CN112184647B - 基于迁移卷积网络对眼底图像进行血管病变分级识别方法 - Google Patents
基于迁移卷积网络对眼底图像进行血管病变分级识别方法 Download PDFInfo
- Publication number
- CN112184647B CN112184647B CN202011000834.4A CN202011000834A CN112184647B CN 112184647 B CN112184647 B CN 112184647B CN 202011000834 A CN202011000834 A CN 202011000834A CN 112184647 B CN112184647 B CN 112184647B
- Authority
- CN
- China
- Prior art keywords
- model
- classifier
- training
- fundus
- vascular lesions
- 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
Images
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
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- 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
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法,包括:对眼底图像数据集进行随机数据增广;将眼底图像数据集标注为是否患有血管病变;将眼底图像数据集划分为不同动静脉狭窄严重程度的等级;将眼底图像数据集划分为训练集与测试集;对眼底图像数据集进行裁剪;修改网络架构的深层;对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重,得到血管病变识别模型;通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果;基于所述血管病变识别模型,将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断,并产生分级结果。本发明能解决眼底动静脉局部狭窄严重程度的多分类问题,能提高识别的准确率。
Description
技术领域
本发明涉及计算机神经网络技术领域,特别涉及一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法。
背景技术
高血压是一种持续升高血压的慢性疾病。相关文献提出在过去的十几年中,高血压依然在中国是导致过早死亡的主要促进因素,也是导致心脑血管疾病及慢性肾病等的主要危险因素。其次,高血压是许多严重健康问题的前兆,包括高血压性视网膜病变、中风、冠心病、肾脏疾病,甚至过早死亡。因此,进行快速高效的筛查对高血压诊断是必要的。
在过去的十几年中,无创电子血压计已经普遍得到应用。这些血压计很多时候是使用者及患者自行操作。目前电子血压计是通过对手臂或手腕采集收缩压、舒张压数据并且基于示波法判断血压。使用电子血压仪只能反应此时的血压情况,并且需要通过每日4至5次测量出平均血压值才能提供较准的参考值。但由于不同的厂商的算法与不同时间段采取血压的数据不统一,因此测量得到的结果会因许多不同的因素而受到影响,从而影响判断。
近些年来有一些关于通过视网膜血管系统判断高血压的工作。高血压性视网膜病变是与血压升高最常见的视网膜疾病之一。通过观察动静脉,一种仅出现在高血压患者中出现,而在健康个体中没有出现动静脉狭窄的迹象,即使在有限的临床实践中,局部狭窄也很容易被发现。通过眼底图看到的是人类身体组织的真正形态,动脉、静脉的比值发生了变化,可以精准的分级是轻度还是重度的,避免错过早期治疗的诊断窗口。
以往的研究都将动静脉损伤变化作为高血压为代表的血管病变的一种预测指标。大多数研究采用传统的方法,通过血管分割分析静脉宽度被压迫的变化,然后再进行严重程度的分类。越来越多的算法被应用于血管分析,如使用传统的血管直径变化的分类方法和最近的方法使用机器学习分类器:利用随机森林分类器、应用支持向量机、运用深度学习ResNeXt模型。
上述方法存在的问题是精准度不高。
以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案,其并不必然属于本发明的现有技术,在没有明确的证据表明上述内容在本发明的申请日之前已经公开的情况下,上述背景技术不应当用于评价本发明的新颖性和创造性。
发明内容
本发明提出一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法,具体是一种基于迁移学习的深度局部眼底图片动静脉局部狭窄进行分类及对血管病变识别方法。本发明能解决眼底动静脉局部狭窄严重程度的多分类问题,并且也是第一次能够对最严重(IV级)的动静脉局部狭窄级别进行判断。同时,本发明是首例通过观察血管病变识别对个体进行动静脉局部狭窄的分级判断。通过局部眼底图的血管病变对动静脉局部狭窄分级取得了很有竞争力的结果。
在第一方面,本发明提供一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法,包括:
A1、对眼底图像数据集进行随机数据增广;
A2、将眼底图像数据集标注为是否患有血管病变;
A3、将眼底图像数据集划分为不同动静脉狭窄严重程度的等级;
A4、将眼底图像数据集划分为训练集与测试集;
A5、对眼底图像数据集进行裁剪;
A6、在预训练模型结构的基础上,保持所述预训练模型的初始层的权重不变,修改网络架构的深层,从而适应所述眼底图像数据集;
A7、对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重,得到血管病变识别模型;
A8、通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果;
A9、基于所述血管病变识别模型,将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断,并产生分级结果。
在一些优选的实施方式中,所述A4具体为:将眼底图像数据集以指定的比例随机划分为训练集与测试集。
在一些优选的实施方式中,所述A5具体包括:将训练分类器及测试分类器的图像裁剪为指定像素大小的图像作为输入,并对图像进行归一化处理,由图像转换为张量。
在一些优选的实施方式中,所述A9包括:通过模型修改分类器的层进行反向传播。
在一些优选的实施方式中,所述分类器的层包括全连接层、ReLU层和SoftMax层。
在一些优选的实施方式中,还包括训练过程;
所述训练过程包括:
B1、通过冻结预训练过的层,只训练适用于血管病变识别的模型;
B2、对输入图像是否为患有血管病变通过一对多分类器算法识别出正样本的数据以及分类出负样本的数据;
B3、基于血管病变识别的模型对分类器进行修改,输入图像通过多对多的多分类器算法分类出以健康与不同动静脉局部狭窄严重级别为指标的眼底图像数据,从而进行判断。
在一些优选的实施方式中,所述训练过程还包括:B4、以固定部分参数与预训练模型的权重重新训练添加的分类器层。
在一些优选的实施方式中,所述训练过程还包括:B5、在分类器设置Dropout层,以指定比例保留及其暂时从架构中丢弃部分的神经元。
在一些优选的实施方式中,所述预训练模型为ResNet-50的预训练模型。
在第二方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有程序指令,所述程序指令被计算机的处理器执行时使所述处理器执行上述方法。
与现有技术相比,本发明的实施例的有益效果包括:
本发明的实施例能提高对眼底图像识别的准确率,并能实现动静脉严重程度的分级。
附图说明
图1为本发明一个实施例的基于迁移卷积网络对眼底图像进行血管病变分级识别方法的流程示意图。
具体实施方式
为了使本发明的实施例所要解决的技术问题、技术方案及有益效果更加清楚明白,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。
在本发明实施例的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
迀移学习主要是将先前已经学习好的模型应用到新任务中,并且模拟人类所采用的一种认知学习方式。在许多应用场景之下,通过迁移学习的深度模型性能上已经超过了人类。迁移学习主要使用图像数据作为输入的预测性分类建模进行迁移学习、并常见于处理医疗领域的图像判断分类预测任务。
本实施例基于迁移学习,提出一种基于迁移学习的眼底图像分级识别方法,具体为一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法,实现判断眼底图像动静脉局部狭窄分级。
本实施例基于预训练好的深度眼底图模型进行改进并解决医疗应用中的识别血管病变及对血管病变分级的方法。
参考图1,本实施例的方法包括步骤A1至步骤A9。
其中步骤A1至步骤A5为数据集的预训练处理。
数据处理遵循网络模型本身的数据处理方式。本实施例选择Resnet-50模型,并使用开源深度学习框架PyTorch。
步骤A1、对眼底图像数据集进行随机数据增广。
数据增广能够克服医学图像中缺少已标签数据集的情况。数据增广对数据进行随机变化,从而增加数据量的可变性、泛化性。本实施例将原始标注的医学数据进行垂直和水平的反转、随机旋转。
完成步骤A1后,对眼底图像数据集进行数据处理,具体如下文。
步骤A2、将眼底图像数据集标注为是否患有血管病变。
具体可以用O代表健康,用1代表有血管病变。
步骤A3、将眼底图像数据集划分为不同动静脉狭窄严重程度的等级。
具体的:0级为健康,I级为轻微,II级为显著,III级为严重,IV级为非常严重,不以此为限。
步骤A4、将眼底图像数据集划分为训练集与测试集。
将眼底图像数据集以指定的比例(比如7.5:2.5)随机划分为训练集与测试集。然后,将训练集与测试集分别封装入训练加载器和测试加载器。
步骤A5、对眼底图像数据集进行裁剪。
将训练分类器及测试分类器的图像裁剪为指定像素(比如401×401像素)大小的图像作为输入,并对图像进行归一化处理,由图像转换为张量。
步骤A6、在预训练模型结构的基础上,保持预训练模型的初始层的权重不变,修改网络架构的深层,从而适应眼底图像数据集。
对于预训练模型,本实施例适用于所有的预训练的神经网络模型。本实施例选择ResNet-50的预训练模型来介绍具体的实施方案,并进行改进。ResNet-50的预训练模型在五项ILSVRC-2015荣获冠军,并使用残差学习解决了CNN模型由深度问题导致难以训练的问题。网络的深度对模型的性能至关重要,当增加网络层数后,ResNet-50的预训练模型的网络可以进行更加复杂的特征模式的提取,在分类问题上能取得突破性的进步。
步骤A7、对预训练模型进行特征提取并使用训练集重新训练得到新的权重,得到血管病变识别模型。
利用预训练好的卷积神经网络构成的模型进行特征提取,随后重新训练得到新的权重,从而得到血管病变识别模型。
步骤A8、通过血管病变识别模型使用测试集产生识别血管病变的结果。
步骤A9、基于血管病变识别模型,将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断,并产生分级结果。
基于血管病变识别模型对分类器进行修改,具体是通过模型修改分类器的全连接层、ReLU层、SoftMax层等层进行反向传播,输入图像通过多对多(allvsall)的多分类器算法分类出以{0级}健康与{I级、II级、III级、IV级}不同动静脉局部狭窄严重级别为指标的眼底图数据从而进行判断。
如此,便可识别出该图像数据是否为患有高血压的眼底图及血管动静脉局部狭窄的受损级别。
本实施例的方法还包括训练过程,具体为步骤B1至步骤B5。
步骤B1、在训练过程中,通过冻结预训练过的层,获取的预训练模型特征提取权重不会进行反向传播,只训练适用于血管病变识别器。通过模型修改分类器全连接层、ReLU层、SoftMax层等层进行反向传播,并输出(out_features=2)。
步骤B2、对输入图像是否为患有血管病变通过一对多(onevsall)分类器算法识别出正样本(健康)的数据,以及分类出负样本(患有血管病变的)的数据。
步骤B3、基于血管病变识别的模型对分类器进行修改,输入图像通过多对多(allvsall)的多分类器算法分类出以{0级}健康与{I级、II级、III级、IV级}不同动静脉局部狭窄严重级别为指标的眼底图数据,从而进行判断。
步骤B4、以固定部分参数与预训练模型的权重重新训练添加的分类器层。设置阀损失函数均为NLLLoss,并通过Adam Adaptive Moment Estimation自适应调整学习率。
步骤B5、为了避免在训练数据上产生复杂的相互适应以及模型对数据过拟合的现象,需在分类器设置Dropout层,以指定比例(比如8:2)保留及其暂时从架构中丢弃部分的神经元。
根据上述可知,本实施例涉及基于迁移学习对医学二维数据集进行分类,特别是针对眼底图像血管局部狭窄程度进行分级。下面对本实施例的基于迁移学习的眼底图像分级识别方法的性能进行分析。
(1)跟随前人对模型评估指标,使用准确率(accuracy)作为评价指标。其中tn(true negative)表示真正类,正类并且也被预测成正类,tp(true positive)表示分类正确的正样本,tn(true negative)表示分类正确的负样本,fp(true negative)表示分类错误错报的负样本,fn(true negative)漏报的正样本,
(2)通过该迁移学习得到的血管病变识别模型准确率高达94.6%。建立在血管病变识别模型的基础下,对局部眼底图像数据集的动静脉局部狭窄分级准确度为93.2%。
(3)本实施例是第一次能够对IV(最严重)级的动静脉局部狭窄级别进行判断,并且也能准确的正确对较为有难度的一级进行区分,如:0级与I级、I级与II级、II级与III级、III级与IV级。相比之下,目前的文献都没有提供动静脉严重程度的分级。
(4)对血管病变识别,保证其他模型超参数不变,不使用数据增广时,准确度为72.2%。可以看出,在相同的模型、预设权重、超参数等,未进行增广的数据集基于血管病变识别表现差于本实施例提出的方法的表现。因此可以说,数据增广在血管病变识别模型的训练过程中十分重要。
(5)对于数据集的图像分级,ResNet在类似的超参数不变的情况下,相比VGG16等其他网络架构,准确率高。因此,综合评估指标,可以认为本实施例的方法是目前对该数据集以及是已有方法中最好的血管病变识别方法。
本领域的技术人员可以理解实施例方法中的全部或部分流程可以由计算机程序来命令相关的硬件完成,程序可存储于计算机可读取存储介质中,程序在执行时,可包括如各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,其还可以对这些已描述的实施方式做出若干替代或变型,而这些替代或变型方式都应当视为属于本发明的保护范围。
Claims (9)
1.一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,包括:
A1、对眼底图像数据集进行随机数据增广;
A2、将眼底图像数据集标注为是否患有血管病变;
A3、将眼底图像数据集划分为不同动静脉狭窄严重程度的等级;
A4、将眼底图像数据集划分为训练集与测试集;
A5、对眼底图像数据集进行裁剪;
A6、在预训练模型结构的基础上,保持所述预训练模型的初始层的权重不变,修改网络架构的深层,从而适应所述眼底图像数据集;
A7、对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重,得到血管病变识别模型;
A8、通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果;
A9、基于所述血管病变识别模型,将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断,并产生分级结果;
还包括训练过程;
所述训练过程包括:
B1、通过冻结预训练过的层,只训练适用于血管病变识别的模型;
B2、对输入图像是否为患有血管病变通过一对多分类器算法识别出正样本的数据以及分类出负样本的数据;
B3、基于血管病变识别的模型对分类器进行修改,输入图像通过多对多的多分类器算法分类出以健康与不同动静脉局部狭窄严重级别为指标的眼底图像数据,从而进行判断。
2.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,所述A4具体为:将眼底图像数据集以指定的比例随机划分为训练集与测试集。
3.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,所述A5具体包括:将训练分类器及测试分类器的图像裁剪为指定像素大小的图像作为输入,并对图像进行归一化处理,由图像转换为张量。
4.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,所述A9包括:通过模型修改分类器的层进行反向传播。
5.根据权利要求4所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,所述分类器的层包括全连接层、ReLU层和SoftMax层。
6.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,所述训练过程还包括:B4、以固定部分参数与预训练模型的权重重新训练添加的分类器层。
7.根据权利要求6所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于,所述训练过程还包括:B5、在分类器设置Dropout层,以指定比例保留及其暂时从架构中丢弃部分的神经元。
8.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法,其特征在于:所述预训练模型为ResNet-50的预训练模型。
9.一种计算机可读存储介质,其特征在于,包括:所述计算机可读存储介质中存储有程序指令,所述程序指令被计算机的处理器执行时使所述处理器执行根据权利要求1至8任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011000834.4A CN112184647B (zh) | 2020-09-22 | 2020-09-22 | 基于迁移卷积网络对眼底图像进行血管病变分级识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011000834.4A CN112184647B (zh) | 2020-09-22 | 2020-09-22 | 基于迁移卷积网络对眼底图像进行血管病变分级识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184647A CN112184647A (zh) | 2021-01-05 |
CN112184647B true CN112184647B (zh) | 2023-07-04 |
Family
ID=73955259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011000834.4A Active CN112184647B (zh) | 2020-09-22 | 2020-09-22 | 基于迁移卷积网络对眼底图像进行血管病变分级识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184647B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966759B (zh) * | 2021-03-15 | 2022-05-10 | 中国科学院长春光学精密机械与物理研究所 | 一种基于深度学习的眼底图像识别分类方法 |
CN113408603B (zh) * | 2021-06-15 | 2023-10-31 | 西安华企众信科技发展有限公司 | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 |
CN113749690B (zh) * | 2021-09-24 | 2024-01-30 | 无锡祥生医疗科技股份有限公司 | 血管的血流量测量方法、装置及存储介质 |
CN117877103A (zh) * | 2024-03-13 | 2024-04-12 | 宁波市眼科医院 | 一种基于深度元学习的角膜炎智能筛查方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934798A (zh) * | 2017-02-20 | 2017-07-07 | 苏州体素信息科技有限公司 | 基于深度学习的糖尿病视网膜病变分类分级方法 |
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN110276356A (zh) * | 2019-06-18 | 2019-09-24 | 南京邮电大学 | 基于r-cnn的眼底图像微动脉瘤识别方法 |
CN110327013A (zh) * | 2019-05-21 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像检测方法、装置及设备和存储介质 |
CN110910370A (zh) * | 2019-11-21 | 2020-03-24 | 北京理工大学 | 一种cta图像冠脉狭窄检测的方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686444A (zh) * | 2018-12-27 | 2019-04-26 | 上海联影智能医疗科技有限公司 | 用于医学图像分级的系统和方法 |
-
2020
- 2020-09-22 CN CN202011000834.4A patent/CN112184647B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN106934798A (zh) * | 2017-02-20 | 2017-07-07 | 苏州体素信息科技有限公司 | 基于深度学习的糖尿病视网膜病变分类分级方法 |
CN110327013A (zh) * | 2019-05-21 | 2019-10-15 | 北京至真互联网技术有限公司 | 眼底图像检测方法、装置及设备和存储介质 |
CN110276356A (zh) * | 2019-06-18 | 2019-09-24 | 南京邮电大学 | 基于r-cnn的眼底图像微动脉瘤识别方法 |
CN110910370A (zh) * | 2019-11-21 | 2020-03-24 | 北京理工大学 | 一种cta图像冠脉狭窄检测的方法及装置 |
Non-Patent Citations (3)
Title |
---|
Nils Gessert et al.."Plaque Classi cation in Coronary Arteries from IVOCT Images Using Convolutional Neural Networks and Transfer Learning".《arXiv》.2018,第1-4页. * |
陈建辉 等."基于冠脉造影图像血管树分割的血管狭窄自动识别方法".《中国生物医学工程学报》.第38卷(第3期),第266-272页. * |
陈相廷 等."CT 造影冠状动脉狭窄检测与量化的相关研究".《激光与光电子学进展》.2015,第080006-1 - 080006-8页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112184647A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184647B (zh) | 基于迁移卷积网络对眼底图像进行血管病变分级识别方法 | |
Pandya et al. | InfusedHeart: A novel knowledge-infused learning framework for diagnosis of cardiovascular events | |
CN110197493B (zh) | 眼底图像血管分割方法 | |
CN111127447B (zh) | 基于生成式对抗网络的血管分割网络及方法 | |
CN107045720B (zh) | 基于人工神经网络的识别眼底图像病变的处理系统 | |
CN111080643A (zh) | 基于眼底图像的糖尿病及相关疾病的分类方法及设备 | |
Lee et al. | Deep belief networks ensemble for blood pressure estimation | |
CN109512423A (zh) | 一种基于确定学习与深度学习的心肌缺血危险分层方法 | |
CN108511055A (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
Jayakumari et al. | Automated diabetic retinopathy detection and classification using imagenet convolution neural network using fundus images | |
CN113689954A (zh) | 高血压风险预测方法、装置、设备及介质 | |
Mazumder et al. | Synthetic PPG signal generation to improve coronary artery disease classification: Study with physical model of cardiovascular system | |
CN115281688A (zh) | 一种基于多模态深度学习的心脏肥大多标签检测系统 | |
CN113763292A (zh) | 一种基于深度卷积神经网络的眼底视网膜图像分割方法 | |
Han et al. | Calibration-free blood pressure assessment using an integrated deep learning method | |
Bulut et al. | Deep learning approach for detection of retinal abnormalities based on color fundus images | |
Argha et al. | Blood pressure estimation from korotkoff sound signals using an end-to-end deep-learning-based algorithm | |
Asirvatham et al. | Hybrid deep learning network to classify eye diseases | |
Velia et al. | Retracted: Designing Diabetes Mellitus Detection System Based on Iridology with Convolutional Neural Network Modeling | |
CN113658700B (zh) | 一种基于机器学习的门脉高压无创评估方法及系统 | |
Fu et al. | Agc-unet: a global context feature fusion method based on u-net for retinal vessel segmentation | |
Aswathy | Diabetic Retinopathy Detection Using Semantic Segmentation And Optic Disc Localization | |
Mahjoubi et al. | Deep Learning for Cerebral Hemorrhage Detection and Classification in Head CT Scans Using CNN | |
Chowdary et al. | Multiple Disease Prediction by Applying Machine Learning and Deep Learning Algorithms | |
Kaur et al. | Diabetic retinopathy detection system (DRDS); A novel GUI based approach for diabetic retinopathy detection |
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 |