CN112233118A - 一种基于增量学习的眼底病变图像识别方法和系统 - Google Patents

一种基于增量学习的眼底病变图像识别方法和系统 Download PDF

Info

Publication number
CN112233118A
CN112233118A CN202011468178.0A CN202011468178A CN112233118A CN 112233118 A CN112233118 A CN 112233118A CN 202011468178 A CN202011468178 A CN 202011468178A CN 112233118 A CN112233118 A CN 112233118A
Authority
CN
China
Prior art keywords
fundus
image
fundus image
result
machine learning
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
CN202011468178.0A
Other languages
English (en)
Inventor
石宁
姜冲
李天莹
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.)
Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd
Original Assignee
Nanjing Trusted Blockchain And Algorithm Economics Research Institute 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 Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd filed Critical Nanjing Trusted Blockchain And Algorithm Economics Research Institute Co ltd
Priority to CN202011468178.0A priority Critical patent/CN112233118A/zh
Publication of CN112233118A publication Critical patent/CN112233118A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (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

本申请提供了一种基于增量学习的眼底病变图像识别方法和系统，所述方法包括以下步骤：获取被检测目标的眼底图像；对所述眼底图像进行预处理，得到所述眼底图像的特征值，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果，若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果作为最终诊断结果输出，并对所述眼底图像识别机器学习模型进行优化。本申请通过机器学习进行眼底病变图像的识别，并根据最终诊断结果进行增量优化，持续迭代机器学习模型，解决现有眼底病变图像识别方法中模型固化，无法根据诊断结果对神经网络模型进行及时优化更新，导致准确率较差的问题。

Description

一种基于增量学习的眼底病变图像识别方法和系统
技术领域
本申请涉及医学影像识别技术领域，尤其涉及一种基于增量学习的眼底病变图像识别方法和系统。
背景技术
以深度学习为代表的人工智能技术发展迅速，在医学影像诊断领域，利用多层神经网络，能够快速准确地对数据的特征进行有效且准确地识别。目前，深度学习等已经在乳腺癌病理检查、肺癌检测、心血管成像等医学成像领域得到了广泛的研究。
在眼底图像中包括丰富的玻璃体、视网膜和脉络膜等的细节，如果眼底发生相关病变，则会在所获取的眼底图像中呈现出微血管瘤、出血、硬性渗出等病变。如果能够尽早对DR患者进行早期诊断和治疗，则能够有效防止视觉的损失以及失明。现有的针对眼底图像判断的自动识别系统通过神经网络对眼底图片进行识别，能够快速得出判断结果，有效降低医生的工作量，但仍存在一些不足。例如，现有的自动识别系统采用批量学习的方式，来训练一次性获取的数据。传统机器学习遇到新增的数据，就必须对新增数据进行存储，并重新训练机器学习模型，随着数据的规模不断扩大，在训练时间上和存储空间上付出的代价也会愈发严重，导致模型迭代的速度远不及数据更新速度，进一步导致判断结果的准确性不足。
本发明引入了一种基于增量学习的眼底病变图像识别方法和系统，能够根据新生成的诊断结果对神经网络模型进行优化更新，提升判断结果的准确性。
发明内容
本申请提供了一种基于增量学习的眼底病变图像识别方法和系统，以解决现有眼底病变图像识别方法中模型固化，无法根据诊断结果对神经网络模型进行及时优化更新，导致准确率较差的问题。
第一方面，本申请提供了一种基于增量学习的眼底病变图像识别方法，包括以下步骤：
获取被检测目标的眼底图像；
对所述眼底图像进行预处理，得到所述眼底图像的特征值；
将所述特征值作为输入提供给眼底图像识别机器学习模型，其中，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果；
将所述眼底识别判断结果输出给用户；
判断用户是否手动调整所述眼底识别判断结果；
若用户未调整所述眼底识别判断结果，将所述眼底识别判断结果作为最终诊断结果输出；
若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果最为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。
对所述眼底图像进行预处理，具体包括如下步骤：
对所述眼底图像进行尺寸剪裁和像素调整；
对所述眼底图像进行归一化处理；
对所述眼底图像进行区域检测，得到特征值。
根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化，具体包括：
根据所述最终诊断结果和对应的眼底图像，输入增量模型参数集合进行训练，得到优化增量模型参数集合；
将所述优化增量参数模型集合输入所述眼底图像识别机器学习模型；
利用梯度相加将基础模型参数集合和所述优化增量模型参数集合组合，完成对所述眼底图像识别机器学习模型优化。
所述增量模型参数集合为通过对典型眼底图像提取特征训练得到；
所述典型眼底图像为存储在服务器中的特征明显的眼底图像样本。
所述眼底图像为彩色图像或灰度图像。
所述眼底图像识别机器学习模型为神经网络。
第二方面，本申请提供一种基于增量学习的眼底病变图像识别系统，包括：图像获取单元、图像处理单元、结果识别单元、结果输出单元以及模型优化单元；
所述图像获取单元被配置为获取被检测目标的眼底图像；
所述图像处理单元被配置为对所述眼底图像进行预处理，得到所述眼底图像的特征值；
所述结果识别单元被配置为将所述特征值作为输入提供给眼底图像识别机器学习模型，其中，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果作为输出；
所述结果输出单元被配置为将所述眼底识别判断结果输出给用户；
所述模型优化单元被配置为判断用户是否手动调整所述眼底识别判断结果；
若用户未调整所述眼底识别判断结果，将所述眼底识别判断结果作为最终诊断结果输出；
若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果作为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。
所述图像处理单元包括图像调整模块、归一化处理模块和区域检测模块；
所述图像调整模块被配置为对所述眼底图像进行尺寸剪裁和像素调整；
所述归一化处理模块被配置为对所述眼底图像进行归一化处理；
所述区域检测模块被配置为对所述眼底图像进行区域检测，得到特征值。
第三方面，本申请还公开了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明的第一方面所述的方法。
由以上技术方案可知，本申请提供一种基于增量学习的眼底病变图像识别方法和系统，所述方法包括以下步骤：获取被检测目标的眼底图像；对所述眼底图像进行预处理，得到所述眼底图像的特征值，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果，若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果最为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。本申请通过根据最终诊断结果进行优化，解决现有眼底病变图像识别方法中模型固化，无法根据诊断结果对神经网络模型进行及时优化更新，导致准确率较差的问题。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请的一种基于增量学习的眼底病变图像识别方法的应用场景图；
图2为本申请的一种基于增量学习的眼底病变图像识别方法的工作流程图；
图3为本申请的对所述眼底图像进行预处理的工作流程图；
图4为本申请的对所述眼底图像识别机器学习模型进行优化的工作流程图；
图5为本申请的一种基于增量学习的眼底图像识别系统的结构示意图；
图6为本申请的所述图像处理单元的结构示意图。
具体实施方式
下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。
参见图1，为本申请的一种基于增量学习的眼底病变图像识别方法的应用场景图，根据获取被检测目标的眼底图像，通过所述眼底图像识别机器学习模型进行训练，所述眼底图像识别机器学习模型被配置为根据从服务器上获取的基本参数模型集合，对所述眼底图像进行训练，得到眼底识别判断结果，同时进一步根据所述得到眼底识别判断结果对所述眼底图像识别机器学习模型进行优化，通过对从服务器上获取的增量参数模型集合，对所述眼底识别判断结果进行训练，得到优化增量模型参数集合，通过与所述基本参数模型集合通过梯度相加的方式，完成对所述眼底图像识别机器学习模型的优化更新。
第一方面，如图2所示，本申请提供了一种基于增量学习的眼底病变图像识别方法，包括以下步骤：
S100：获取被检测目标的眼底图像；
更为具体的是，获取眼底图像的方式可以有多种，例如可以采用台式眼底照相机或摄像机、手持式眼底照相机或摄像机等。出于方便操作的观点，也可以为便携式眼底照相机，优选为手持式眼底照相机进行眼底图像获取。在这种情况下，能够方便医生或操作员等采集患者的眼底图像（照片）。提升获取效率，节约检测时间。
S200：对所述眼底图像进行预处理，得到所述眼底图像的特征值；
更为具体的是，还包括对所述眼底图像进行尺寸剪裁和像素调整，对所述眼底图像进行归一化处理，对所述眼底图像进行区域检测，得到特征值。通过对所述眼底图像预处理，能够有效提升检测的准确性。
S300：将所述特征值作为输入提供给眼底图像识别机器学习模型，其中，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果；
S400：将所述眼底识别判断结果输出给用户；
可以通过显示屏、具有显示功能的终端（例如智能手机和平板电脑）、打印机、投影仪等，只要能够显示判断结果即可。
在这种情况下，能够让医护人员快速了解判断结果，并判断所述判断结果是否正确，及时反馈给深度神经网络。提升检测效率。
S500：判断用户是否手动调整所述眼底识别判断结果；
S600：若用户未调整所述眼底识别判断结果，将所述眼底识别判断结果作为最终诊断结果输出；
更为具体的是，此时说明所述眼底识别判断结果准确无误，可以及时作为最终诊断结果输出给患者，便于患者及时了解情况。
S700：若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果最为最终诊断结果输出；
更为具体的是，此时说明调整后的所述眼底识别判断结果准确无误，可以及时作为最终诊断结果输出给患者，便于患者及时了解情况。
S800：根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。
更为具体的是，根据所述最终诊断结果和对应的眼底图像，输入增量模型参数集合进行训练，得到优化增量模型参数集合；将所述优化增量参数模型集合输入所述眼底图像识别机器学习模型；利用梯度相加将基础模型参数集合和所述优化增量模型参数集合组合，完成对所述眼底图像识别机器学习模型优化。通过优化后的结果输出给患者，能够便于患者准确了解自身情况，同时，通过对所述眼底图像识别机器学习模型进行优化，能够有效提升检测的准确性。当再次出现类似的特征值的眼底图像时，所述眼底图像识别机器学习模型能够根据优化结果得出正确眼底识别判断结果。
如图3所示，对所述眼底图像进行预处理，具体包括如下步骤：
S201：对所述眼底图像进行尺寸剪裁和像素调整；
更为具体的是，对所述眼底图像进行尺寸剪裁和像素调整，能够提升检测的准确性，在一些实施例中，获取的眼底图像可能存在获取时，环境较差，图像较为模糊或所述眼底图像尺寸大小不一的问题，
S202：对所述眼底图像进行归一化处理；
S203：对所述眼底图像进行区域检测，得到特征值。
参见图4，根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化，具体包括：
S801：根据所述最终诊断结果和对应的眼底图像，输入增量模型参数集合进行训练，得到优化增量模型参数集合；
S802：将所述优化增量参数模型集合输入所述眼底图像识别机器学习模型；
S803：利用梯度相加将基础模型参数集合和所述优化增量模型参数集合组合，完成对所述眼底图像识别机器学习模型优化。
所述增量模型参数集合为通过对典型眼底图像提取特征训练得到；
所述典型眼底图像为存储在服务器中的特征明显的眼底图像样本。
所述眼底图像为彩色图像或灰度图像。
所述眼底图像识别机器学习模型为神经网络。
第二方面，参见图5，本申请提供一种基于增量学习的眼底图像识别系统，包括：图像获取单元10、图像处理单元20、结果识别单元30、结果输出单元40以及模型优化单元50；
所述图像获取单元10被配置为获取被检测目标的眼底图像；
所述图像处理单元20被配置为对所述眼底图像进行预处理，得到所述眼底图像的特征值；
所述结果识别单元30被配置为将所述特征值作为输入提供给眼底图像识别机器学习模型，其中，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果作为输出；
所述结果输出单元40被配置为将所述眼底识别判断结果输出给用户；
所述模型优化单元50被配置为判断用户是否手动调整所述眼底识别判断结果；
若用户未调整所述眼底识别判断结果，将所述眼底识别判断结果作为最终诊断结果输出；
若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果最为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。
在一些实施例中，参见图6，所述图像处理单元包括图像调整模块21、归一化处理模块22和区域检测模块23；
所述图像调整模块21被配置为对所述眼底图像进行尺寸剪裁和像素调整；
所述归一化处理模块22被配置为对所述眼底图像进行归一化处理；
所述区域检测模块被配置23为对所述眼底图像进行区域检测，得到特征值。
本实施例中的系统在执行上述方法时可参见方法实施例中的描述，在此不再赘述。
第三方面，本申请提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行本发明的第一方面所述的方法。
由以上技术方案可知，本申请提供一种基于增量学习的眼底病变图像识别方法和系统，所述方法包括以下步骤：获取被检测目标的眼底图像；对所述眼底图像进行预处理，得到所述眼底图像的特征值，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果，若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果最为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。本申请通过根据最终诊断结果进行优化，解决现有眼底病变图像识别方法，无法根据判断结果对神经网络模型进行优化更新，准确率较差的问题。
本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。

Claims (10)

1.一种基于增量学习的眼底病变图像识别方法，其特征在于，包括以下步骤：
获取被检测目标的眼底图像；
对所述眼底图像进行预处理，得到所述眼底图像的特征值；
将所述特征值作为输入提供给眼底图像识别机器学习模型，其中，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果；
将所述眼底识别判断结果输出给用户；
判断用户是否手动调整所述眼底识别判断结果；
若用户未调整所述眼底识别判断结果，将所述眼底识别判断结果作为最终诊断结果输出；
若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果作为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。
2.根据权利要求1所述的基于增量学习的眼底病变图像识别方法，其特征在于，对所述眼底图像进行预处理，具体包括如下步骤：
对所述眼底图像进行尺寸剪裁和像素调整；
对所述眼底图像进行归一化处理；
对所述眼底图像进行区域检测，得到特征值。
3.根据权利要求1所述的基于增量学习的眼底病变图像识别方法，其特征在于，根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化，具体包括：
根据所述最终诊断结果和对应的眼底图像，输入增量模型参数集合进行训练，得到优化增量模型参数集合；
将所述优化增量参数模型集合输入所述眼底图像识别机器学习模型；
利用梯度相加将基础模型参数集合和所述优化增量模型参数集合组合，完成对所述眼底图像识别机器学习模型优化。
4.根据权利要求3所述的基于增量学习的眼底病变图像识别方法，其特征在于，所述增量模型参数集合为通过对典型眼底图像提取特征训练得到；
所述典型眼底图像为存储在服务器中的特征明显的眼底图像样本。
5.根据权利要求1所述的基于增量学习的眼底病变图像识别方法，其特征在于，所述眼底图像为彩色图像或灰度图像。
6.根据权利要求1所述的基于增量学习的眼底病变图像识别方法，其特征在于，所述眼底图像识别机器学习模型为神经网络。
7.根据权利要求1所述的基于增量学习的眼底病变图像识别方法，其特征在于，所述基础模型参数集合为通过对存量眼底图像提取特征训练得到；
所述存量眼底图像为存储在服务器中的现有可用的眼底图像样本。
8.一种基于增量学习的眼底病变图像识别系统，其特征在于，包括：图像获取单元、图像处理单元、结果识别单元、结果输出单元以及模型优化单元；
所述图像获取单元被配置为获取被检测目标的眼底图像；
所述图像处理单元被配置为对所述眼底图像进行预处理，得到所述眼底图像的特征值；
所述结果识别单元被配置为将所述特征值作为输入提供给眼底图像识别机器学习模型，其中，所述眼底图像识别机器学习模型被配置为根据所述特征值，通过基础模型参数集合得到眼底识别判断结果作为输出；
所述结果输出单元被配置为将所述眼底识别判断结果输出给用户；
所述模型优化单元被配置为判断用户是否手动调整所述眼底识别判断结果；
若用户未调整所述眼底识别判断结果，将所述眼底识别判断结果作为最终诊断结果输出；
若用户调整所述眼底识别判断结果，将调整后的眼底识别判断结果最为最终诊断结果输出，并根据所述最终诊断结果对所述眼底图像识别机器学习模型进行优化。
9.根据权利要求8所述的基于增量学习的眼底病变图像识别系统，其特征在于，所述图像处理单元包括图像调整模块、归一化处理模块和区域检测模块；
图像调整模块被配置为对所述眼底图像进行尺寸剪裁和像素调整；
归一化处理模块被配置为对所述眼底图像进行归一化处理；
区域检测模块被配置为对所述眼底图像进行区域检测，得到特征值。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7中任一项所述的方法。
CN202011468178.0A 2020-12-15 2020-12-15 一种基于增量学习的眼底病变图像识别方法和系统 Pending CN112233118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011468178.0A CN112233118A (zh) 2020-12-15 2020-12-15 一种基于增量学习的眼底病变图像识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011468178.0A CN112233118A (zh) 2020-12-15 2020-12-15 一种基于增量学习的眼底病变图像识别方法和系统

Publications (1)

Publication Number Publication Date
CN112233118A true CN112233118A (zh) 2021-01-15

Family

ID=74123961

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011468178.0A Pending CN112233118A (zh) 2020-12-15 2020-12-15 一种基于增量学习的眼底病变图像识别方法和系统

Country Status (1)

Country Link
CN (1) CN112233118A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022209299A1 (ja) * 2021-03-29 2022-10-06 ソニーグループ株式会社 情報処理システム、生体試料処理装置及びプログラム
CN117197145A (zh) * 2023-11-08 2023-12-08 天津医科大学眼科医院 一种基于深度学习的白内障病变图像识别方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006061196A (ja) * 2004-08-24 2006-03-09 Institute Of Physical & Chemical Research ３次元眼底画像の構築・表示装置
CN109800884A (zh) * 2017-11-14 2019-05-24 阿里巴巴集团控股有限公司 模型参数的处理方法、装置、设备和计算机存储介质
CN111190487A (zh) * 2019-12-30 2020-05-22 中国科学院计算技术研究所 一种建立数据分析模型的方法
CN111481166A (zh) * 2017-05-04 2020-08-04 深圳硅基智能科技有限公司 基于眼底筛查的自动识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006061196A (ja) * 2004-08-24 2006-03-09 Institute Of Physical & Chemical Research ３次元眼底画像の構築・表示装置
CN111481166A (zh) * 2017-05-04 2020-08-04 深圳硅基智能科技有限公司 基于眼底筛查的自动识别系统
CN109800884A (zh) * 2017-11-14 2019-05-24 阿里巴巴集团控股有限公司 模型参数的处理方法、装置、设备和计算机存储介质
CN111190487A (zh) * 2019-12-30 2020-05-22 中国科学院计算技术研究所 一种建立数据分析模型的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022209299A1 (ja) * 2021-03-29 2022-10-06 ソニーグループ株式会社 情報処理システム、生体試料処理装置及びプログラム
CN117197145A (zh) * 2023-11-08 2023-12-08 天津医科大学眼科医院 一种基于深度学习的白内障病变图像识别方法及系统
CN117197145B (zh) * 2023-11-08 2024-02-13 天津医科大学眼科医院 一种基于深度学习的白内障病变图像识别系统

Similar Documents

Publication Publication Date Title
CN110458883B (zh) 一种医疗影像的处理系统、方法、装置和设备
CN110889826B (zh) 眼部oct图像病灶区域的分割方法、装置及终端设备
US20060257031A1 (en) Automatic detection of red lesions in digital color fundus photographs
CN111062947B (zh) 一种基于深度学习的x光胸片病灶定位方法及系统
US20110123074A1 (en) Systems and methods for suppressing artificial objects in medical images
CN111166362B (zh) 医学图像的显示方法及装置、存储介质及电子设备
US8620056B2 (en) Method, an apparatus, a system and a computer program for transferring scan geometry between subsequent scans
CN112233118A (zh) 一种基于增量学习的眼底病变图像识别方法和系统
CN112446880B (zh) 图像处理方法、电子设备及可读存储介质
CN109919254B (zh) 乳腺密度分类方法、系统、可读存储介质和计算机设备
US20240005545A1 (en) Measuring method and measuring apparatus of blood vessel diameter of fundus image
CN112712906A (zh) 视频图像处理方法、装置、电子设备及存储介质
CN109087310B (zh) 睑板腺纹理区域的分割方法、系统、存储介质及智能终端
US20110122146A1 (en) Systems and methods for matching medical images
CN104091309A (zh) 一种平板x射线图像的均衡显示方法及系统
CN114332132A (zh) 图像分割方法、装置和计算机设备
CN111242921A (zh) 一种医学超声图像辅助诊断系统自动更新的方法及系统
US20070092124A1 (en) System for and method of displaying subtraction image and computer program for the system
CN112508941A (zh) 三维超声扫描完整性检测方法及装置
CN117788407A (zh) 基于人工神经网络的青光眼图像特征提取的训练方法
CN114732425A (zh) 一种提升dr胸片成像质量的方法及系统
KR101758805B1 (ko) 의료 영상 정합 장치 및 방법
CN112651962A (zh) 一种ai智能诊断系统平台
CN110459299B (zh) 一种视网膜眼底彩色照片图像筛选方法
WO2022147422A1 (en) Systems and methods for low-light image enhancement

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210115