CN111938569A - 基于深度学习的眼底多病种分类的检测方法 - Google Patents
基于深度学习的眼底多病种分类的检测方法 Download PDFInfo
- Publication number
- CN111938569A CN111938569A CN202010983010.7A CN202010983010A CN111938569A CN 111938569 A CN111938569 A CN 111938569A CN 202010983010 A CN202010983010 A CN 202010983010A CN 111938569 A CN111938569 A CN 111938569A
- Authority
- CN
- China
- Prior art keywords
- training
- fundus
- image
- deep learning
- disease
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 51
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004049 embossing Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract description 5
- 206010012689 Diabetic retinopathy Diseases 0.000 abstract description 4
- 208000010412 Glaucoma Diseases 0.000 abstract description 3
- 206010038926 Retinopathy hypertensive Diseases 0.000 abstract description 3
- 230000004402 high myopia Effects 0.000 abstract description 3
- 201000001948 hypertensive retinopathy Diseases 0.000 abstract description 3
- 208000002780 macular degeneration Diseases 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 210000003462 vein Anatomy 0.000 abstract description 3
- 230000036285 pathological change Effects 0.000 abstract description 2
- 231100000915 pathological change Toxicity 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract 1
- 238000013526 transfer learning Methods 0.000 abstract 1
- 238000003745 diagnosis Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 2
- 210000004220 fundus oculi Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20212—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Ophthalmology & Optometry (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (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
本发明公开一种基于深度学习的眼底多病种分类的检测方法，包括：获取眼底图像，按照独立同分布的条件选取训练集和测试集；对眼底图像进行预处理和增强，提取眼底彩照图像特征；搭建基于EfficientNet+Attention Module的卷积神经网络模型，并调整网络结构；使用迁移学习方式初始化网络参数；基于提取的眼底特征，在训练集上利用深度学习中的反向梯度传播方式进行检测模型的训练，并微调检测模型的参数，最终得到能区分正常眼底、高度近视、青光眼、黄斑病变、静脉阻塞、糖尿病性视网膜病变、高血压性视网膜病和其他病变共八种分类的检测模型。本发明实现对眼底疾病患者的多病种自动检测，精度高，速度快。
Description
技术领域
本发明涉及一种基于深度学习的眼底多病种分类的检测方法，属于医学图像处理领域。
背景技术
近年来，眼底多病种疾病发病率高，危害严重。眼底彩照检查是发现眼底疾病的最简便有效的方法，通过医生使用专业眼底照相机对眼底图像进行采集后进行人工的诊断。眼底检查需要眼底专业医生和检查设备，设备投入较高，医生培养困难，而基层医院和查体中心有大量存在需求的人群，问题十分严峻。即便是仪器和医生人数充足，诊断也十分依赖医生的个人状态和经验。因此随着深度学习的不断发展，通过人工智能来协助医疗的诊断，为医生提供眼底多病种疾病的诊断建议，提高诊断的效率及准确性越发受到人们关注。
目前基于深度学习算法的眼底病种诊断方法中，普遍为对单病种进行是否患病的判断，且一般工作都集中在如糖尿病视网膜病变等常见病种中。所存在的多病种诊断方法中，也存在模型复杂，检测效率低的不足。
发明内容
发明目的：本发明目的在于针对现有技术的不足，提供一种基于深度学习的眼底多病种分类的检测方法，实现对眼底疾病患者的多病种自动检测，精度高，速度快。
技术方案：本发明所述基于深度学习的眼底多病种分类的检测方法，包括如下步骤：
(1)获取眼底图像，构建用于分类器训练的数据集，并进行训练、验证集的划分；
(2)对所述眼底图像进行图像预处理，对图像进行归一化操作及数据增强操作；
(3)构建基于EfficientNet+Attention Module的眼底多病种分类器，根据分类要求进行网络结构的调整，使模型产生八种分类的概率结果；
(4)对眼底病种分类器，采用改进的BCEWithLogitsLoss损失函数，根据各眼底病种的不平衡数据对该损失函数进行权重的调节，采用two-phase训练方法对该分类器进行训练；
(5)根据构建好的模型，在训练集上利用深度学习中的反向传播机制进行模型的训练，训练过程中引入标签平滑操作，并微调检测模型的参数，最终得到眼底多病种的检测模型。
进一步完善上述技术方案，所述步骤(1)的具体操作包括：对所述眼底图像建立数据集，对不同病种：正常眼底、高度近视、青光眼、黄斑病变、静脉阻塞、糖尿病性视网膜病变、高血压性视网膜病和其他病变共八种分类按照“0-7”设立不同标签；设立标签后，按照9∶1的比例进行独立同分布的训练/验证集的划分。
进一步地，所述步骤(2)的具体操作包括：对图像统一缩放到224×224的大小；进行归一化的操作，将图像高斯模糊处理后与原始图像反向叠加，并将像素色彩均值移动到128，公式如下：
Ie(x，y)＝αI(x，y)+βGaussion(x，y，ρ)*I(x，y)+γ
其中，设I为输入图像，*表示卷积操作，Gaussion(x，y，ρ)表示标准差为ρ的高斯滤波器，参数α，β，γ和ρ为经验参数，在本文中设置α＝4，β＝-4，γ＝128和ρ＝10。
归一化后，对图像进行数据增强操作，并将图像与其标签输入神经网络。
进一步地，所述步骤(2)中所述数据增强操作是指对每一张训练样本进行以下操作：以百分之五十的概率进行水平翻转；以百分之五十的概率进行转置；随机gamma变换，gamma值限制在(50，150)之间；以百分之五十的概率随机改变图片的HUE、饱和度和值；以百分之五十的概率进行平移旋转操作；在以下组合中任选一项进行操作：限制对比度直方图均衡(CLAHE)算法；图像锐化后与自身重叠(IAASharpen)的算法；对图像执行某一程度浮雕操作，通过某一通道将结果与图像融合(IAAEmboss)的算法；随机亮度与对比度调节；随机模糊与增加高斯噪声处理。
进一步地，所述步骤(3)的具体操作包括：对眼底多病种分类器采用EfficientNet-b0作为特征提取网络，网络将输出7×7×1280的特征图。通过AttentionModule加强特征图，将特征图输入Attention网络学习重要特征位置，将输出结果与原特征图相乘后产生加强特征图，对加强后的特征图与Attention网络输出结果池化并进行堆叠，输出Attention Module的结果。将该结果与原始特征图经过单层卷积产生的结果平均后输入八个节点的Softmax分类层，用以输出输入图像患各病种的概率。
进一步地，所述步骤(3)中Attention网络结构可表示为C256-C128-C64-C1-C256，Ck表示该卷积层中有k个卷积核，每个卷积核的大小为1×1；五个卷积层的步长均为1；每个卷积层后使用ReLU作为激活函数；输出结果与加强后特征图采用的池化方式均为Generalized-mean pooling，其中参数p＝3。
进一步地，所述步骤(4)中对眼底多病种分类器的八种分类，根据每个病种的样本数量分别对BCEWithLogitsLoss损失函数的权重进行调整，训练样本越多的病种赋予更小的权重，降低该病种的损失值对模型的影响。训练后期采用two-phase训练方法，冻结所有参数，解冻模型尾端的全连接层，使用不带权重的BCEWithLogitsLoss损失函数进行训练，弥补该权重对数据分布产生的影响。
进一步地，所述步骤(5)中训练分类模型时，微调的模型参数的学习率、dropconnect率、drop out率等参数；对训练标签进行标签平滑操作，平滑系数设置为0.15。
有益效果：本发明公开了一种基于深度学习的眼底多病种分类的检测方法，对输入图像设计并训练了一个基于深度学习方法的八分类模型，该模型的流程主要由三个部分组成：基于EfficientNet的特征提取部分，在图像输入端，对输入图像进行多层的特征提取，产生1280层特征层；基于Attention Module的特征增强部分，将特征层通过注意力机制加强对关键特征的提取，将增强后的特征与原特征进行结合；全连接分类层将结合后的特征进行识别与分类，判断该图像所属分类，输出检测结果。本发明将医学理论知识与深度学习方法相结合，根据眼底图像的病变特征，自动检测分类眼底图像所属病种，精度高，速度快，能有效为医生提供眼底多病种疾病的诊断建议，提高诊断的效率及准确性。
附图说明
图1是本发明方法的流程示意图；
图2从左至右分别为：原图、归一化后图像、数据增强后图像的示意图；
图3是完整分类模型的结构示意图；
图4是AttentionNet的结构示意图。
具体实施方式
下面通过附图对本发明技术方案进行详细说明，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的一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
实施实例1：本发明提供的基于深度学习的眼底多病种分类的检测方法，首先对输入的眼底图像进行预处理和数据增强，提高网络的鲁棒性，之后通过EfficientNet进行特征提取与Attention Module进行特征增强，采用全连接层进行分类判断，最后输出各分类概率，如图1所示，基于深度学习的眼底多病种分类的检测方法包含以下步骤：
步骤一：选取数据集。本发明所使用数据集选自南京明基医院、江苏省省级机关医院以及江苏省人民医院提供的眼底彩照数据共36910张。其中各病种数据分别为：正常：17152张；高度近视：7475张；其他异常：3990张；糖尿病性视网膜病变：1732张；青光眼：1051张；黄斑病变：1030张；静脉阻塞：428张；高血压性视网膜病变：361张。对以上数据集进行9：1的独立同分布划分，产生共33219张训练集样本与3691张验证集样本。
步骤二：将图像统一缩放到224×224的大小；进行归一化的操作，将图像高斯模糊处理后与原始图像反向叠加，并将像素色彩均值移动到128；对图像进行数据增强操作，对每一张训练样本进行以下操作：以百分之五十的概率进行水平翻转；以百分之五十的概率进行转置；随机gamma变换，gamma值限制在(50，150)之间；以百分之五十的概率随机改变图片的HUE、饱和度和值；以百分之五十的概率进行平移旋转操作；在以下组合中任选一项进行操作：限制对比度直方图均衡(CLAHE)算法；图像锐化后与自身重叠(IAASharpen)的算法；对图像执行某一程度浮雕操作，通过某一通道将结果与图像融合(IAAEmboss)的算法；随机亮度与对比度调节；随机模糊与增加高斯噪声处理。处理后的结果如图2所示，从左至右依次为：未处理原图、归一化后图像、数据增强后图像。
步骤三：搭建神经网络模型，其完整示意图见图3。通过移除原始EfficientNet-b0网络的分类模块，得到基于EfficientNet的特征提取网络，其输出名为FE的特征图，其大小为7×7×1280。根据后续实验结果进行参数调整，最终EfficientNet的部分超参数调整为：dropconnect rate＝0.4，dropout rate＝0.3。构建AttentionNet对FE进一步特征提取，其结构示意图如图4所示。其产生的掩膜FA与FE进行相乘，得到强化后特征图。将该特征图与FA共同进行p＝3的Generalized-mean池化中，并将结果进行堆叠，得到Attention Module的输出结果。该结果与FE经过单层卷积核为7×7的卷积层结果进行平均，共同输入FC全连接层中，并得到8种概率结果。
步骤四：对上述搭建好的模型进行训练。训练中学习率为0.00005，优化器选择为带预热的Adam，损失函数BCEWithLogitsLoss的权重设置值为：[1，2，14.4，50.4，14.2，8.6，3.8，41.4]。训练过程中使用kappa系数作为评价指标，每次迭代训练后使用测试集进行测试，若得到最佳kappa值则保存当前权重系数，若超过10次迭代未超过最佳kappa值则终止训练。训练终止后，冻结除全连接层的其余参数，使用不带权重的损失函数按上述条件进行训练，得到最终的网络模型。
实验硬件：中央处理器为3.6GHZ Intel i7-7700，图形处理器为英伟达GTX1080，显存为8GB。实验软件：操作系统为Windows10，程序设计语言版本为Python 3.7，深度学习框架为Pytorch 1.5。
本发明中出于局部特征提取和检测精度的目的，结合EfficientNet和AttentionModule进行特征提取：通过对原始特征图的增强，且在全连接层将增强前后特征图进行共同判断，相比于单一使用EfficientNet分类网络，本发明提出的方法能够取得更高的检测精度。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。
Claims (6)
1.基于深度学习的眼底多病种分类的检测方法，其特征在于，包括如下步骤：
(1)获取眼底图像，构建用于分类器训练的数据集，并进行训练、验证集的划分；
(2)对所述眼底图像进行图像预处理，对图像进行归一化操作及数据增强操作；
(3)构建基于EfficientNet+Attention Module的眼底多病种分类器，根据分类要求进行网络结构的调整，使模型产生八种分类的概率结果；
(4)对眼底病种分类器，采用改进的BCEWithLogitsLoss损失函数，根据各眼底病种的不平衡数据对该损失函数进行权重的调节，采用two-phase训练方法对该分类器进行训练；
(5)根据构建好的模型，在训练集上利用深度学习中的反向传播机制进行模型的训练，训练过程中引入标签平滑操作，并微调检测模型的参数，最终得到眼底多病种的检测模型。
2.根据权利要求1所述的基于深度学习的眼底多病种分类的检测方法，其特征在于：所述步骤(1)的具体操作包括：对所述眼底图像建立数据集，对不同病种按照“0-7”设立不同标签；设立标签后，按照9∶1的比例进行训练/验证集的划分。
3.根据权利要求1所述的基于深度学习的眼底多病种分类的检测方法，其特征在于：所述步骤(2)的具体操作包括：对图像统一缩放到224×224的大小；进行归一化的操作，将图像高斯模糊处理后与原始图像反向叠加，并将像素色彩均值移动到128；对图像进行数据增强操作，对每一张训练样本进行以下操作：以百分之五十的概率进行水平翻转；以百分之五十的概率进行转置；随机gamma变换，gamma值限制在(50，150)之间；以百分之五十的概率随机改变图片的HUE、饱和度和值；以百分之五十的概率进行平移旋转操作；在以下组合中任选一项进行操作：限制对比度直方图均衡(CLAHE)算法；图像锐化后与自身重叠(IAASharpen)的算法；对图像执行某一程度浮雕操作，通过某一通道将结果与图像融合(IAAEmboss)的算法；随机亮度与对比度调节；随机模糊与增加高斯噪声处理。
4.根据权利要求1所述的基于深度学习的眼底多病种分类的检测方法，其特征在于：所述步骤(3)的具体操作包括：对眼底多病种分类器采用EfficientNet-b0作为特征提取网络，网络将输出7×7×1280的特征图；通过Attention Module加强特征图，将特征图输入Attention网络学习重要特征位置，输出结果与原特征图相乘后产生加强特征图，对加强后的特征图与Attention网络输出结果池化并进行堆叠，输出Attention Module的结果；将该结果与原始特征图经过单层卷积产生的结果平均后输入八个节点的Softmax分类层，用以输出输入图像患各病种的概率。
5.根据权利要求1所述的基于深度学习的眼底多病种分类的检测方法，其特征在于：所述步骤(4)中对眼底多病种分类器的八种分类，根据每个病种的样本数量分别对BCEWithLogitsLoss损失函数的权重进行调整，训练样本越多的病种赋予更小的权重，降低该病种的损失值对模型的影响；训练后期采用two-phase训练方法，冻结所有参数，解冻模型尾端的全连接层，使用不带权重的BCEWithLogitsLoss损失函数进行训练，弥补该权重对数据分布产生的影响。
6.根据权利要求1所述的基于深度学习的眼底多病种分类的检测方法，其特征在于：所述步骤(5)中训练分类模型时，微调的模型参数的学习率、drop connect率、drop out率等参数；对训练标签进行标签平滑操作，平滑系数设置为0.15。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010983010.7A CN111938569A (zh) | 2020-09-17 | 2020-09-17 | 基于深度学习的眼底多病种分类的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010983010.7A CN111938569A (zh) | 2020-09-17 | 2020-09-17 | 基于深度学习的眼底多病种分类的检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111938569A true CN111938569A (zh) | 2020-11-17 |
Family
ID=73356241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010983010.7A Pending CN111938569A (zh) | 2020-09-17 | 2020-09-17 | 基于深度学习的眼底多病种分类的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111938569A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541906A (zh) * | 2020-12-17 | 2021-03-23 | 上海鹰瞳医疗科技有限公司 | 一种数据处理的方法及装置、电子设备、存储介质 |
| CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测系统 |
| CN112651438A (zh) * | 2020-12-24 | 2021-04-13 | 世纪龙信息网络有限责任公司 | 多类别图像的分类方法、装置、终端设备和存储介质 |
| CN113011485A (zh) * | 2021-03-12 | 2021-06-22 | 北京邮电大学 | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 |
| CN113516678A (zh) * | 2021-03-31 | 2021-10-19 | 杭州电子科技大学 | 一种基于多任务的眼底图像检测方法 |
| CN113593635A (zh) * | 2021-08-06 | 2021-11-02 | 上海市农业科学院 | 一种玉米表型预测方法及系统 |
| CN113902036A (zh) * | 2021-11-08 | 2022-01-07 | 哈尔滨理工大学 | 一种多特征融合的眼底视网膜疾病识别方法 |
| CN113947027A (zh) * | 2021-10-26 | 2022-01-18 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习的高铁受电弓运行监测方法 |
| WO2023115063A1 (en) * | 2021-12-17 | 2023-06-22 | F. Hoffmann-La Roche Ag | Detecting ocular comorbidities when screening for diabetic retinopathy (dr) using 7-field color fundus photos |
| CN116310600A (zh) * | 2023-05-18 | 2023-06-23 | 杭州目乐医疗科技股份有限公司 | 眼底图像多病变分类方法及装置 |
| CN116682564A (zh) * | 2023-07-27 | 2023-09-01 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
| CN117078697A (zh) * | 2023-08-21 | 2023-11-17 | 南京航空航天大学 | 一种基于级联模型融合的眼底病种检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
| CN109948607A (zh) * | 2019-02-21 | 2019-06-28 | 电子科技大学 | 基于深度学习反卷积网络的候选边框生成和目标检测方法 |
| CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
-
2020
- 2020-09-17 CN CN202010983010.7A patent/CN111938569A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021916A (zh) * | 2017-12-31 | 2018-05-11 | 南京航空航天大学 | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 |
| CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
| CN109948607A (zh) * | 2019-02-21 | 2019-06-28 | 电子科技大学 | 基于深度学习反卷积网络的候选边框生成和目标检测方法 |
| CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541906A (zh) * | 2020-12-17 | 2021-03-23 | 上海鹰瞳医疗科技有限公司 | 一种数据处理的方法及装置、电子设备、存储介质 |
| CN112652392A (zh) * | 2020-12-22 | 2021-04-13 | 成都市爱迦科技有限责任公司 | 一种基于深度神经网络的眼底异常预测系统 |
| CN112651438A (zh) * | 2020-12-24 | 2021-04-13 | 世纪龙信息网络有限责任公司 | 多类别图像的分类方法、装置、终端设备和存储介质 |
| CN113011485A (zh) * | 2021-03-12 | 2021-06-22 | 北京邮电大学 | 多模态多病种长尾分布眼科疾病分类模型训练方法和装置 |
| CN113516678B (zh) * | 2021-03-31 | 2024-04-05 | 杭州电子科技大学 | 一种基于多任务的眼底图像检测方法 |
| CN113516678A (zh) * | 2021-03-31 | 2021-10-19 | 杭州电子科技大学 | 一种基于多任务的眼底图像检测方法 |
| CN113593635A (zh) * | 2021-08-06 | 2021-11-02 | 上海市农业科学院 | 一种玉米表型预测方法及系统 |
| CN113947027A (zh) * | 2021-10-26 | 2022-01-18 | 中科海拓(无锡)科技有限公司 | 一种基于深度学习的高铁受电弓运行监测方法 |
| CN113902036A (zh) * | 2021-11-08 | 2022-01-07 | 哈尔滨理工大学 | 一种多特征融合的眼底视网膜疾病识别方法 |
| WO2023115063A1 (en) * | 2021-12-17 | 2023-06-22 | F. Hoffmann-La Roche Ag | Detecting ocular comorbidities when screening for diabetic retinopathy (dr) using 7-field color fundus photos |
| CN116310600A (zh) * | 2023-05-18 | 2023-06-23 | 杭州目乐医疗科技股份有限公司 | 眼底图像多病变分类方法及装置 |
| CN116682564A (zh) * | 2023-07-27 | 2023-09-01 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
| CN116682564B (zh) * | 2023-07-27 | 2023-10-27 | 首都医科大学附属北京友谊医院 | 基于机器学习的近视牵引性黄斑病变风险预测方法及装置 |
| CN117078697A (zh) * | 2023-08-21 | 2023-11-17 | 南京航空航天大学 | 一种基于级联模型融合的眼底病种检测方法 |
| CN117078697B (zh) * | 2023-08-21 | 2024-04-09 | 南京航空航天大学 | 一种基于级联模型融合的眼底病种检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111938569A (zh) | 基于深度学习的眼底多病种分类的检测方法 | |
| Li et al. | A large-scale database and a CNN model for attention-based glaucoma detection | |
| CN108021916B (zh) | 基于注意力机制的深度学习糖尿病视网膜病变分类方法 | |
| Al-Bander et al. | Multiscale sequential convolutional neural networks for simultaneous detection of fovea and optic disc | |
| CN111259982A (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
| CN109635862B (zh) | 早产儿视网膜病plus病变分类方法 | |
| CN111815562B (zh) | 一种U-Net与自适应PCNN相结合的视网膜血管分割方法 | |
| Peng et al. | Automatic staging for retinopathy of prematurity with deep feature fusion and ordinal classification strategy | |
| CN107016676A (zh) | 一种基于pcnn的视网膜血管图像分割方法和系统 | |
| Yang et al. | Classification of diabetic retinopathy severity based on GCA attention mechanism | |
| CN113284136A (zh) | 一种双损失函数训练的残差网络和XGBoost的医学图像分类方法 | |
| Sathananthavathi et al. | Parallel architecture of fully convolved neural network for retinal vessel segmentation | |
| Lyu et al. | Deep tessellated retinal image detection using Convolutional Neural Networks | |
| Tang et al. | Retinal vessel segmentation from fundus images using DeepLabv3+ | |
| Sallam et al. | Diabetic retinopathy grading using resnet convolutional neural network | |
| Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
| Miao et al. | Classification of diabetic retinopathy based on multiscale hybrid attention mechanism and residual algorithm | |
| Ali et al. | Cataract disease detection used deep convolution neural network | |
| CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
| CN114937022B (zh) | 一种新型冠状肺炎的疾病检测分割方法 | |
| CN109829931A (zh) | 一种基于区域增长pcnn的视网膜血管分割方法 | |
| CN114881927A (zh) | 早产儿视网膜病变的检测方法及装置、设备 | |
| Kumar et al. | Segmentation of retinal lesions in fundus images: a patch based approach using encoder-decoder neural network | |
| CN109978819B (zh) | 一种基于低尺度血管检测分割视网膜血管的方法 | |
| Kazi et al. | Processing retinal images to discover diseases |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201117 |