机制有效解决了对等机构间数据共享的诸多问题。从本质上讲，它是一个共享的链式数据库，其中存储的数据具有“不可伪造”、“可以追溯”、“公开透明”、“集体维护”等特点。它串联了一个个由密码学方法相关联产生的数据块，每一个数据块中包含了一批次交易的信息，能验证信息的有效性和生成下一个区块。其中的加密和数字签名方案，它是确保区块链数据安全的重要原因。所以，区块链技术在实现数据存储安全的同时也让数据变得更加透明，在保证隐私的前提之下提高了数据的利用效率。
发明内容
针对上述现有的临床眼表疾病的筛查手段的问题，本发明提供一种眼表疾病自动筛查方法与系统、区块链。
本发明提供的眼表疾病自动筛查方法，包括：
将密集连接卷积神经网络中的密集块采取双通道密集块结构，使用双通道来提取特征。
进一步，
对于所述密集块中的卷积块，把通道数为2N的第一卷积层A的一半提取特征得到通道数为N的卷积层B，把所述第一卷积层A的另一半提取特征得到通道数为N的卷积层C，N为正整数。
进一步，
把所述卷积层B和卷积层C连接起来作为下一卷积层的输入；
所述第一卷积层A、卷积层B和下一卷积层构成第一通道；
所述第一卷积层A、卷积层C和下一卷积层构成第二通道。
进一步，
由所述第一卷积层A的一半采用线性操作提取特征得到所述卷积层B；
由所述第一卷积层A的另一半采用卷积提取特征得到卷积层C。
进一步，
设密集连接卷积神经网络通过非1×1卷积得到n维特征，n为正整数，
所述线性操作包括：
对输入用1×1卷积得到m维特征，m为正整数，m<<n；
对由所述m维特征组成的m维特征图经过线性函数进行线性变换生成n-m维新特征；
由所述m维特征及新生成的n-m维新特征学习得到n维特征。
进一步，还包括训练，
所述训练包括步骤：
将眼表图像输入所述密集连接卷积神经网络，使用所述卷积和线性操作提取图像特征进行学习；
所述密集连接卷积神经网络进行前向传播计算输出值，再计算所述输出值与实际值之间的误差D0；
若所述误差D0不低于预设的阈值，所述密集连接卷积神经网络反向传播调整权重信息继续训练，若所述误差D0低于预设的阈值，则判断所述眼表图像的数据是否训练完；
A、如果所述眼表图像的数据训练完，则输出识别结果，结束所诉训练，以得到所述误差D0的所述密集连接卷积神经网络用于眼表疾病自动筛查，否则执行下面步骤B；
B、如果所述眼表图像的数据没有训练完，继续加载所述眼表图像的数据进行训练，若得到的新的误差D1低于前面训练得到的所述误差D0，则以得到所述新的误差D1作为所述误差D0，进行所述步骤A。
本发明提供的眼表疾病自动筛查系统，包括：
智能手机摄像机、智能手机APP客服端、区块链技术传输端、人工智能深度卷积神经网络模型自动识别服务器端，
其中，
所述智能手机摄像机与所述智能手机APP客服端信号连接，所述智能手机摄像机用于眼表疾病图像与视频的采集；
所述智能手机APP客服端与人工智能深度卷积神经网络模型自动识别服务器端及区块链技术传输端分别信号连接，所述智能手机APP客服端用于接收所述眼表疾病图像与视频，并将所述眼表疾病图像与视频上传至所述人工智能深度卷积神经网络模型自动识别服务器端及区块链技术传输端，还用于接收筛查结果；
所述区块链技术传输端与人工智能深度卷积神经网络模型自动识别服务器端信号连接，所述区块链技术传输端用于保护用户隐私与安全实现眼表疾病相关的数据的共享；
所述人工智能深度卷积神经网络模型自动识别服务器端用于自动处理分析所述眼表疾病图像或视频。
进一步，
所述人工智能深度卷积神经网络模型自动识别服务器为密集连接卷积神经网络自动识别服务器端。
进一步，
所述人工智能深度卷积神经网络模型自动识别服务器实现权利要求1-6所述的一种眼表疾病自动筛查方法。
本发明还提供适用于上述的眼表疾病自动筛查系统的区块链，
所述眼表疾病自动筛查系统通过所述区块链技术传输端连接所述区块链，
所述区块链中包括区块AA及区块BB，所述区块AA及区块BB的个数均多于一个，
每一个所述区块AA分别存储一位患者的信息中的敏感数据；
每一个所述区块BB分别存储一位患者的信息中的不敏感数据。
进一步，
每一个所述区块AA中存储的敏感数据均进行过哈希加密；
每一个所述区块BB中存储的不敏感数据均进行过私钥加密，所述私钥与对应的公钥是采用数字签名方法生成。
进一步，
每一个所述区块AA均包括区块头1和区块体1，每一个所述区块AA的区块头1中均包括前一个所述区块AA的哈希值，时间戳，版本协议号和当前哈希值，每一个所述区块AA的区块体1用于存储包括所述敏感数据和哈希值的数据信息；
每一个所述区块BB均包括区块头2和区块体2，每一个所述区块BB的区块头2中均包括前一个所述区块BB的哈希值，时间戳，版本协议号和当前哈希值等，每一个所述区块BB的区块体2用于存储包括利用所述私钥加密后的所述不敏感数据的数据信息。
本发明的眼表疾病自动筛查方法引入轻量级网络思想，通过优化深度网络结构，大大减少了模型的参数和计算量；首次将人工智能算法和区块链技术应用于眼表疾病筛查，实现了一个可以自我完善，不断更新与维护、生态良好的眼表疾病筛查系统。本发明的一种眼表疾病自动筛查方法与系统采用的轻量级网络算法和区块链技术可以部署在移动端，能够实现患者在家用手机摄像头拍摄眼表照片后上传，通过算法达到自动识别眼表疾病的目的。该系统将数据保存在区块链中，利用加密算法和模块保证了数据安全和信息共享，患者可以随时在手机上方便、安全地监控自身眼表疾病的发展，选择对图像、疾病等不敏感数据是否公开，对病历、个人资料等隐私信息进行保护，提高了对眼表图像数据的利用效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
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，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1示出了现有的密集连接卷积神经网络结构图；
图2示出了根据本发明实施例的眼表疾病自动筛查系统的功能结构图；
图3示出了根据本发明实施例的眼表疾病自动筛查系统的数据流动图；
图4示出了根据本发明实施例的双通道密集块结构图；
图5示出了根据本发明实施例的线性操作流程图；
图6示出了根据本发明实施例的自动识别眼表疾病算法的训练流程图；
图7示出了根据本发明实施例的区块链的存储与共享数据结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地说明，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。
参见图2，本发明实施例提供的一种眼表疾病自动筛查系统包括：智能手机摄像机、智能手机APP客服端、区块链技术传输端、人工智能深度卷积神经网络模型自动识别服务器端如DCNN自动识别服务器端。其中，智能手机摄像机与智能手机APP客服端信号连接，智能手机摄像机用于眼表疾病图像与视频的采集；智能手机APP客服端与人工智能深度卷积神经网络模型自动识别服务器端及区块链技术传输端分别信号连接，智能手机APP客服端用于接收所述眼表疾病图像与视频，并将所述眼表疾病图像与视频上传至人工智能深度卷积神经网络模型自动识别服务器端及区块链技术传输端，还用于接收筛查结果；区块链技术传输端与人工智能深度卷积神经网络模型自动识别服务器端信号连接，区块链技术传输端用于保护用户隐私与安全实现眼表疾病相关的数据的共享；人工智能深度卷积神经网络模型自动识别服务器端：用于自动处理分析眼表疾病图像或视频。
所述眼表疾病自动筛查系统工作时的数据流动过程参见图3，患者可以通过智能手机APP客服端上传眼表图像至人工智能深度卷积神经网络模型自动识别服务器端，利用人工智能算法来自动识别疾病，得到返回的识别结果；同时患者也可以将包括眼表图像的数据通过区块链技术传输端存储在区块链中，选择对所述数据中的隐私数据加密来保障安全，也可对所述数据中的不敏感数据共享来不断更新和完善利用所述人工智能算法的眼表疾病自动筛查系统的疾病种类和识别准确率等。
本发明引入手机摄像头来替代专业的医疗设备来获取眼表图像，克服了医疗设备昂贵的问题。所述眼表疾病自动筛查系统部署在移动终端上，提供了患者和医生方便及时监控疾病发展的途径，避免了因治疗不及时、评估不准确而造成的视功能障碍等问题。
为了避免现有DCNN深度较深，计算量和参数量均很大，以及现有DCNN在具体应用的过程中生成了过多的冗余特征的情况，本发明提供的一种眼表疾病自动筛查方法包括：将现有DCNN每个密集块中的卷积块中第一卷积层的一半进行线性操作提取特征，第一卷积层的另一半仍采用卷积提取特征，即所述卷积块中使用双通道来提取特征，并将一半卷积和一半线性操作得到的结果连接起来，作为下一层的输入。具体实施例可参考图4所示的本发明实施例的双通道密集块结构图，图4中，箭头b代表1×1卷积，箭头c代表3×3卷积，箭头d代表池化，箭头g代表密集连接，箭头h代表线性操作，密集块中的第一个虚框和第三个虚框各自分别代表一个卷积块，*6代表6个重复的所述卷积块，图4中其余数字代表通道数，加号代表连接。由图4可知，在图4所示的任一个卷积块中，具有24通道的第一卷积层A的一半采用线性操作提取特征得到具有12个通道的卷积层B，卷积层A的另一半采用3×3卷积提取特征得到具有12个通道的卷积层C，然后卷积层B和卷积层C连接起来作为下一卷积层(具有24通道)的输入。其中，第一卷积层A，卷积层B和下一卷积层构成第一通道；第一卷积层A，卷积层C和下一卷积层构成第二通道，在第一通道和第二通道中分别提取特征，从而所述密集块构成双通道密集块。本发明使用人工智能算法来实现端到端的眼表疾病自动识别，在临床上大大减轻了基层医生的劳动和精神负担，也减少了患者的访问成本。
上述密集块的线性操作如图5所示。原本对输入进行卷积(现有的DCNN模型均采用非1×1卷积)输出后可得到n维特征，我们的线性操作则是对于相同的输入先用1×1小卷积得到m维特征(m<<n)，在由m维特征组成的m维特征图的基础上经过线性函数进行线性变换生成n-m维新特征，由所述m维特征及新生成的n-m维新特征学习到了与现有DCNN模型一样多的n维特征。我们提出的轻量级结构不仅计算量小，参数量少，还可以生成更随机、丰富的特征映射关系，避免了大量冗余的特征。本发明通过优化深度网络结构，大大减少了模型的参数和计算量，缓解了本系统部署在移动端上的压力。
眼表疾病自动筛查算法的训练流程图如图6所示。首先，将眼表图像输入DCNN，使用卷积和线性操作提取图像特征进行学习，然后网络进行前向传播计算输出值，再计算输出值与实际值之间的误差，此时，判断误差是否满足或者说低于训练设置的阈值，若不满足或者说不低于所述阈值，DCNN反向传播调整权重信息继续训练，否则判断数据是否训练完，并执行下面的步骤A和B：
A、如果所述眼表图像的数据训练完，则输出识别结果，结束所诉训练，以得到所述误差D0的所述密集连接卷积神经网络用于眼表疾病自动筛查，否则执行下面步骤B；
B、如果所述眼表图像的数据没有训练完，继续加载所述眼表图像的数据进行训练，若得到的新的误差D1低于前面训练得到的所述误差D0，则以得到所述新的误差D1作为所述误差D0，进行所述步骤A。
为了保护患者隐私安全，同时完善系统疾病种类与准确率等问题，本系统采用区块链技术进行存储数据，实现了对敏感数据进行加密保护，并对不敏感数据进行共享。
本发明还提供一种区块链，所述区块链包括区块AA及区块BB。如图7所示，在存储敏感数据时，首先对每位患者的信息中的敏感数据进行哈希加密，即通过哈希算法计算出不重复的256位二进制哈希值，再将敏感数据和哈希值加入区块AA中，每位患者的敏感数据各自存储于单独的区块AA，各区块AA利用哈希指针来形成链表，每个区块AA均包括区块头1和区块体1，每个区块AA的区块头1中包括前一个区块AA的哈希值，时间戳，版本协议号和当前哈希值等，每个区块AA的区块体1则主要是用于存储数据信息(包括所述敏感数据和哈希值)。其他人不可访问经过哈希加密的敏感数据，实现了隐私安全。
针对不敏感数据，是采用数字签名方案先生成一对私钥--公钥，每位患者对应设有一个私钥，利用所述私钥对患者的不敏感数据进行加密，再将加密后的各位患者的不敏感数据分别存储到不同区块BB中，每个区块BB均包括区块头2和区块体2，每个区块BB的区块头2中包括前一个区块BB的哈希值，时间戳，版本协议号和当前哈希值等，每个区块BB的区块体2则主要是用于存储数据信息(包括利用所述私钥加密后的不敏感数据)。本发明实施例提供的眼表疾病自动筛查系统利用区块链去中心化特点对区块链上的所有节点进行广播数据，区块链上的任何节点都可以通过公钥对不敏感数据进行解密并获取该数据。这样我们就可以利用共享的图像、疾病等数据来不断完善智能识别算法和系统。
本发明的眼表疾病自动筛查方法引入轻量级网络思想，通过优化深度网络结构，大大减少了模型的参数和计算量；本发明首次将人工智能算法和区块链技术应用于眼表疾病筛查，实现了一个可以自我完善，不断更新与维护、生态良好的眼表疾病筛查系统。本发明的一种眼表疾病自动筛查方法与系统采用的轻量级网络算法和区块链技术可以部署在移动端，能够实现患者在家用手机摄像头拍摄眼表照片后上传，通过算法达到自动识别眼表疾病的目的。本发明将数据保存在区块链中，利用加密算法和模块保证了数据安全和信息共享，患者可以随时在手机上方便、安全地监控自身眼表疾病的发展，选择对图像、疾病等不敏感数据是否公开，对病历、个人资料等隐私信息进行保护，提高了对眼表图像数据的利用效率。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种眼表疾病自动筛查方法，其特征在于，包括：
将密集连接卷积神经网络中的密集块采取双通道密集块结构，使用双通道来提取特征。
2.根据权利要求1所述的一种眼表疾病自动筛查方法，其特征在于，
对于所述密集块中的卷积块，把通道数为2N的第一卷积层A的一半提取特征得到通道数为N的卷积层B，把所述第一卷积层A的另一半提取特征得到通道数为N的卷积层C，N为正整数。
3.根据权利要求2所述的一种眼表疾病自动筛查方法，其特征在于，
把所述卷积层B和卷积层C连接起来作为下一卷积层的输入；
所述第一卷积层A、卷积层B和下一卷积层构成第一通道；
所述第一卷积层A、卷积层C和下一卷积层构成第二通道。
4.根据权利要求2或3所述的一种眼表疾病自动筛查方法，其特征在于，
由所述第一卷积层A的一半采用线性操作提取特征得到所述卷积层B；
由所述第一卷积层A的另一半采用卷积提取特征得到卷积层C。
5.根据权利要求4所述的一种眼表疾病自动筛查方法，其特征在于，
设密集连接卷积神经网络通过非1×1卷积得到n维特征，n为正整数，
所述线性操作包括：
对输入用1×1卷积得到m维特征，m为正整数，m<<n；
对由所述m维特征组成的m维特征图经过线性函数进行线性变换生成n-m维新特征；
由所述m维特征及新生成的n-m维新特征学习得到n维特征。
6.根据权利要求4所述的一种眼表疾病自动筛查方法，其特征在于，还包括训练，
所述训练包括步骤：
将眼表图像输入所述密集连接卷积神经网络，使用所述卷积和线性操作提取图像特征进行学习；
所述密集连接卷积神经网络进行前向传播计算输出值，再计算所述输出值与实际值之间的误差D0；
若所述误差D0不低于预设的阈值，所述密集连接卷积神经网络反向传播调整权重信息继续训练，若所述误差D0低于预设的阈值，则判断所述眼表图像的数据是否训练完；
A、如果所述眼表图像的数据训练完，则输出识别结果，结束所诉训练，以得到所述误差D0的所述密集连接卷积神经网络用于眼表疾病自动筛查，否则执行下面步骤B；
B、如果所述眼表图像的数据没有训练完，继续加载所述眼表图像的数据进行训练，若得到的新的误差D1低于前面训练得到的所述误差D0，则以得到所述新的误差D1作为所述误差D0，进行所述步骤A。
7.一种眼表疾病自动筛查系统，其特征在于，包括：
智能手机摄像机、智能手机APP客服端、区块链技术传输端、人工智能深度卷积神经网络模型自动识别服务器端，
其中，
所述智能手机摄像机与所述智能手机APP客服端信号连接，所述智能手机摄像机用于眼表疾病图像与视频的采集；
所述智能手机APP客服端与人工智能深度卷积神经网络模型自动识别服务器端及区块链技术传输端分别信号连接，所述智能手机APP客服端用于接收所述眼表疾病图像与视频，并将所述眼表疾病图像与视频上传至所述人工智能深度卷积神经网络模型自动识别服务器端及区块链技术传输端，还用于接收筛查结果；
所述区块链技术传输端与人工智能深度卷积神经网络模型自动识别服务器端信号连接，所述区块链技术传输端用于保护用户隐私与安全实现眼表疾病相关的数据的共享；
所述人工智能深度卷积神经网络模型自动识别服务器端用于自动处理分析所述眼表疾病图像或视频。
8.根据权利要求7所述的一种眼表疾病自动筛查系统，其特征在于，
所述人工智能深度卷积神经网络模型自动识别服务器为密集连接卷积神经网络自动识别服务器端。
9.根据权利要求7或8所述的一种眼表疾病自动筛查系统，其特征在于，
所述人工智能深度卷积神经网络模型自动识别服务器实现权利要求1-6所述的一种眼表疾病自动筛查方法。
10.适用于权利要求7-9任一所述的一种眼表疾病自动筛查系统的区块链，其特征在于，
所述眼表疾病自动筛查系统通过所述区块链技术传输端连接所述区块链，
所述区块链中包括区块AA及区块BB，所述区块AA及区块BB的个数均多于一个，
每一个所述区块AA分别存储一位患者的信息中的敏感数据；
每一个所述区块BB分别存储一位患者的信息中的不敏感数据。
11.根据权利要求10所述的区块链，其特征在于，
每一个所述区块AA中存储的敏感数据均进行过哈希加密；
每一个所述区块BB中存储的不敏感数据均进行过私钥加密，所述私钥与对应的公钥是采用数字签名方法生成。
12.根据权利要求10所述的区块链，其特征在于，
每一个所述区块AA均包括区块头1和区块体1，每一个所述区块AA的区块头1中均包括前一个所述区块AA的哈希值，时间戳，版本协议号和当前哈希值，每一个所述区块AA的区块体1用于存储包括所述敏感数据和哈希值的数据信息；
每一个所述区块BB均包括区块头2和区块体2，每一个所述区块BB的区块头2中均包括前一个所述区块BB的哈希值，时间戳，版本协议号和当前哈希值等，每一个所述区块BB的区块体2用于存储包括利用私钥加密后的所述不敏感数据的数据信息。
CN202010761169.4A 2020-07-31 2020-07-31 一种眼表疾病自动筛查方法与系统、区块链 Pending CN111899879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010761169.4A CN111899879A (zh) 2020-07-31 2020-07-31 一种眼表疾病自动筛查方法与系统、区块链

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010761169.4A CN111899879A (zh) 2020-07-31 2020-07-31 一种眼表疾病自动筛查方法与系统、区块链

Publications (1)

Publication Number Publication Date
CN111899879A true CN111899879A (zh) 2020-11-06

Family

ID=73184110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010761169.4A Pending CN111899879A (zh) 2020-07-31 2020-07-31 一种眼表疾病自动筛查方法与系统、区块链

Country Status (1)

Country Link
CN (1) CN111899879A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887311A (zh) * 2021-09-03 2022-01-04 中山大学中山眼科中心 一种保护眼科患者隐私的方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160137986A1 (en) * 2013-03-14 2016-05-19 Hachensack University Medical Center Ex vivo human multiple myeloma cancer niche and its use as a model for personalized treatment of multiple myeloma
US20170143539A1 (en) * 2013-12-31 2017-05-25 Amo Development, Llc Wavefront measurement pre-smoothing systems and methods
CN109859172A (zh) * 2019-01-08 2019-06-07 浙江大学 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
CN109919915A (zh) * 2019-02-18 2019-06-21 广州视源电子科技股份有限公司 基于深度学习的视网膜眼底图像异常区域检测方法及设备
CN110674741A (zh) * 2019-09-24 2020-01-10 广西师范大学 一种基于双通道特征融合的机器视觉中手势识别方法
CN111127431A (zh) * 2019-12-24 2020-05-08 杭州求是创新健康科技有限公司 一种基于区域自适应多任务神经网络的干眼症分级评估系统
CN111180061A (zh) * 2019-12-09 2020-05-19 广东工业大学 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统
CN111209855A (zh) * 2020-01-06 2020-05-29 电子科技大学 一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160137986A1 (en) * 2013-03-14 2016-05-19 Hachensack University Medical Center Ex vivo human multiple myeloma cancer niche and its use as a model for personalized treatment of multiple myeloma
US20170143539A1 (en) * 2013-12-31 2017-05-25 Amo Development, Llc Wavefront measurement pre-smoothing systems and methods
CN109859172A (zh) * 2019-01-08 2019-06-07 浙江大学 基于眼底造影图像深度学习的糖网病变无灌注区识别方法
CN109919915A (zh) * 2019-02-18 2019-06-21 广州视源电子科技股份有限公司 基于深度学习的视网膜眼底图像异常区域检测方法及设备
CN110674741A (zh) * 2019-09-24 2020-01-10 广西师范大学 一种基于双通道特征融合的机器视觉中手势识别方法
CN111180061A (zh) * 2019-12-09 2020-05-19 广东工业大学 融合区块链与联邦学习的共享医疗数据智能辅助诊断系统
CN111127431A (zh) * 2019-12-24 2020-05-08 杭州求是创新健康科技有限公司 一种基于区域自适应多任务神经网络的干眼症分级评估系统
CN111209855A (zh) * 2020-01-06 2020-05-29 电子科技大学 一种基于轮廓强化的双通道密集卷积神经网络的人脸图像鉴伪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PROENCA H ET AL: "Deep-PRWIS: Periocular Recognition Without the Iris and Sclera Using Deep Learning Frameworks", IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, vol. 13, no. 4, 30 April 2018 (2018-04-30), pages 888 - 896, XP055831296, DOI: 10.1109/TIFS.2017.2771230 *
朱恩泽 等: "基于深度学习的医学图像分割方法", 徐州医科大学学报, vol. 39, no. 02, 31 December 2019 (2019-12-31), pages 143 - 147 *
谢能付 等: "智能农业：智能时代的农业生产方式变革", 中国铁道出版社有限公司, pages: 72 - 73 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887311A (zh) * 2021-09-03 2022-01-04 中山大学中山眼科中心 一种保护眼科患者隐私的方法、装置及存储介质

Similar Documents

Publication Publication Date Title
US20200356805A1 (en) Image recognition method, storage medium and computer device
CN107886503A (zh) 一种消化道解剖位置识别方法及装置
CN107330395B (zh) 一种基于卷积神经网络的虹膜图像加密方法
US10441160B2 (en) Method and system for classifying optic nerve head
KR20230110233A (ko) 클라우드 서버 및 클라우드 서버 기반의 진단 보조시스템
CN109829894A (zh) 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN111667490B (zh) 一种眼底图片视杯视盘分割方法
CN106682389A (zh) 一种用于监控高血压引发的眼部病变健康管理系统
AU2014271202A1 (en) A system and method for remote medical diagnosis
CN112101424B (zh) 一种视网膜病变识别模型的生成方法、识别装置及设备
CN109684797A (zh) 基于区块链的对抗网络生成图片的虚拟ip保护方法及系统
CN112966792B (zh) 血管图像分类处理方法、装置、设备及存储介质
CN111428070A (zh) 眼科案例的检索方法、装置、服务器及存储介质
CN111899879A (zh) 一种眼表疾病自动筛查方法与系统、区块链
Singh et al. A novel hybrid robust architecture for automatic screening of glaucoma using fundus photos, built on feature selection and machine learning‐nature driven computing
Palakvangsa-Na-Ayudhya et al. GlaucoVIZ: assisting system for early glaucoma detection using mask R-CNN
CN106446805A (zh) 一种眼底照中视杯的分割方法及系统
CN116503475A (zh) 一种基于深度学习的vrar双目3d目标定位方法
CN115713800A (zh) 图像分类方法及装置
US20230144621A1 (en) Capturing diagnosable video content using a client device
Zhou Design of intelligent diagnosis and treatment system for ophthalmic diseases based on deep neural network model
Khan et al. Ocular inspection to prevent vision impairment caused by diabetic retinopathy
Mostafa et al. Diagnosis of Glaucoma from Retinal Fundus Image Using Deep Transfer Learning
EP4089628A1 (en) Sight line estimation device, sight line estimation method, model generation device, and model generation method
TWI839761B (zh) 基於模型整合之健康醫療事件預測系統及其方法

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