CN112036448B - 圆锥角膜识别方法及设备 - Google Patents

圆锥角膜识别方法及设备 Download PDF

Info

Publication number
CN112036448B
CN112036448B CN202010802949.9A CN202010802949A CN112036448B CN 112036448 B CN112036448 B CN 112036448B CN 202010802949 A CN202010802949 A CN 202010802949A CN 112036448 B CN112036448 B CN 112036448B
Authority
CN
China
Prior art keywords
data
keratoconus
corneal
various
neural network
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
Application number
CN202010802949.9A
Other languages
English (en)
Other versions
CN112036448A (zh
Inventor
李明
周喆媛
郭子扬
熊健皓
戈宗元
赵昕
和超
张大磊
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.)
Beijing Yingtong Yuanjian Information Technology Co ltd
Original Assignee
Shanghai Eaglevision Medical Technology Co Ltd
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 Shanghai Eaglevision Medical Technology Co Ltd filed Critical Shanghai Eaglevision Medical Technology Co Ltd
Priority to CN202010802949.9A priority Critical patent/CN112036448B/zh
Publication of CN112036448A publication Critical patent/CN112036448A/zh
Application granted granted Critical
Publication of CN112036448B publication Critical patent/CN112036448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • A61B3/107—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for determining the shape or measuring the curvature of the cornea
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Veterinary Medicine (AREA)
  • Ophthalmology & Optometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提供一种圆锥角膜识别方法及设备，以多种角膜形态数据作为神经网络的输入数据，通过对这些数据提取高维特征进行分类得到关于多种圆锥角膜类别的分类结果，将人工观察角膜地形图数据的工作转为机器识别过程，利用神经网络代替人工进行圆锥角膜类别的细分，快速且准确地提供用于诊断的参考信息，由此可以提高医生的工作效率，并具有较高的准确性。

Description

圆锥角膜识别方法及设备
技术领域
本发明涉及医学数据识别领域，具体涉及一种圆锥角膜识别方法及设备。
背景技术
圆锥角膜是以角膜扩张、中央变薄向前突出、呈圆锥形为特征的一种眼病，是近视矫正手术的禁忌症。如图1所示，位于左侧的是正常角膜，位于右侧的是圆锥角膜。
如图2所示，角膜地形图是将专业仪器采集的曲率、厚度等一系列角膜表面数据以地形图形式展现出来，用于判断圆锥角膜严重程度的技术。有意愿进行近视矫正手术的人群逐年增多，而所有拟进行近视矫正手术的人群均需通过角膜地形图检查评估角膜形态。
在临床诊断中，医生需要耗费一定的时间和精力，通过观察角膜地形图评估被检查者角膜形态，从而做出是否需要进一步检查或就诊的建议，此过程要求医生具备大量的专业知识和临床经验才能做出准确的判断。然而，医生很难通过肉眼进行圆锥角膜类别的细分，例如继发圆锥角膜，医生往往需要依赖额外的激光手术史信息进行判断，顿挫型圆锥角膜更是临床中最难区分的一类。人工筛查过程还存在一定的误差和主观性因素影响，不够精确。
现有角膜地形图采集仪器大多采用61色的色彩条转换设置，将曲率、厚度等原始数据转换为彩色地形图，以便于医生肉眼观察。此数据转换步骤虽然便于医生肉眼评估，但存在一定程度的信息丢失问题，一些肉眼无法察觉的信息在原始数据色彩转换到地形图的过程中产生缺失。因此，现有的圆锥角膜识别方式效率较低，且准确性有待提高。
发明内容
有鉴于此，本发明提供一种圆锥角膜识别方法，包括：
步骤一、获取多种角膜形态数据；所述角膜形态数据包括但不限于：角膜厚度、角膜曲率、前房深度、前表面轴向曲率、后表面轴向曲率、前表面切向曲率、后表面切向曲率、总角膜屈光度、前表面海拔、后表面海拔、前后表面相对海拔、相对厚度；
步骤二、分别将各种角膜形态数据减去均值，再将相减结果除以标准差，得到统一尺度的各种角膜形态数据；
步骤三、利用神经网络对所述多种角膜形态数据进行识别，所述神经网络包括多个分支网络，所述多种角膜形态数据及相应的第一权重分别作为各个所述分支网络的输入数据，各分支网络分别输出关于多种圆锥角膜类别的分类结果；根据各分支网络输出的分类结果及其相应的第二权重确定总的分类结果；
所述多种圆锥角膜类别包括但不限于：圆锥角膜、圆锥角膜早期、继发圆锥角膜、顿挫型圆锥角膜。
本发明提供圆锥角膜识别模型训练方法，包括：
步骤一、获取多种训练数据，所述训练数据包括多种角膜形态数据及关于圆锥角膜类别的标签；所述角膜形态数据为141*141的矩阵；所述角膜形态数据包括但不限于：角膜厚度、角膜曲率、前房深度、前表面轴向曲率、后表面轴向曲率、前表面切向曲率、后表面切向曲率、总角膜屈光度、前表面海拔、后表面海拔、前后表面相对海拔、相对厚度；所述多种圆锥角膜类别包括但不限于：圆锥角膜、圆锥角膜早期、继发圆锥角膜、顿挫型圆锥角膜；
步骤二、采用包括但不限于PCA、t-SNE的降维手段，将将原始的角膜形态数据从高维数据降维到低维空间，在低维空间中构建数据的概率分布，再采用包括但不限于KL散度、JS散度的度量方法衡量分布之间的距离；
步骤三、分别确定标签为正常的各种角膜形态数据与标签为病变的各种角膜形态数据的分布距离，根据所述分布距离初始化与各种角膜形态数据相应的所述第一权重；
步骤四、分别确定标签为正常的各种角膜形态数据与标签为病变的各种角膜形态数据的分布距离，根据所述分布距离初始化相应的所述第二权重；
步骤五、分别将各种角膜形态数据减去均值，将相减结果除以标准差得到统一尺度的各种角膜形态数据；
步骤六、利用神经网络对所述多种角膜形态数据进行识别，所述神经网络包括多个分支网络，所述多种角膜形态数据及相应的第一权重分别作为各个所述分支网络的输入数据，各分支网络分别输出关于多种圆锥角膜类别的分类结果，其中所述第一权重作为被优化的参数；根据各分支网络输出的分类结果及其相应的第二权重确定总的分类结果，其中所述第二权重作为被优化的参数；
步骤七、采取多种数据处理方法解决各类型数据不平衡的问题，所述数据处理方法包含但不限于：数据增强方法，用于增加少量类别样本的数量；损失函数的设置、分类损失权重重分配方法，用于强化对少量类别数据的关注；数据采样方法；
步骤八、根据所述分类结果与所述标签的差异优化所述神经网络的参数。
可选地，在所述步骤二中：
所述数据增强方法包括但不限于旋转、水平翻转；
损失函数的设置、分类损失权重重分配方法包括但不限于Focal Loss；
数据采样方法包括但不限于数据集重采样、头部过多样本欠采样、尾部少量样本过采样。
相应地，本发明提供一种圆锥角膜识别设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述圆锥角膜识别方法。
相应地，本发明提供一种圆锥角膜识别模型训练设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述圆锥角膜识别模型训练方法。
根据本发明提供的圆锥角膜识别方法及设备，以多种角膜形态数据作为神经网络的输入数据，通过对这些数据提取高维特征进行分类得到关于多种圆锥角膜类别的分类结果，将人工观察角膜地形图数据的工作转为机器识别过程，利用神经网络代替人工进行圆锥角膜类别的细分，快速且准确地提供用于诊断的参考信息，由此可以提高医生的工作效率，并具有较高的准确性。
进一步地，在优选的方案中采用具有多分支的对神经网络，并通过对输入、输出两次加权处理的手段，让神经网络自动强化关键诊断信息，弱化冗余数据干扰，由此进一步提高了对于圆锥角膜类别细分的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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方式，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为圆锥角膜与正常角膜的示意图；
图2为角膜地形图；
图3为本发明实施例中的一种神经网络的识别过程示意图；
图4为本发明实施例中一个优选的神经网络的识别过程示意图。
图5为本发明实施例中的多个神经网络输出的结果示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。
在本发明的描述中，需要说明的是，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种圆锥角膜识别模型训练方法，该方法可以由计算机或服务器等电子设备执行，通过训练数据训练一个能够对圆锥角膜进行具体分类的神经网络模型。
在本实施例中，要实现将圆锥角膜细分为5类，分别是正常(Normal)、圆锥角膜(Keratoconus，KC)、圆锥角膜早期(Early Keratoconus，Early KC)、继发圆锥角膜(Secondary Keratoconus，Secondary KC)、顿挫型圆锥角膜(Forme Fruste Keratoconus，FFKC)。在其它实施例中或者具体应用时，可以根据实际需求选择更多或更少的类别。
训练数据集包含上述5类数据及标签，每个训练数据中包括多种角膜形态数据及相应的标签，标签用于表示圆锥角膜类别。作为举例，比如一个训练数据包括n种角膜形态数据，记为[I1，I2，…，In]，这些形态数据可以是用于生成角膜地形图的数据，比如角膜厚度、角膜曲率等等，可选的数据有10种，分别为：前房深度(anterior chamber depth)、前表面轴向曲率(Sagittal curvature front)、后表面轴向曲率(Sagittal curvature back)、前表面切向曲率(tangential curvature front)、后表面切向曲率(tangentialcurvature back)、总角膜屈光度(total corneal refractive power)、前表面海拔(elevation front)、后表面海拔(elevation back)、前后表面相对海拔(elevation backrelated to front)、相对厚度(relative pachymetry)}。其标签是正常、圆锥角膜、圆锥角膜早期、继发圆锥角膜、顿挫型圆锥角膜这5个中的任一个，可以用向量来表示，比如一个正常的训练数据标签可以记为[1,0,0,0,0]；比如一个顿挫型圆锥角膜的训练数据标签可以记为[0,0,0,0,1]。
一般的，比如在各种类型的数据量比较接近的情况下可以直接开始输入神经网络模型进行训练。但实际情况往往是各种类型的数据量差异较大，在此情况下可以采用多种手段解决不平衡的问题，以避免由此对模型性能产生影响。可选的手段包括：数据增强，采用旋转、水平翻转等手段增加少量类别样本的数量；损失函数的设置，分类损失权重重分配等手段，如Focal Loss，强化对少量类别数据的关注；数据采样，采用数据集重采样、头部过多样本欠采样、尾部少量样本过采样等手段。
如图3所示，将训练数据作为神经网络31的输入，神经网络中包括卷积层、池化层、激活函数层等等，针对训练数据中的n种角膜形态数据[I1，I2，…，In]提取高维特征数据，并基于特征数据进行分类，输出关于多种圆锥角膜类别的分类结果。在本实施例中共有5个类别，则分类结果是针对这5个类别的概率值[O1，O2，…，O5]，表示此训练数据属于正常类别的概率是O1、此训练数据属于圆锥角膜类别的概率是O2…此训练数据属于顿挫型圆锥角膜的概率是O5，在本实施例中采用softmax函数进行处理，分类结果中的概率值之和等于1。
利用损失函数优化神经网络的参数，损失函数以网络输出的分类结果和标签作为输入，比如交叉熵函数。优化过程可以被理解为根据分类结果与标签的差异优化神经网络的参数，以减小此差异。使用大量的训练数据和测试数据进行多轮训练，直至差异减小达到收敛条件为止。
实验中发现，各种角膜形态数据对神经网络的输出结果具有不同的影响力，也即其中一些种类的角膜形态数据可以被解释为关键诊断数据。为了使神经网络能够更有效地学习关键数据的特征，在一个优选的实施例中，对训练数据中的各种角膜形态数据赋予权重(第一权重)，先使用权重对角膜形态数据进行处理，然后将处理结果作为神经网络的输入。具体地，输入神经网络的数据可以记为[λ1I1，λ2I2，…，λnIn],其中λ1…λn表示所述第一权重。
并且，第一权重也作为神经网络训练过程中被优化的参数，神经网络调整这些权重的值以期得到更准确的分类结果，从而提高对圆锥角膜类别的识别准确性。
第一权重的初始值可以随机的，但为了提高训练效率，本实施例提供一种优选的初始化方案。分别确定标签为正常的各种角膜形态数据与标签为病变的各种角膜形态数据的分布距离。作为举例，比如训练数据中包括角膜厚度数据，假设有n个正常的训练数据，即n个正常的厚度数据；有m个类别为各种圆锥角膜的训练数据，即m个标签为病变的厚度数据，由此可计算这n个正常的厚度数据与m个病变的厚度数据的分布距离。按照相同方式，针对其它角膜形态数据计算正常类与各种病变数据的分布距离。
然后根据计算出的分布距离初始化与各种角膜形态数据相应的第一权重。由不同角膜形态数据中正常与各类圆锥角膜的分布距离的比值分配第一权重进行初始化，且满足λ1+λ2+…+λn＝1。
由于原始的角膜形态数据均为141*141的矩阵，拼接起来是19881维的向量，其维度远远超过3维，高维空间中分布距离难以衡量。因此可以在计算分布距离前，采用PCA、t-SNE等降维手段，将高维数据降维到低维空间，在低维空间中构建数据的概率分布，再采用KL散度、JS散度等度量方法衡量分布之间的距离。
进一步的，本实施例采用具有多分支的神经网络，如图4所示，神经网络具有n个分支网络41，分支数量与角膜形态数据的种类数量相同。经过权重处理后的训练数据，比如[λ1I1，λ2I2，…，λnIn]分别输入这n个分支网络41，即λ1I1输入第一个分支网络41、λ2I2输入第二个分支网络41、λnIn输入第n个分支网络41。它们分别独立地提取高维特征数据，并独立输出关于各种类别的分类结果，比如第一个分支网络41输出[O11，O12，…，O15]、第二个分支网络41输出[O21，O22，…，O25]…第m个分支网络41输出[On1，On2，…，On5]，在附图中采用柱状图可视化分类结果。虽然各个分支网络的输入数据是来自同一眼球的角膜形态数据，但由于输入数据的种类不同、权重不同，即使执行的分类任务是相同的，但输出的分类结果并不相同。具体地，比如O15、O25…On5,这些概率值是不同的分支网络输出的表示属于顿挫型圆锥角膜(FFKC)的概率值，这些概率值是不相等的。如图5所示，在一个具体的实施例中使用了6个分支网络，这些网络输出表示正常(normal)、KC、Early KC、Secondary KC、FFKC的概率值均不相同。
为了得到唯一的分类结果，可采用第二权重对各个分支网络41输出的分类结果进行处理，最终的分类结果可表示为Output＝β1[O11，O12，…，O15]+β2[O21，O22，…，O25]+…+βn[On1，On2，…，On5]，β1…βn为所述第二权重。具体地，比如表示属于顿挫型圆锥角膜(FFKC)的概率值为β1O15+β2O25+…+βnOn5，表示正常(normal)、KC、Early KC、Secondary KC的概率值也按此方式计算。
并且，第二权重也作为神经网络训练过程中被优化的参数，神经网络调整这些权重的值以期得到更准确的分类结果，从而提高对圆锥角膜类别的识别准确性。具体地，神经网络训练过程中的损失函数是由各个分支网络41的损失函数决定的，即损失函数L＝f(L1，L2……Ln)，其中L1……Ln是各个分支网络41的损失函数。为了优化第二权重，可以将第二权重作为各个分支网络的损失函数的权重，比如L＝β1L1+β2L2+…+βnLn。训练过程中，优化分支网络41的参数以及第二权重以减小损失值。
第二权重的初始值可以随机的，但为了提高训练效率，可以采用上述初始化方案确定第二权重的初始值，具体可参照上述实施例中关于第一权重的初始化方式，此处不再赘述。
需要说明的是，上述第一权重、第二权重可以择一个使用，也可以同时被应用。
在一个优选的实施例中，在利用神经网络对多种角膜形态数据进行识别之前，还可以对角膜形态数据进行规范化处理。由于如曲率、厚度等不同种类的数据的量纲及数值范围不同，直接将原始数据输入神经网络可能会影响准确性和训练效率，为了解决这种差异化的问题，本实施例对多种角膜形态数据进行预处理，统一各种类型数据的尺度。具体处理方式有多种，作为优选实施例，分别将各种角膜形态数据减去均值，然后将相减结果除以标准差得到统一尺度的各种角膜形态数据。具体地，比如对于相对厚度这一形态数据，均值为相对厚度数据141*141矩阵全部数据点的平均值，标准差也是141*141矩阵全部数据点的标准差。首先使矩阵里每个点都减去上述均值，然后再使矩阵里每个点都除以上述标准差。
当神经网络经过训练并达到收敛条件后，即可使用其识别角膜形态数据。本实施例提供一种圆锥角膜识别方法，由计算机或服务器等电子设备执行，利用上述各实施例的方案训练出的神经网络识别多种角膜形态数据。本领域技术人员可以理解，识别方案与训练方案类似，只是识别方案中不必再优化网络的参数和上述第一权重和第二权重，因此下面不再展开介绍神经网络的处理方式，具体可参照上述训练方案的实施例。
在识别时，首先获取多种角膜形态数据，如角膜厚度、角膜曲率等等。然后将这些角膜形态数据作为神经网络的输入数据，由神经网络提取多种角膜形态数据的高维特征数据，并基于此输出关于多种圆锥角膜类别的分类结果。
作为优选的实施例，所采用的神经网络包括多个分支网络，多种角膜形态数据及相应的第一权重分别作为各个分支网络的输入数据，各分支网络分别输出关于多种圆锥角膜类别的分类结果。
然后根据各分支网络输出的分类结果及其相应的第二权重确定总的分类结果，表示输入数据属于正常、圆锥角膜、圆锥角膜早期、继发圆锥角膜、顿挫型圆锥角膜的概率(或称为置信度)。之后可以选取概率值最大的类别作为最终的识别结果。根据实验发现，曲率数据和前表面海拔数据可能在圆锥角膜的识别过程中提供更主要的信息，因此优化后的神经网络中与这两种输入数据相应的第一权重和第二权重的值比其它权重更高。
根据本发明实施例提供的圆锥角膜识别方法，以多种角膜形态数据作为神经网络的输入数据，通过对这些数据提取高维特征进行分类得到关于多种圆锥角膜类别的分类结果，将人工观察角膜地形图数据的工作转为机器识别过程，利用神经网络代替人工进行圆锥角膜类别的细分，快速且准确地提供用于诊断的参考信息，由此可以提高医生的工作效率，并具有较高的准确性。
进一步地，在优选的方案中采用具有多分支的对神经网络，并通过对输入、输出两次加权处理的手段，让神经网络自动强化关键诊断信息，弱化冗余数据干扰，由此进一步提高了对于圆锥角膜类别细分的准确性。
本发明实施例还提供一种圆锥角膜识别设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述圆锥角膜识别方法。
本发明实施例还提供一种圆锥角膜识别模型训练设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述圆锥角膜识别模型训练方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (3)

1.一种圆锥角膜识别模型训练方法，其特征在于，包括：
步骤一、获取多种训练数据，所述训练数据包括多种角膜形态数据及关于圆锥角膜类别的标签；角膜形态数据为141*141的矩阵；所述角膜形态数据包括：角膜厚度、角膜曲率、前房深度、前表面轴向曲率、后表面轴向曲率、前表面切向曲率、后表面切向曲率、总角膜屈光度、前表面海拔、后表面海拔、前后表面相对海拔、相对厚度；所述多种圆锥角膜类别包括：圆锥角膜、圆锥角膜早期、继发圆锥角膜、顿挫型圆锥角膜；
步骤二、采用包括PCA、t-SNE的降维手段，将原始的角膜形态数据从高维数据降维到低维空间，在低维空间中构建数据的概率分布，再采用包括KL散度、JS散度的度量方法衡量分布之间的距离；
步骤三、分别确定标签为正常的各种角膜形态数据与标签为病变的各种角膜形态数据的分布距离，根据所述分布距离初始化与各种角膜形态数据相应的第一权重；
步骤四、分别确定标签为正常的各种角膜形态数据与标签为病变的各种角膜形态数据的分布距离，根据所述分布距离初始化相应的第二权重；
步骤五、分别将各种角膜形态数据减去均值，将相减结果除以标准差得到统一尺度的各种角膜形态数据；
步骤六、利用神经网络对所述多种角膜形态数据进行识别，所述神经网络包括多个分支网络，所述多种角膜形态数据及相应的第一权重分别作为各个所述分支网络的输入数据，各分支网络分别输出关于多种圆锥角膜类别的分类结果，其中所述第一权重作为被优化的参数；根据各分支网络输出的分类结果及其相应的第二权重确定总的分类结果，其中所述第二权重作为被优化的参数；
步骤七、采取多种数据处理方法解决各类型数据不平衡的问题，所述数据处理方法包含：数据增强方法，用于增加少量类别样本的数量；损失函数的设置、分类损失权重重分配方法，用于强化对少量类别数据的关注；数据采样方法；
步骤八、根据所述分类结果与所述标签的差异优化所述神经网络的参数。
2.根据权利要求1所述的方法，其特征在于，在所述步骤二中：
所述数据增强方法包括旋转、水平翻转；
所述损失函数的设置、分类损失权重重分配方法包括Focal Loss；
所述数据采样方法包括数据集重采样、头部过多样本欠采样、尾部少量样本过采样。
3.一种圆锥角膜识别模型训练设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1或2中任意一项所述的圆锥角膜识别模型训练方法。
CN202010802949.9A 2020-08-11 2020-08-11 圆锥角膜识别方法及设备 Active CN112036448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010802949.9A CN112036448B (zh) 2020-08-11 2020-08-11 圆锥角膜识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010802949.9A CN112036448B (zh) 2020-08-11 2020-08-11 圆锥角膜识别方法及设备

Publications (2)

Publication Number Publication Date
CN112036448A CN112036448A (zh) 2020-12-04
CN112036448B true CN112036448B (zh) 2021-08-20

Family

ID=73577111

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010802949.9A Active CN112036448B (zh) 2020-08-11 2020-08-11 圆锥角膜识别方法及设备

Country Status (1)

Country Link
CN (1) CN112036448B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112806957B (zh) * 2021-04-22 2021-08-31 浙江大学 一种基于深度学习的圆锥角膜和亚临床圆锥角膜检测系统
CN113284140B (zh) * 2021-06-28 2022-10-14 上海美沃精密仪器股份有限公司 一种基于多模态数据的双眼圆锥角膜诊断方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160431A (zh) * 2019-12-19 2020-05-15 浙江大学 一种基于多维特征融合的圆锥角膜识别方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10952604B2 (en) * 2018-03-06 2021-03-23 Texas Tech University System Diagnostic tool for eye disease detection using smartphone
US10818398B2 (en) * 2018-07-27 2020-10-27 University Of Miami System and method for AI-based eye condition determinations
US10468142B1 (en) * 2018-07-27 2019-11-05 University Of Miami Artificial intelligence-based system and methods for corneal diagnosis
CN109171640B (zh) * 2018-07-30 2021-06-18 温州医科大学 角膜的状态评估装置及角膜的状态评估方法和应用
CN109036556B (zh) * 2018-08-29 2021-06-04 王雁 一种基于机器学习诊断圆锥角膜病例的方法
CN110517219B (zh) * 2019-04-01 2023-04-07 中山大学中山眼科中心 一种基于深度学习的角膜地形图判别方法及系统
CN110210483B (zh) * 2019-06-13 2021-05-11 上海鹰瞳医疗科技有限公司 医疗图像病变区域分割方法、模型训练方法和设备
CN110717884B (zh) * 2019-08-30 2022-02-22 温州医科大学 一种基于眼表结构变化一致性表达角膜不规则改变的方法
CN111340776B (zh) * 2020-02-25 2022-05-03 浙江大学 一种基于多维特征自适应融合的圆锥角膜识别方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160431A (zh) * 2019-12-19 2020-05-15 浙江大学 一种基于多维特征融合的圆锥角膜识别方法及装置

Also Published As

Publication number Publication date
CN112036448A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
Chowdhury et al. A random forest classifier-based approach in the detection of abnormalities in the retina
SK et al. A machine learning ensemble classifier for early prediction of diabetic retinopathy
Kandhasamy et al. Diagnosis of diabetic retinopathy using multi level set segmentation algorithm with feature extraction using SVM with selective features
CN112036448B (zh) 圆锥角膜识别方法及设备
CN110163839B (zh) 豹纹状眼底图像识别方法、模型训练方法及设备
CN111383210B (zh) 眼底图像分类模型训练方法及设备
Shanmugam et al. An automatic recognition of glaucoma in fundus images using deep learning and random forest classifier
Ataer-Cansizoglu et al. Analysis of underlying causes of inter-expert disagreement in retinopathy of prematurity diagnosis
Sudha et al. Early Detection of Glaucoma Disease in Retinal Fundus Images Using Spatial FCM with Level Set Segmentation
CN115222674A (zh) 基于多维特征融合的颅内动脉瘤破裂风险的检测装置
Mohammad et al. Texture analysis for glaucoma classification
Singh et al. A novel hybridized feature selection strategy for the effective prediction of glaucoma in retinal fundus images
Porwal et al. Retinal image analysis for disease screening through local tetra patterns
CN111160812B (zh) 诊断信息评估方法、显示方法及存储介质
Kabir et al. Multi-classification based Alzheimer's disease detection with comparative analysis from brain MRI scans using deep learning
Niwas et al. Complex wavelet based quality assessment for AS-OCT images with application to angle closure glaucoma diagnosis
CN115393351B (zh) 一种基于朗格汉斯细胞判断角膜免疫状态的方法及装置
Luo et al. Diabetic retinopathy grading based on lesion correlation graph
Mankar et al. Automatic detection of diabetic retinopathy using morphological operation and machine learning
CN111374632B (zh) 视网膜病变检测方法、装置及计算机可读存储介质
Patil et al. Assessing feature selection techniques for machine learning models using cardiac dataset
Kumari et al. Automated process for retinal image segmentation and classification via deep learning based cnn model
Amil et al. Network-based features for retinal fundus vessel structure analysis
Jadah et al. Breast Cancer Image Classification Using Deep Convolutional Neural Networks
CN115485717A (zh) 使用分割和特征评估预测地图状萎缩进展

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230410

Address after: Room 25, 4th Floor, Building 2, Yard A2, West Fourth Ring North Road, Haidian District, Beijing, 100195

Patentee after: Beijing Yingtong Yuanjian Information Technology Co.,Ltd.

Address before: 200030 room 01, 8 building, 1 Yizhou Road, Xuhui District, Shanghai, 180

Patentee before: SHANGHAI EAGLEVISION MEDICAL TECHNOLOGY Co.,Ltd.