CN112288697B - 用于量化异常程度的方法、装置、电子设备及可读存储介质 - Google Patents
用于量化异常程度的方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112288697B CN112288697B CN202011144982.3A CN202011144982A CN112288697B CN 112288697 B CN112288697 B CN 112288697B CN 202011144982 A CN202011144982 A CN 202011144982A CN 112288697 B CN112288697 B CN 112288697B
- Authority
- CN
- China
- Prior art keywords
- value
- abnormality
- abnormal
- fundus image
- actual
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 160
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000013139 quantization Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000002222 downregulating effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000011002 quantification Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000001514 detection method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 208000002111 Eye Abnormalities Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 208000035977 Rare disease Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 210000001927 retinal artery Anatomy 0.000 description 1
- 210000001957 retinal vein Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Eye Examination Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于量化异常程度的方法、装置、电子设备及计算机可读存储介质,涉及人工智能技术领域,具体涉及计算机视觉、深度学习领域,可用于智慧医疗场景。该方法的一具体实施方式包括:获取实际眼底图像;将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图;根据构成所述异常特征图的各像素点的像素值加和,计算得到所述实际眼底图像的异常量化值。该实施方式为了提升判断结果的可解释性,根据构成各像素点的像素值加和来计算得到异常量化值,因此该异常量化值可综合表示眼底异常表现在单个像素点上的严重程度和覆盖面积,使得该异常量化值可作为解释或支撑得到判断结果的理由,提升了判断结果的可解释性。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及计算机视觉、深度学习领域,尤其涉及用于量化异常程度的方法、装置、电子设备及计算机可读存储介质,可用于智慧医疗场景。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
现有存在利用机器学习/深度学习来识别实际图像中是否存在特定特征或不存在特定特征的方案,训练得到的模型/网络可输出“存在”或“不存在”的判断结果。
发明内容
本申请实施例提出了一种用于量化异常程度的方法、装置、电子设备及计算机可读存储介质。
第一方面,本申请实施例提出了一种用于量化异常程度的方法,包括:获取实际眼底图像;将实际眼底图像中表征眼底异常的部分图像提取为异常特征图;根据构成异常特征图的各像素点的像素值加和,计算得到实际眼底图像的异常量化值。
第二方面,本申请实施例提出了一种用于量化异常程度的装置,包括:实际眼底图像获取单元,被配置成获取实际眼底图像;异常特征图提取单元,被配置成将实际眼底图像中表征眼底异常的部分图像提取为异常特征图;异常量化值计算单元,被配置成根据构成异常特征图的各像素点的像素值加和,计算得到实际眼底图像的异常量化值。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的用于量化异常程度的方法。
第四方面,本申请实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的用于量化异常程度的方法。
本申请实施例提供的用于量化异常程度的方法、装置、电子设备及计算机可读存储介质,首先,获取实际眼底图像;然后,将该实际眼底图像中表征眼底异常的部分图像提取为异常特征图;接着,根据构成该异常特征图的各像素点的像素值加和,计算得到该实际眼底图像的异常量化值。本申请实施例首先从实际眼底图像中识别出表征眼底异常的异常特征图,即识别出存在异常特征图就意味着存在眼底异常,为了提升判断结果的可解释性,本申请实施例根据构成各像素点的像素值加和来计算得到异常量化值,因此该异常量化值可综合表示眼底异常表现在单个像素点上的严重程度和覆盖面积,使得该异常量化值可作为解释或支撑得到判断结果的理由,提升了判断结果的可解释性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构;
图2为本申请实施例提供的一种用于量化异常程度的方法的流程图;
图3为本申请实施例提供的另一种用于量化异常程度的方法的流程图;
图4为本申请实施例提供的又一种用于量化异常程度的方法的流程图;
图5为本申请实施例提供的用于量化异常程度的方法中一种从实际眼底图像中提取得到异常特征图的方法的流程图;
图6为本申请实施例提供的在一应用场景下用于实现量化异常程度的流程示意图;
图7为本申请实施例提供的一种用于量化异常程度的装置的结构框图;
图8为本申请实施例提供的一种适用于执用于量化异常程度的方法的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于量化异常程度的方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括眼底相机101、数据传输通路102和服务器103。数据传输通路102搭建起了眼底相机101与服务器103之间进行数据交互的桥梁。数据传输通路102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。当服务器103与眼底相机101相距不远时,可以具体采用建立本地数据连接的方式实现两者间数据的交互;当服务器103搭建在远端时,则可以具体采用建立网络数据连接的方式实现两者间数据的交互。
眼底相机101可以拍摄得到用户的实际眼底图像,并通过数据传输通路102将该实际眼底图像发送给服务器103进行分析,眼底相机101和服务器103上可以通过安装相应应用的方式来实现上述目的,例如图像传输类应用、图像分析类应用、信号控制类应用等。
眼底相机101可以是单独的一个硬件设备,也可以是作为一个组件与其它组件共同构成一个多功能设备。服务器103可以为硬件也可以为软件,其为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器;其为软件时,可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。当然,也存在将上述服务器103与眼底相机101集成在一起,构成一台眼底异常分析机的实现方式。
服务器103通过内置的各种应用可以提供各种服务,以可以提供眼底异常的异常量化值服务的图像分析类应用为例,服务器103在运行该图像分析类应用时可实现如下效果:首先,通过直连数据线缆接收眼底相机101拍摄得到的实际眼底图像;然后,将该实际眼底图像中表征眼底异常的部分图像提取为异常特征图;接着,根据构成该异常特征图的各像素点的像素值加和,计算得到该实际眼底图像的异常量化值;最后,通过预设路径输出包含该异常量化值的眼底异常分析结果。
需要指出的是,实际眼底图像除可以实时从眼底相机101获取到之外,也可以通过各种方式预先存储在服务器103本地。因此,当服务器103检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理分析任务),可选择直接从本地获取这些数据,在此种情况下,示例性系统架构100也可以不包括眼底相机101和数据传输通路。
由于异常量化值的计算需要基于构成眼底异常特征图的每个像素点的像素值,因此需要占用较多的运算资源和较强的运算能力,因此本申请后续各实施例所提供的用于量化异常程度的方法一般由拥有较强运算能力、较多运算资源的服务器103来执行,相应地,用于量化异常程度的装置一般也设置于服务器103中。
应该理解,图1中的眼底相机和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的眼底相机和服务器。
请参考图2,图2为本申请实施例提供的一种用于量化异常程度的方法的流程图,其中流程200包括以下步骤:
步骤201:获取实际眼底图像;
本步骤旨在由用于量化异常程度的方法的执行主体(例如图1所示的服务器105)获取实际眼底图像。
具体的,该实际眼底图像可以实时接收自眼底相机(例如图1所示的眼底相机101)对前方的用户拍摄得到的,也可以是从存储有先前拍摄得到的眼底图像的存储单元中获取的。其中,眼底图像是指针对眼球内后部的组织—内膜、视网膜、视乳头、黄斑和视网膜中央动静脉拍摄得到的记录其形态的图像。
步骤202:将实际眼底图像中表征眼底异常的部分图像提取为异常特征图;
在步骤201的基础上,本步骤旨在由上述执行主体将实际眼底图像中表征眼底异常的部分图像提取为异常特征图。
其中,异常特征图是存在于实际眼底图像中表征眼部异常的一种图像表现形式,可以为直接从实际眼底图像疾病分割出的部分图像,也可以是对实际眼底图像进行各式处理后得到的图像,对实际眼底图像进行的各式处理的目的是为了让表征眼底异常的部分图像在处理后的图像中表现的更加突出和明显,处理方式包括且不限于归一化、高斯滤波、中值滤波等图像预处理方式和利用卷积神经网络的卷积层对图像特征进行的降维处理等方式。
而对表征眼底异常的部分图像的识别大体可采用以下两种方式来实现:1)将实际眼底图像中所有不同于不包含眼底异常的正常图像的部分图像确定为异常特征图;2)将实际眼底图像中所有与包含各式眼底异常的异常图像一致的部分图像确定为异常特征图。但在实际情况下,可导致眼底异常的疾病遵循长尾分布,即少量常见病和大量罕见病,因此在很难收集齐全的异常图像作为样本的方式下,上述1)提供的将所有未见于正常图像的部分图像确定表征眼底异常的异常特征图是更加合适的方案,当然,在“非正全判负”的识别模型下,也可以加入适当的已知异常类型的异常图像作为“负样本”,从而基于负样本的存在不仅可以识别出异常特征图,还可以识别出异常特征图对应的异常类型。
步骤203:根据构成异常特征图的各像素点的像素值加和,计算得到实际眼底图像的异常量化值。
在步骤202的基础上,本步骤旨在由上述执行主体根据构成异常特征图的各像素点的像素值加和,计算得到实际眼底图像的异常量化值。该异常量化值是一种表征出现在该实际眼底图像中的实际眼底异常的异常程度的量化数值,应当理解的是,将遵循自然规律、实际存在于现实世界的抽象概念以科学的技术手段进行具象化,将十分有助于广大人群对其含义拥有更清晰的认知。
其中,异常特征图作为一种记录眼底异常的图像,其也必然是由多个像素点构成的,而每个像素点在所处的颜色空间下都拥有表征其实际颜色的像素值,以灰度空间为例,每个像素点共有256个不同的灰度值(0~255),灰度值为0表示该像素点的颜色是纯黑,灰度值为255表示该像素点的颜色是纯白;除灰度空间之外,还可以在自然颜色空间或反色颜色空间甚至某些自定义的颜色空间。
本步骤之所以选用构成异常特征图的各像素点的像素值的加和来计算异常量化值,其中的加和是为了让为了异常量化值能够汇总各异常特征图包含的每个像素点分别体现出的异常程度的量化数值,而每个异常像素点(即构成异常特征图的各像素点)的异常程度的量化数值则是其相对于正常像素点(即不包含眼底异常的正常图像的相同位置的像素点)在相同颜色空间下的像素值差异,即通过像素值的差异来反映眼底异常的异常程度。
具体的,可通过多种方式计算出该像素值差异,例如先计算正常像素点的像素值基准值,再通过求差的方式计算得到;还可以直接计算得到正常图像相应区域的像素值均值,再通过让每个异常像素点分别求取与该像素值均值的差等等,除此之外,还包括许多可起到类似效果、实现类似目的的计算方式,此处不再一一列举,只要能够计算得到每个异常像素点的异常程度的量化数值即可。
本申请实施例提供的用于量化异常程度的方法,首先从实际眼底图像中识别出表征眼底异常的异常特征图,即识别出存在异常特征图就意味着存在眼底异常,为了提升判断结果的可解释性,本申请实施例根据构成各像素点的像素值加和来计算得到异常量化值,因此该异常量化值可综合表示眼底异常表现在单个像素点上的严重程度和覆盖面积,使得该异常量化值可作为解释或支撑得到判断结果的理由,提升了判断结果的可解释性。
请参考图3,图3为本申请实施例提供的另一种用于量化异常程度的方法的流程图,其中流程300包括以下步骤:
步骤301:获取实际眼底图像;
步骤302:将实际眼底图像中表征眼底异常的部分图像提取为异常特征图;
以上步骤301-302与如图2所示的步骤201-202一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤303:获取异常特征图对应的实际眼底图像的部分区域的正常眼底图像;
本步骤旨在由上述执行主体获取异常特征图对应的实际眼底图像的部分区域的正常眼底图像,以基于相同眼底位置的正常眼底图像找到表征不包含眼底异常的像素点的像素值信息,来作为评判异常程度的基准。
其中,正常眼底图像在图像的表现形式上应与异常特征图一致,例如假定异常特征图的每个像素点的尺寸为16×16,则正常眼底图像的每个像素点尺寸也应为16×16,以保证两者处在同一基准线上进行比较、消除干扰因素。
步骤304:获取正常眼底图像的各像素点的像素值均值;
在步骤303的基础上,本步骤旨在由上述执行主体从正常眼底图像获取到构成正常眼底图像的各像素点的像素点均值,以通过均值的方式来反映该图像中的图像特征。
步骤305:获取构成异常特征图的每个像素点的实际像素值;
本步骤旨在由上述执行主体获取构成异常特征图的每个像素点的实际像素值,以用于与取自对应的正常眼底图像的像素值均值做对比。
步骤306:分别计算得到每个实际像素值与像素值均值的差的绝对值;
在经过步骤304和步骤305分别获取到像素值均值和实际像素值的基础上,本步骤旨在由上述执行主体分别计算得到每个实际像素值与像素值均值的差的绝对值。其中,实际像素值与像素值均值的差表征了两者在相同颜色空间上的颜色差异,而且其绝对值是为了防止差存在大于0或小于0的情况下,后续在进行加和的计算过程中相互抵消对异常量化值表征异常程度的量化数值的准确性造成影响。
当然,为了防止此种问题,也可以通过预先将像素值均值和实际像素值的比较场景进行调整,例如将像素值均值调整为“单位0”,所有的实际像素值只会比0大,不会比0小,即越接近0就表示异常程度越轻微,越远离0就表示异常程度越严重。上述效果可通过多种归一化或调整比较尺度的方式来实现,此处不再一一展开。
步骤307:将各绝对值的加和作为异常量化值。
在步骤306的基础上,本步骤旨在由上述执行主体将各绝对值的加和作为异常量化值。基于上述计算方式可以看出,该异常量化值不仅能够表征单个像素点上异常的异常程度,也可以表征异常像素点的个数,两者均与最终的异常量化值的数值大小呈正相关。
在上一实施例的基础上,本实施例针对如何根据构成异常特征图的像素点的像素值的加和计算得到异常量化值,通过步骤303-步骤307提供了一种具体的实现方式,首先从眼底相同位置的正常眼底图像中获取作为表征不存在眼底异常的正常像素点的像素值均值,然后从异常特征图取得每个异常像素点的实际像素值,然后通过分别计算两者之间的差的绝对值的和的方式,计算得到该异常量化值。使得异常量化值不仅能够表征单个像素点上异常的异常程度,也含盖了与异常像素点个数对应的异常区域的大小,从而在遵循自然规律的原则下,将抽象的概念以合理的技术手段进行了具象化,并使得具象化出的异常量化值覆盖尽可能多的方面,使得该异常量化值能够较好的支撑判断结果,并帮助患者尽可能充分认识到病情。
为了防止上一实施例在异常量化值同时考虑单个异常像素点的异常程度和覆盖的异常像素点的数量时,由于单个异常像素点过于异常导致极少量的异常像素点得到较高的异常量化值,使得异常量化值对异常覆盖区域不敏感、进而导致患者无法较为准确的对自身眼底异常的覆盖区域做出较为准确的评估的问题,本实施例还在如图3所示流程300的基础上进行了进一步的优化调整,请参见如图4所示的另一种用于量化异常程度的方法的流程图,其中流程400包括以下步骤:
步骤401:获取实际眼底图像;
步骤402:将实际眼底图像中表征眼底异常的部分图像提取为异常特征图;
步骤403:获取异常特征图对应的实际眼底图像的部分区域的正常眼底图像;
步骤404:获取正常眼底图像的各像素点的像素值均值;
步骤405:获取构成异常特征图的每个像素点的实际像素值;
步骤406:分别计算得到每个实际像素值与像素值均值的差的绝对值;
以上步骤401-406与如图3所示的步骤301-206一致,相同部分内容请参见上一实施例的相应部分,此处不再进行赘述。
步骤407:响应于存在数值大于预设数值的绝对值,将数值大于预设数值的绝对值的数值下调至预设上限值;
区别于流程300,本实施例在本步骤新增了对将数值大于预设数值的绝对值的数值下调至预设上限值的上限管控,以尽可能的避免极少量的异常像素点极大的拉高整体的异常量化参数。
步骤408:将各最大数值不超过预设上限值的绝对值的加和作为异常量化值。
在步骤407的基础上,本步骤旨在由上述执行将各最大数值不超过预设上限值的绝对值的加和作为异常量化值。
在如图3和/或图4所示的实施例提供的技术方案的基础上,为了充分考虑在计算时候的差分别呈现为大于0和小于0的两类像素点存在的差异,尤其是像素均值相同的情况下,差大于0和小于0通常反映了产生了不同类型的异常或病变,因此,为了尽可能的区分准确,还可以根据差的正负将构成异常特征图的各像素点分成两组像素点,并对两组像素点中的不同组像素点框定的区域轮廓进行标记,以便根据标记出的外部轮廓来准确的界定两者的边界。
在上述任意实施例的基础上,考虑到完整的眼底图像通常都是椭圆形的,以完整包括椭圆形的眼球相关组织的形态信息,因此在矩形画布上会存在黑色的外部边框,为了避免在提取异常特征图中将外部黑色边框也纳入异常部分,可以在提取异常特征图之前,先删去实际眼底图像的外部黑色边框,得到有效眼底图像,进而保障仅从有效眼底图像中表征眼底异常的部分提取为异常特征图。
应当理解的是,删去外部的黑色边框的实质上去除外部黑色边框对异常判别的干扰,在可知椭圆形的有效眼底图像的实际尺寸时,可以直接在图像处理阶段切割掉外部黑色边框,但通常由于不同的仪器拍摄得到的图像尺寸不一,画布大小也可能不同,因此在实际操作场景下很难直接切割掉。为解决这一问题,本申请还通过图5提供了一种去除外部黑色边框对异常判别的干扰的方法,其中流程500包括以下步骤:
步骤501:利用最近邻方式将实际眼底图像中的多个相邻像素点融合为融合像素点;
其中,一个融合像素点可以是由16(例如4×4)个、64(例如8×8),甚至256个相邻的原像素点融合而成,以便通过后续针对数量更少的融合像素点来更高的效率的判断是否属于外部黑色边框区域。
本步骤旨在由上述执行主体利用最近邻方式来处理图像,以使处理后的图像更便于进行外部黑色边框区域的确认。
步骤502:将颜色为黑色的融合像素点确定为边框像素点;
在步骤501的基础上,本步骤旨在由上述执行主体将颜色为黑色的融合像素点确定为边框像素点。
应当理解的是,仅当用于融合得到融合像素点的所有原像素点的颜色均为黑色时,融合像素点的颜色才为黑色,这种情况说明所有原像素点均属于外部黑色边框区域的像素点,因此可直接将其确认为边框像素点。同时,针对由大量黑色原像素点和极少量非黑色原像素点融合得到的融合像素点的情况,通常是因为该融合像素点同时包含了外部黑色边框区域和有效眼底图像区域,即两者的交界处,为了尽可能将两者的边界找清楚,还可以选择针对此种情况调小融合像素点的原像素点融合数,以尽可能精确的找到两者的边界、防止切除有效眼底图像的部分。
步骤503:从实际眼底图像删去与边框像素点对应的部分图像,得到有效眼底图像;
在步骤502的基础上,本步骤旨在由上述执行主体从实际眼底图像删去与边框像素点对应的部分图像,得到有效眼底图像。
步骤504:从有效眼底图像中表征眼底异常的部分提取为异常特征图。
本实施例通过上述步骤501-步骤504提供了一种通过最近邻方式确定边框像素点并将其删去得到有效眼底图像的方案,避免了将外部黑色边框纳入异常判定的范围,减少了干扰因素,提升了异常特征图的提取准确性。
在上述任意实施例的基础上,为了加深对上述方案中如何提取出异常特征图的理解,以下还提供了一种通过卷积神经网络的实现方式:
利用预设的卷积神经网络识别出实际眼底图像中表征眼底异常的部分图像,然后将将识别出的部分图像单独提取为异常特征图。其中,卷积神经网络基于确定不存在眼底异常的正常图像作为样本训练得到,也可以少量加入部分已知异常类型的异常图像作为负样本。
通过使用卷积神经网络,可借助卷积神经网络中卷积层的特征降维能力,使得眼底异常在经卷积层处理后的图像中表现的更加明显,进而提升异常特征图的识别效果。
在上述任意实施例的基础上,为了进一步增加对判别结果的可解释性,还可以随量化异常值一并输出对应的文本说明和处理方式,预先记录与各量化异常值与各文本说明和各处理方式质检的对应关系。其中,文本说明中可以包括量化异常值的取值范围和计算得到异常量化值的过程和原理以便于理解,处理方式则可以包括针对不同大小的异常量化值的一些后续处理方式和建议,例如后续是否需要进行复诊等等。
为加深理解,本申请还结合一个具体应用场景,给出了一种具体的实现方案,一种具体的实现方式可按照下述步骤:
1)服务器接收使用眼底相机、摄像头等采集设备采集到待测眼底图像I,并利用Z-Score归一化(是将数据按比例缩放,使之落入一个特定区间,要求:均值μ=0,σ=1)、高斯滤波和中值滤波等图像预处理方法,对图像进行处理,以凸显疾病判别相关的生理和病理体征;
2)服务器将预处理之后的图像I,输入预先创建的异常检测模型(构建方式见下述),获得异常图A及表征整图异常程度的异常量化值‖A‖。
其中,对于该异常检测模型的训练阶段,需要外部输入拟合目标y∈{0,1},并与表征整图异常程度的异常量化值‖A‖计算误差,且根据误差来调整模型参数;或外部输入拟合目标其中每一个点的取值均为0或1,与异常图A计算误差。
异常检测模型构建过程:
本实施例基于任意典型的卷积神经网络结构为例来构建该异常检测模型,但该异常检测模型不包含最后用于输出分类决策概率的全连接层及与其相连的全局池化层。可参见如图6所示的流程示意图:
设分级网络等价于函数A0=f(I),则输入图像其中,H、W、C分别代表输入图像的高、宽和通道数(以常见的RGB彩色图像,其C为3),则/>其中u和v分别为异常图的高和宽,与输入图像H、W相对应,例如H和W均为512时,u和v可以均为16,即输出的异常图A0上的一个像素点对应着输入图像上边长为H/u的正方形区域的异常程度,特别地,要求A0≥0。
为使异常检测模型检出尽可能多的异常区域,避免异常检测模型通过调高异常图A0上单个像素值来达成优化目标的行为,本实施例还将模型输出的异常图A0上每一个像素点的值限制在[0,t]之间,即:
A1=minimum(A0,t);
接着,为避免模型关注眼底图像上无意义的黑色边框,本专利将输入图像I以最近邻方式重新调整尺寸至16×16像素,即计算:mask=(resize(I,16)>0)和A2=mask⊙A1,即不将异常图上与图像黑边(像素值为0的区域)重叠的部分纳入异常检出的范围内,也不作为达成优化目标的结果。其中,mask指黑色边框,⊙表示同或运算。
最后,计算作为异常检测模型的输出,并设A=A2作为输出的异常图。
本实施例要求异常检测模型按照图像分类的方式进行训练,但不局限于整图级别(例如仅标注这张图上是否包含眼底异常)的标注。即外部输入拟合目标y∈{0,1}时,与整图异常程度‖A‖计算误差,并根据误差调整模型参数;或外部输入拟合目标其中每一个点的取值均为0或1,与异常图A计算误差并调整模型参数。意味着如果标注了一张图中每一个区域是否有异常,那么可以直接用这样的标注信息训练模型,如果没有,也可以用整图标注。
误差计算方式可以是应用于回归问题的损失函数,如均方误差等。当y=1时,模型输出值应当尽可能远离原点(趋近于正无穷);当y=0时,模型输出值应尽可能接近原点(趋近于0)。
即通过上述给出的模型构建和训练方式,使得训练出的异常检测模型不仅拥有识别出实际眼底图像中包含的异常图,并标定出异常图的位置信息,且给出异常图的异常程度的量化数值的效果,使得基于新的异常检测模型不仅可以输出简单的判断结果,还可以输出给出该判断结果的异常图和针对该异常图的异常程度的量化参数,使得模型具有了更强的可解释性。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了一种用于量化异常程度的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的用于量化异常程度的装置700可以包括:实际眼底图像获取单元701、异常特征图提取单元702、异常量化值计算单元703。其中,实际眼底图像获取单元701,被配置成获取实际眼底图像;异常特征图提取单元702,被配置成将实际眼底图像中表征眼底异常的部分图像提取为异常特征图;异常量化值计算单元703,被配置成根据构成异常特征图的各像素点的像素值加和,计算得到实际眼底图像的异常量化值。
在本实施例中,用于量化异常程度的装置700中:实际眼底图像获取单元701、异常特征图提取单元702、异常量化值计算单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,异常量化值计算单元703可以包括:
正常眼底图像获取子单元,被配置成获取异常特征图对应的实际眼底图像的部分区域的正常眼底图像;
像素值均值获取子单元,被配置成获取正常眼底图像的各像素点的像素值均值;
实际像素值获取子单元,被配置成获取构成异常特征图的每个像素点的实际像素值;
绝对值计算子单元,被配置成分别计算得到每个实际像素值与像素值均值的差的绝对值;
异常量化值计算子单元,被配置成将各绝对值的加和作为异常量化值。
在本实施例的一些可选的实现方式中,用于量化异常程度的装置700还可以包括:
像素点分组单元,被配置成根据差的正负将构成异常特征图的各像素点分成两组像素点;
轮廓标记单元,被配置成对两组像素点中的不同组像素点框定的区域轮廓进行标记。
在本实施例的一些可选的实现方式中,用于量化异常程度的装置700还可以包括:
数值下调单元,被配置成响应于存在数值大于预设数值的绝对值,将数值大于预设数值的绝对值的数值下调至预设上限值;以及
异常量化值计算子单元进一步被配置成:
将各最大数值不超过预设上限值的绝对值的加和作为异常量化值。
在本实施例的一些可选的实现方式中,用于量化异常程度的装置700还可以包括:
外部黑色边框删去单元,被配置成在将实际眼底图像中表征眼底异常的部分图像提取为异常特征图之前,删去实际眼底图像的外部黑色边框,得到有效眼底图像;以及
异常特征图提取单元进一步被配置成:
从有效眼底图像中表征眼底异常的部分提取为异常特征图。
在本实施例的一些可选的实现方式中,该部黑色边框删去单元可以进一步被配置成:
利用最近邻方式调整实际眼底图像的原像素点尺寸至新像素点尺寸;其中,新像素点尺寸大于原像素点尺寸;
响应于尺寸为新像素点尺寸的新像素点中仅包含黑色,则将仅包含黑色的新像素点确定为边框像素点;
从实际眼底图像删去边框像素点对应的部分图像,得到有效眼底图像。
在本实施例的一些可选的实现方式中,异常特征图提取单元502可以进一步被配置成:
利用预设的卷积神经网络识别出实际眼底图像中表征眼底异常的部分图像;其中,卷积神经网络基于确定不存在眼底异常的正常图像作为样本训练得到;
将识别出的部分图像单独提取为异常特征图。
在本实施例的一些可选的实现方式中,用于量化异常程度的装置700还可以包括:
文本说明和处理方式输出单元,被配置成输出与量化异常值对应的文本说明和处理方式;其中,预先记录与各量化异常值与各文本说明和各处理方式质检的对应关系。
本实施例作为对应于上述方法实施例的装置实施例存在,本实施例提供的用于量化异常程度的装置,首先从实际眼底图像中识别出表征眼底异常的异常特征图,即识别出存在异常特征图就意味着存在眼底异常,为了提升判断结果的可解释性,本申请实施例根据构成各像素点的像素值加和来计算得到异常量化值,因此该异常量化值可综合表示眼底异常表现在单个像素点上的严重程度和覆盖面积,使得该异常量化值可作为解释或支撑得到判断结果的理由,提升了判断结果的可解释性。
根据本申请的实施例,本申请还提供了一种电子设备和一种计算机可读存储介质。
图8示出了一种适于用来实现本申请实施例的用于量化异常程度的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的用于量化异常程度的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的用于量化异常程度的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的用于量化异常程度的方法对应的程序指令/模块(例如,附图7所示的实际眼底图像获取单元701、异常特征图提取单元702、异常量化值计算单元703)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的用于量化异常程度的方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储该电子设备在执行用于量化异常程度的方法所创建的各类数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至适用于执行用于量化异常程度的方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
适用于执行用于量化异常程度的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生适用于执行用于量化异常程度的方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
本申请实施例首先从实际眼底图像中识别出表征眼底异常的异常特征图,即识别出存在异常特征图就意味着存在眼底异常,为了提升判断结果的可解释性,本申请实施例根据构成各像素点的像素值加和来计算得到异常量化值,因此该异常量化值可综合表示眼底异常表现在单个像素点上的严重程度和覆盖面积,使得该异常量化值可作为解释或支撑得到判断结果的理由,提升了判断结果的可解释性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (16)
1.一种用于量化异常程度的方法,包括:
获取实际眼底图像;
将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图;
获取所述异常特征图对应的实际眼底图像的部分区域的正常眼底图像;
获取所述正常眼底图像的各像素点的像素值均值;
获取构成所述异常特征图的每个像素点的实际像素值;
分别计算得到每个所述实际像素值与所述像素值均值的差的绝对值;
将各所述绝对值的加和作为所述实际眼底图像的异常量化值。
2.根据权利要求1所述的方法,还包括:
根据所述差的正负将构成所述异常特征图的各像素点分成两组像素点;
对所述两组像素点中的不同组像素点框定的区域轮廓进行标记。
3.根据权利要求1所述的方法,还包括:
响应于存在数值大于预设数值的绝对值,将数值大于所述预设数值的绝对值的数值下调至预设上限值;以及
所述将各所述绝对值的加和作为所述异常量化值,包括:
将各最大数值不超过所述预设上限值的绝对值的加和作为所述异常量化值。
4.根据权利要求1所述的方法,其中,在所述将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图之前,还包括:
删去所述实际眼底图像的外部黑色边框,得到有效眼底图像;以及
所述将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图,包括:
从所述有效眼底图像中表征眼底异常的部分提取为所述异常特征图。
5.根据权利要求4所述的方法,其中,所述删去所述实际眼底图像的外部黑色边框,得到有效眼底图像,包括:
利用最近邻方式将所述实际眼底图像中的多个相邻像素点融合为融合像素点;
将颜色为黑色的融合像素点确定为边框像素点;
从所述实际眼底图像删去与所述边框像素点对应的部分图像,得到所述有效眼底图像。
6.根据权利要求1所述的方法,其中,所述将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图,包括:
利用预设的卷积神经网络识别出所述实际眼底图像中表征眼底异常的部分图像;其中,所述卷积神经网络基于确定不存在眼底异常的正常图像作为样本训练得到;
将识别出的部分图像单独提取为所述异常特征图。
7.根据权利要求1-6任一项所述的方法,还包括:
输出与所述异常量化值对应的文本说明和处理方式;其中,预先记录与各异常量化值与各文本说明和各处理方式质检的对应关系。
8.一种用于量化异常程度的装置,包括:
实际眼底图像获取单元,被配置成获取实际眼底图像;
异常特征图提取单元,被配置成将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图;
异常量化值计算单元,被配置成获取所述异常特征图对应的实际眼底图像的部分区域的正常眼底图像;获取所述正常眼底图像的各像素点的像素值均值;获取构成所述异常特征图的每个像素点的实际像素值;分别计算得到每个所述实际像素值与所述像素值均值的差的绝对值;将各所述绝对值的加和作为所述实际眼底图像的异常量化值。
9.根据权利要求8所述的装置,还包括:
像素点分组单元,被配置成根据所述差的正负将构成所述异常特征图的各像素点分成两组像素点;
轮廓标记单元,被配置成对所述两组像素点中的不同组像素点框定的区域轮廓进行标记。
10.根据权利要求8所述的装置,还包括:
数值下调单元,被配置成响应于存在数值大于预设数值的绝对值,将数值大于所述预设数值的绝对值的数值下调至预设上限值;以及
所述异常量化值计算子单元进一步被配置成:
将各最大数值不超过所述预设上限值的绝对值的加和作为所述异常量化值。
11.根据权利要求8所述的装置,还包括:
外部黑色边框删去单元,被配置成在所述将所述实际眼底图像中表征眼底异常的部分图像提取为异常特征图之前,删去所述实际眼底图像的外部黑色边框,得到有效眼底图像;以及
所述异常特征图提取单元进一步被配置成:
从所述有效眼底图像中表征眼底异常的部分提取为所述异常特征图。
12.根据权利要求11所述的装置,其中,所外部黑色边框删去单元进一步被配置成:
利用最近邻方式将所述实际眼底图像中的多个相邻像素点融合为融合像素点;
将颜色为黑色的融合像素点确定为边框像素点;
从所述实际眼底图像删去与所述边框像素点对应的部分图像,得到所述有效眼底图像。
13.根据权利要求8所述的装置,其中,所述异常特征图提取单元进一步被配置成:
利用预设的卷积神经网络识别出所述实际眼底图像中表征眼底异常的部分图像;其中,所述卷积神经网络基于确定不存在眼底异常的正常图像作为样本训练得到;
将识别出的部分图像单独提取为所述异常特征图。
14.根据权利要求8-13任一项所述的装置,还包括:
文本说明和处理方式输出单元,被配置成输出与所述异常量化值对应的文本说明和处理方式;其中,预先记录与各异常量化值与各文本说明和各处理方式质检的对应关系。
15.一种电子设备,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至少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能够执行权利要求1-7中任一项所述的用于量化异常程度的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的用于量化异常程度的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011144982.3A CN112288697B (zh) | 2020-10-23 | 2020-10-23 | 用于量化异常程度的方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011144982.3A CN112288697B (zh) | 2020-10-23 | 2020-10-23 | 用于量化异常程度的方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288697A CN112288697A (zh) | 2021-01-29 |
CN112288697B true CN112288697B (zh) | 2023-07-28 |
Family
ID=74424732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011144982.3A Active CN112288697B (zh) | 2020-10-23 | 2020-10-23 | 用于量化异常程度的方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288697B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115037608A (zh) * | 2021-03-04 | 2022-09-09 | 维沃移动通信有限公司 | 量化的方法、装置、设备及可读存储介质 |
CN116687338B (zh) * | 2023-08-01 | 2023-11-03 | 杭州目乐医疗科技股份有限公司 | 眼底相机状态检测方法、眼底相机与存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809188A (zh) * | 2016-02-26 | 2016-07-27 | 山东大学 | 一种基于ambp改进算法的真菌性角膜炎图像识别方法 |
CN107310267A (zh) * | 2016-04-27 | 2017-11-03 | 佳能株式会社 | 图像处理装置、图像处理方法及存储介质 |
CN107680089A (zh) * | 2017-10-09 | 2018-02-09 | 济南大学 | 一种高压输电线路摄像头图像异常的自动判断方法 |
CN108093182A (zh) * | 2018-01-26 | 2018-05-29 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
WO2020151149A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8611620B2 (en) * | 2010-07-01 | 2013-12-17 | Ardia Medical Products Ltd. | Advanced digital pathology and provisions for remote diagnostics |
-
2020
- 2020-10-23 CN CN202011144982.3A patent/CN112288697B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809188A (zh) * | 2016-02-26 | 2016-07-27 | 山东大学 | 一种基于ambp改进算法的真菌性角膜炎图像识别方法 |
CN107310267A (zh) * | 2016-04-27 | 2017-11-03 | 佳能株式会社 | 图像处理装置、图像处理方法及存储介质 |
CN107680089A (zh) * | 2017-10-09 | 2018-02-09 | 济南大学 | 一种高压输电线路摄像头图像异常的自动判断方法 |
CN108093182A (zh) * | 2018-01-26 | 2018-05-29 | 广东欧珀移动通信有限公司 | 图像处理方法和装置、电子设备、计算机可读存储介质 |
WO2020151149A1 (zh) * | 2019-01-23 | 2020-07-30 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
Robust Collaborative Learning of Patch-level and Image-level Annotations for Diabetic Retinopathy Grading from Fundus Image;Yehui Yang等;《arXiv》;全文 * |
视网膜血管直径交互式测量方法;薛岚燕;余轮;林嘉雯;曹新容;郑绍华;;福州大学学报(自然科学版)(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112288697A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
US10970842B2 (en) | Method and device for identifying pathological picture | |
US20210228071A1 (en) | System and method of otoscopy image analysis to diagnose ear pathology | |
CN110033456B (zh) | 一种医疗影像的处理方法、装置、设备和系统 | |
JP2004326805A (ja) | ディジタル画像中の赤目を検出し補正する方法 | |
WO2022088665A1 (zh) | 病灶分割方法、装置及存储介质 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN112288697B (zh) | 用于量化异常程度的方法、装置、电子设备及可读存储介质 | |
KR102155381B1 (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 | |
CN111932535A (zh) | 用于处理图像的方法、装置、设备以及存储介质 | |
CN107038704B (zh) | 视网膜图像渗出区域分割方法、装置和计算设备 | |
CN110855889A (zh) | 图像处理方法、装置、图像处理设备及存储介质 | |
JP7305046B2 (ja) | 画像分類方法及び装置並びに機器 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
CN113553909B (zh) | 用于皮肤检测的模型训练方法、皮肤检测方法 | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
JP2006040231A (ja) | 画像処理装置及びその方法、撮像装置、プログラム | |
Kumar et al. | Automatic detection of red lesions in digital color retinal images | |
Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
CN111951214A (zh) | 图像中可读区域的分割方法、装置、电子设备及存储介质 | |
JP2024504958A (ja) | 組織検体画像の生成方法、及びこれを行うコンピューティングシステム | |
Reza et al. | Automatic detection of optic disc in fundus images by curve operator | |
CN110428377B (zh) | 数据扩充方法、装置、设备和介质 | |
KR102318194B1 (ko) | 안저 이미지를 이용한 시신경병증 예측 장치 및 시신경병증 예측 결과 제공 방법 |
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 |