CN111986211A - 一种基于深度学习的眼科超声自动筛查方法及系统 - Google Patents
一种基于深度学习的眼科超声自动筛查方法及系统 Download PDFInfo
- Publication number
- CN111986211A CN111986211A CN202010817760.7A CN202010817760A CN111986211A CN 111986211 A CN111986211 A CN 111986211A CN 202010817760 A CN202010817760 A CN 202010817760A CN 111986211 A CN111986211 A CN 111986211A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- ophthalmic
- deep learning
- ophthalmic ultrasonic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000002604 ultrasonography Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 210000005252 bulbus oculi Anatomy 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 206010038848 Retinal detachment Diseases 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004264 retinal detachment Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 208000034698 Vitreous haemorrhage Diseases 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 208000000318 vitreous detachment Diseases 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 10
- 201000010099 disease Diseases 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000002177 Cataract Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000018769 loss of vision Diseases 0.000 description 1
- 231100000864 loss of vision Toxicity 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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 Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的眼科超声自动筛查方法及系统,该方法包括:模型训练阶段:收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;检测阶段:S1、获取待检测的眼科超声图像;S2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;S3、根据所识别病灶评估相应风险评级;S4、根据风险等级,进行下一步诊疗提示。本发明可以减少医生工作量,提高疾病的及时诊断率,同时因为可以显示出具体的病灶位置,可用于对新手医生进行辅助培训。
Description
技术领域
本发明涉及医疗技术辅助领域,尤其涉及一种基于深度学习的眼科超声自动筛查方法及系统。
背景技术
超声诊断是利用超声的物理特性即声波的反射特性,应用于对人体器官组织病理变化的一种有效手段,通过对人体器官组织的成像从而对检测部位做出评价,具有无创、无痛、方便、直观的优点。眼科超声检查几乎成为屈光间质混浊后唯一可以显示眼内疾病的诊疗手段,在眼科临床辅助检查中具有无法替代的重要作用。早期诊断白内障等易致盲疾病有助于减少可预防的视力损失。在国际上和中国等医疗资源缺乏的地方,仍然存在着巨大的筛查负担,一种高效的自动筛查系统将有助于解决未得到满足的筛查需求。然而超声医生检查技术水平的差异,医生数量的缺乏以及高强度的检查工作,容易造成医生的视觉疲劳,急性病症的延迟诊断,以及疾病的低准确率。
同时,研究发现高水平的超声医生与疾病的高准确率息息相关。因此,那些在紧急情况下使用超声波的人应该接受培训,以达到适当的水平,从而避免在诊断中出现严重错误。然而各国之间的超声培训标准并不统一。在低收入的发展中国家,甚至无法做到标准的培训。所以迫切需要一个高效准确的人工智能辅助系统,对眼科超声医生进行辅助培训。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于深度学习的眼科超声自动筛查方法及系统,不仅能自动筛查相关疾病,减少医生工作量,提高疾病的及时诊断率,同时对新手医生进行辅助培训。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于深度学习的眼科超声自动筛查方法,该方法包括以下步骤:
模型训练阶段:
收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;
检测阶段:
S1、获取待检测的眼科超声图像;
S2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;
S3、根据所识别病灶评估相应风险评级;
S4、根据风险等级,进行下一步诊疗提示。
进一步地,本发明的步骤S2中,所述的分割模型包括U-net,U-net++,Mask-RCNN。
进一步地,本发明的步骤S2中,所述的分类模型包括Resnet,Resnext。
进一步地,本发明的步骤S2中,所述的显示病灶位置的方法具体为:
通过类激活映射图CAMs对病灶位置进行显示,预测病灶的置信度与类激活映射图CAMs的颜色深度呈正相关。
进一步地,本发明的步骤S3中,所述的风险等级为:1级,视网膜脱离;2级,玻璃体出血;3级,玻璃体脱离;4级,其它;5级,正常。
进一步地,本发明的步骤S4中,所述的下一步诊疗提示为:1、2和3级,医生进行进一步诊断治疗;4级,观察;5级,无需进一步干预。
进一步地,本发明的该方法中对分割模型进行训练的方法为:
通过收集历史眼科超声图片和视频,使用标图软件对眼球进行标注,给与标签,用于训练模型分割眼球范围。
进一步地,本发明的该方法中对分类模型进行训练的方法为:
通过收集历史眼科超声图片和视频,通过图像处理对眼球范围内的图像给予不同类别标签,用于训练基于深度学习的卷积神经网络模型;
基于深度学习的卷积神经网络模型训练过程为:
(1)对采集的超声图像进行预处理,得到子图像,按一定比例随机分为训练集,验证集和测试集;
图片预处理的方法包括对图片进行去噪声处理,采用双边滤波方法,具体公式为:
cv2.bilateralFilter(img,10,35,35),
其中img为待处理图像;第二个参数10为领域直径范围;第三个参数35为空间高斯函数标准差;第四个参数35为灰度值相似性高斯函数标准差;
(2)将训练集的数据输入神经网络进行训练,在得到训练好的网络模型;
(3)将测试集的数据输入训练好的网络模型,得到初步测试结果;
(4)基于训练后的模型对样本数据集进行测试和精度评价,根据评价反馈对模型参数进行调试和结构优化,重复步骤(1)-步骤(3),直至模型性能稳定后生成最终模型参数;
模型采用负对数损失函数描述训练样本中预测值与真值的差异,并基于此对模型进行调试和优化,具体为:
L(xi)=yiln(S(xi))+(1-yi)ln(1-S(xi))
式中,L(x)为训练样本的总损失值;m为总样本个数;L(xi)为单个像素的损失值;xi和yi分别对应各个像素的输入特征和类别标签;S为xi属于yi类的得分或者置信度。
本发明提供一种基于深度学习的眼科超声自动筛查系统,包括以下模块:
模型训练模块,用于收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;
影像获取模块,用于获取待检测的眼科超声图像;
识别模块,用于利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;
评估模块,用于将每种病灶和相应的风险等级进行一一绑定,根据所识别病灶得出相应风险评级;
指导模块,用于将风险等级和相应的诊疗提示一一绑定,根据风险等级给出下一步诊治提示。
本发明产生的有益效果是:本发明的基于深度学习的眼科超声自动筛查方法及系统,可以减少医生工作量,提高疾病的及时诊断率。同时因为可以显示出具体的病灶位置,可用于对新手医生进行辅助培训。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例基于深度学习的眼科超声自动筛查方法流程图;
图2是本发明实施例眼科超声过程示意图;
图3是本发明实施例基于深度学习的眼科超声自动筛查系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的基于深度学习的眼科超声自动筛查方法,该方法包括以下步骤:
模型训练阶段:
收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;
检测阶段:
S1、获取待检测的眼科超声图像;
S2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;
S3、根据所识别病灶评估相应风险评级;
S4、根据风险等级,进行下一步诊疗提示。
接上述技术方案,所述的分割模型指通过收集往年的眼科超声图片和视频,使用标图软件对眼球进行标注,给与标签,用于训练模型分割眼球范围。
接上述技术方案,所述的分类模型指通过收集往年的眼科超声图片和视频,由两个专家进行评图,给与不同类别标签,用于训练模型识别不同病灶。
可预先建立一个样本数据库,收集往年的眼科超声图片和视频,可人工对图片眼球标注和病灶分类,用于人工智能网络分割和分类模型的训练。人工智能网络分割模型主要为了让分割眼球区域,用于下一步分类识别。人工智能网络分类模型主要用于病灶类型。类激活映射图用于显示病灶位置。
可预先将病灶类别和相应风险等级,相应诊疗操作进行一对一“绑定”。可将获取的图片输入预先训练好的人工智能网络模型,模型根据图片特征,识别当前图片病灶类型及位置。当识别相应的类别时,该病灶诊断直接显示在左屏幕,同时显示出对应诊疗操作的指示。
该方法中对分类模型进行训练的方法为:
通过收集历史眼科超声图片和视频,通过图像处理对眼球范围内的图像给予不同类别标签,用于训练基于深度学习的卷积神经网络模型;
基于深度学习的卷积神经网络模型训练过程为:
(1)对采集的超声图像进行预处理,得到子图像,按一定比例随机分为训练集,验证集和测试集;
图片预处理的方法包括对图片进行去噪声处理,采用双边滤波方法,具体公式为:
cv2.bilateralFilter(img,10,35,35),
其中img为待处理图像;第二个参数10为领域直径范围;第三个参数35为空间高斯函数标准差;第四个参数35为灰度值相似性高斯函数标准差;
(2)将训练集的数据输入神经网络进行训练,在得到训练好的网络模型;
(3)将测试集的数据输入训练好的网络模型,得到初步测试结果;
(4)基于训练后的模型对样本数据集进行测试和精度评价,根据评价反馈对模型参数进行调试和结构优化,重复步骤(1)-步骤(3),直至模型性能稳定后生成最终模型参数;
模型采用负对数损失函数描述训练样本中预测值与真值的差异,并基于此对模型进行调试和优化,具体为:
L(xi)=yiln(S(xi))+(1-yi)ln(1-S(xi))
式中,L(x)为训练样本的总损失值;m为总样本个数;L(xi)为单个像素的损失值;xi和yi分别对应各个像素的输入特征和类别标签;S为xi属于yi类的得分或者置信度。
如图2显示了视网膜脱离具体识别过程。影像可以二进制视频流的方式同步传输。获取视频流后对其进行解析、处理。首先,识别模块识别出视网膜脱离后,会在左边屏幕点亮“视网膜脱离”红色字体,同时以红框框出病灶所在位置。识别结果输送到下一步,提示为“需医生进行进一步诊断治疗”。
病灶风险等级中,1级视网膜脱离,2级玻璃体出血,3级玻璃体脱离,4级其他,5级正常。
诊疗提示中,1、2和3级,需医生进行进一步诊断治疗,4级可观察,5级无需进一步干预。
本实例中,具体参数为:分割模型,2batch size,0.0001学习率,0.5区分背景和阳性样本的阈值。分类模型参数为batch size 64,学习率0.0001,收敛迭代次数为30。
如图3所示,本发明实施例的基于深度学习的眼科超声自动筛查系统,主要用于实现上述实施例的筛查方法,具体包括:
模型训练模块,用于收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;
影像获取模块,用于获取待检测的眼科超声图像;
识别模块,用于利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;
评估模块,用于将每种病灶和相应的风险等级进行一一绑定,根据所识别病灶得出相应风险评级;
指导模块,用于将风险等级和相应的诊疗提示一一绑定,根据风险等级给出下一步诊治提示。
系统功能实现与方法部分是一致的,在此不赘述。
本发明还提供了一种计算机存储介质,其内存储有可被处理器执行的计算机程序,该计算机程序执行如上述技术方案的基于深度学习的眼科超声自动筛查系统及方法。
本发明产生的有益效果是:提供一种基于深度学习的眼科超声自动筛查系统及方法,可以减少医生工作量,提高疾病的及时诊断率。同时因为可以显示出具体的病灶位置,可用于对新手医生进行辅助培训。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种基于深度学习的眼科超声自动筛查方法,其特征在于,该方法包括以下步骤:
模型训练阶段:
收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;
检测阶段:
S1、获取待检测的眼科超声图像;
S2、利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;
S3、根据所识别病灶评估相应风险评级;
S4、根据风险等级,进行下一步诊疗提示。
2.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法,其特征在于,步骤S2中,所述的分割模型包括U-net,U-net++,Mask-RCNN等。
3.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法,其特征在于,步骤S2中,所述的分类模型包括Resnet,Resnext等。
4.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法,其特征在于,步骤S2中,所述的显示病灶位置的方法具体为:
通过类激活映射图CAMs对病灶位置进行显示,预测病灶的置信度与类激活映射图CAMs的颜色深度呈正相关。
5.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法,其特征在于,步骤S3中,所述的风险等级为:1级,视网膜脱离;2级,玻璃体出血;3级,玻璃体脱离;4级,其它;5级,正常。
6.根据权利要求5所述的基于深度学习的眼科超声自动筛查方法,其特征在于,步骤S4中,所述的下一步诊疗提示为:1、2和3级,医生进行进一步诊断治疗;4级,观察;5级,无需进一步干预。
7.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法,其特征在于,该方法中对分割模型进行训练的方法为:
通过收集历史眼科超声图片和视频,使用标图软件对眼球进行标注,给与标签,用于训练模型分割眼球范围。
8.根据权利要求1所述的基于深度学习的眼科超声自动筛查方法,其特征在于,该方法中对分类模型进行训练的方法为:
通过收集历史眼科超声图片和视频,通过图像处理对眼球范围内的图像给予不同类别标签,用于训练基于深度学习的卷积神经网络模型;
基于深度学习的卷积神经网络模型训练过程为:
(1)对采集的超声图像进行预处理,得到子图像,按一定比例随机分为训练集,验证集和测试集;
图片预处理的方法包括对图片进行去噪声处理,采用双边滤波方法,具体公式为:
cv2.bilateralFilter(img,10,35,35),
其中img为待处理图像;第二个参数10为领域直径范围;第三个参数35为空间高斯函数标准差;第四个参数35为灰度值相似性高斯函数标准差;
(2)将训练集的数据输入神经网络进行训练,在得到训练好的网络模型;
(3)将测试集的数据输入训练好的网络模型,得到初步测试结果;
(4)基于训练后的模型对样本数据集进行测试和精度评价,根据评价反馈对模型参数进行调试和结构优化,重复步骤(1)-步骤(3),直至模型性能稳定后生成最终模型参数;
模型采用负对数损失函数描述训练样本中预测值与真值的差异,并基于此对模型进行调试和优化,具体为:
L(xi)=yi ln(S(xi))+(1-yi)ln(1-S(xi))
式中,L(x)为训练样本的总损失值;m为总样本个数;L(xi)为单个像素的损失值;xi和yi分别对应各个像素的输入特征和类别标签;S为xi属于yi类的得分或者置信度。
9.一种基于深度学习的眼科超声自动筛查系统,其特征在于,包括以下模块:
模型训练模块,用于收集历史眼科超声图片和视频,对其进行训练得到分割模型和分类模型;
影像获取模块,用于获取待检测的眼科超声图像;
识别模块,用于利用训练好分割模型对待检测眼科超声图像进行人工智能网络分割,并利用分类模型对分割后的眼科超声图像进行识别,识别得到病灶类别,同时提示病灶位置;
评估模块,用于将每种病灶和相应的风险等级进行一一绑定,根据所识别病灶得出相应风险评级;
指导模块,用于将风险等级和相应的诊疗提示一一绑定,根据风险等级给出下一步诊治提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817760.7A CN111986211A (zh) | 2020-08-14 | 2020-08-14 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817760.7A CN111986211A (zh) | 2020-08-14 | 2020-08-14 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111986211A true CN111986211A (zh) | 2020-11-24 |
Family
ID=73434936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817760.7A Pending CN111986211A (zh) | 2020-08-14 | 2020-08-14 | 一种基于深度学习的眼科超声自动筛查方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986211A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112603368A (zh) * | 2020-12-25 | 2021-04-06 | 上海深博医疗器械有限公司 | 一种乳腺超声导航及诊断的系统和方法 |
CN112862782A (zh) * | 2021-02-05 | 2021-05-28 | 佛山科学技术学院 | 一种基于R-Unet的人眼玻璃体混浊程度分级方法 |
CN112927228A (zh) * | 2021-04-14 | 2021-06-08 | 依未科技(北京)有限公司 | 图像评估方法和装置、模型训练方法和装置 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113487621A (zh) * | 2021-05-25 | 2021-10-08 | 平安科技(深圳)有限公司 | 医学图像分级方法、装置、电子设备及可读存储介质 |
CN113610847A (zh) * | 2021-10-08 | 2021-11-05 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
CN113902670A (zh) * | 2021-08-31 | 2022-01-07 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
CN114664410A (zh) * | 2022-03-11 | 2022-06-24 | 北京医准智能科技有限公司 | 一种基于视频的病灶分类方法、装置、电子设备及介质 |
WO2022142368A1 (en) * | 2020-12-29 | 2022-07-07 | Aimomics (Shanghai) Intelligent Technology Co., Ltd | Rapid screen system based on eye region image |
CN115376205A (zh) * | 2022-07-25 | 2022-11-22 | 武汉库柏特科技有限公司 | 超声扫描机器人控制方法、装置、设备及存储介质 |
CN115631367A (zh) * | 2022-09-30 | 2023-01-20 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829446A (zh) * | 2019-03-06 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 眼底图像识别方法、装置、电子设备及存储介质 |
CN110175983A (zh) * | 2019-04-17 | 2019-08-27 | 平安科技(深圳)有限公司 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
-
2020
- 2020-08-14 CN CN202010817760.7A patent/CN111986211A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829446A (zh) * | 2019-03-06 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 眼底图像识别方法、装置、电子设备及存储介质 |
CN110175983A (zh) * | 2019-04-17 | 2019-08-27 | 平安科技(深圳)有限公司 | 眼底病灶筛查方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘磊: "基于深度神经网络的视网膜病变检测方法研究", 《中国博士学位论文全文数据库医药卫生科技辑》, pages 60 - 72 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112603368A (zh) * | 2020-12-25 | 2021-04-06 | 上海深博医疗器械有限公司 | 一种乳腺超声导航及诊断的系统和方法 |
WO2022142368A1 (en) * | 2020-12-29 | 2022-07-07 | Aimomics (Shanghai) Intelligent Technology Co., Ltd | Rapid screen system based on eye region image |
CN112862782A (zh) * | 2021-02-05 | 2021-05-28 | 佛山科学技术学院 | 一种基于R-Unet的人眼玻璃体混浊程度分级方法 |
CN112927228A (zh) * | 2021-04-14 | 2021-06-08 | 依未科技(北京)有限公司 | 图像评估方法和装置、模型训练方法和装置 |
CN113487621A (zh) * | 2021-05-25 | 2021-10-08 | 平安科技(深圳)有限公司 | 医学图像分级方法、装置、电子设备及可读存储介质 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113349810B (zh) * | 2021-05-27 | 2022-03-01 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测系统及装置 |
CN113902670A (zh) * | 2021-08-31 | 2022-01-07 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
CN113902670B (zh) * | 2021-08-31 | 2022-07-29 | 北京医准智能科技有限公司 | 一种基于弱监督学习的超声视频分割方法及装置 |
CN113610847A (zh) * | 2021-10-08 | 2021-11-05 | 武汉楚精灵医疗科技有限公司 | 一种白光模式下胃部标志物评估方法及系统 |
CN114664410A (zh) * | 2022-03-11 | 2022-06-24 | 北京医准智能科技有限公司 | 一种基于视频的病灶分类方法、装置、电子设备及介质 |
CN114664410B (zh) * | 2022-03-11 | 2022-11-08 | 北京医准智能科技有限公司 | 一种基于视频的病灶分类方法、装置、电子设备及介质 |
CN115376205A (zh) * | 2022-07-25 | 2022-11-22 | 武汉库柏特科技有限公司 | 超声扫描机器人控制方法、装置、设备及存储介质 |
CN115631367A (zh) * | 2022-09-30 | 2023-01-20 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
CN115631367B (zh) * | 2022-09-30 | 2024-03-05 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986211A (zh) | 一种基于深度学习的眼科超声自动筛查方法及系统 | |
CN110010219B (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
CN110400289B (zh) | 眼底图像识别方法、装置、设备和存储介质 | |
Narasimha-Iyer et al. | Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy | |
CN113768461B (zh) | 一种眼底图像分析方法、系统和电子设备 | |
KR102155381B1 (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 | |
CN112837805B (zh) | 基于深度学习的眼睑拓扑形态特征的提取方法 | |
CN112233087A (zh) | 一种基于人工智能的眼科超声疾病诊断方法和系统 | |
CN111785363A (zh) | 一种基于ai引导的慢性病辅助诊断系统 | |
CN114694236B (zh) | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 | |
CN112446860B (zh) | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 | |
CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
KR20210033902A (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 | |
CN111161257A (zh) | 一种广域眼底图像质量控制的方法及人工智能系统 | |
CN115170492A (zh) | 一种基于ai技术的白内障患者术后视力智能预测评估系统 | |
CN111291706B (zh) | 一种视网膜图像视盘定位方法 | |
CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 | |
Kumari et al. | Automated process for retinal image segmentation and classification via deep learning based cnn model | |
CN112862782A (zh) | 一种基于R-Unet的人眼玻璃体混浊程度分级方法 | |
CN112381767A (zh) | 角膜反射图像的筛选方法、装置、智能终端及存储介质 | |
CN111259743A (zh) | 一种近视图像深度学习识别模型训练方法及系统 | |
Hussein et al. | Convolutional Neural Network in Classifying Three Stages of Age-Related Macula Degeneration | |
CN115909470B (zh) | 基于深度学习的全自动眼睑疾病术后外观预测系统和方法 | |
CN112950550B (zh) | 一种基于深度学习的2型糖尿病肾脏病变图像分类方法 |
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 |