CN112446860A - 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 - Google Patents
一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 Download PDFInfo
- Publication number
- CN112446860A CN112446860A CN202011318241.2A CN202011318241A CN112446860A CN 112446860 A CN112446860 A CN 112446860A CN 202011318241 A CN202011318241 A CN 202011318241A CN 112446860 A CN112446860 A CN 112446860A
- Authority
- CN
- China
- Prior art keywords
- macular edema
- diabetic macular
- optical coherence
- coherence tomography
- color photograph
- 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.)
- Granted
Links
- 206010012688 Diabetic retinal oedema Diseases 0.000 title claims abstract description 96
- 201000011190 diabetic macular edema Diseases 0.000 title claims abstract description 96
- 238000012216 screening Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013526 transfer learning Methods 0.000 title claims abstract description 26
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 25
- 230000001537 neural effect Effects 0.000 claims abstract description 24
- 238000012795 verification Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 206010012601 diabetes mellitus Diseases 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000003325 tomography Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000001617 migratory effect Effects 0.000 claims 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000004888 barrier function Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000001344 Macular Edema Diseases 0.000 description 1
- 206010025415 Macular oedema Diseases 0.000 description 1
- 208000028389 Nerve injury Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004155 blood-retinal barrier Anatomy 0.000 description 1
- 230000004378 blood-retinal barrier Effects 0.000 description 1
- 210000001043 capillary endothelial cell Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000000981 epithelium Anatomy 0.000 description 1
- 210000003722 extracellular fluid Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000010230 macular retinal edema Diseases 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008764 nerve damage Effects 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000009978 visual deterioration 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- 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
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- 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
- A61B3/14—Arrangements specially adapted for eye photography
-
- 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
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
-
- 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
- G06T2207/30204—Marker
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，通过光学相干断层扫描图像以及眼底彩照对是否患有糖尿病黄斑水肿进行标记，使用训练好的深度残差神经人工智能模型提取患者的眼部特征并根据眼部特征进行有无糖尿病黄斑水肿的分类，随后使用眼底彩照数据集训练通过迁移学习技术对深度残差神经人工智能模型极性调整，得到最终基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。通过基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的对光学相干断层扫描图像以及眼底彩照对是否患有糖尿病黄斑水肿的患者进行识别分类，可提高糖尿病黄斑水肿高危人群筛查的准确率和工作效率，也减少病人诊治疾病的花费，从而使更多的病人得到及时的诊疗。
Description
技术领域
本发明涉及人工智能医疗应用的技术领域，具体涉及一种基于迁移学习的糖尿病黄斑水肿自动筛查方法。
背景技术
糖尿病性黄斑水肿是指由糖尿病引起的黄斑区血一视网膜屏障功能的破坏，导致黄斑区细胞外液积聚所致的视网膜增厚或硬性渗出沉积。病损首先涉及视网膜毛细血管内皮细胞，即血一视网膜内屏障，严重者损伤外屏障，即色素上皮损伤，导致水肿不易消除。是糖尿病视网膜病变患者视力下降的主要原因之一。发病率和糖尿病病程呈正相关，其4年的发病率为5.4% ，临床有意义的黄斑水肿的发病率为7.2%。
糖尿病性黄斑水肿起病隐匿，不易被觉察。由于视神经的损害不能逆转，等到病人发现不适去医院就诊时，通常视力已经严重受损，因此早期诊断对这类疾病的治疗而言非常重要。眼科光学相干断层扫描影像可应用于眼病诊断与治疗等各方面，但是其检查设备动辄百万以上，在很多边远地区或机构的运用受限，因此，迫切需要高效便捷的检查方法尽早筛查这类病例。
发明内容
本发明的目的是提供一种能够通过眼底彩照来进行糖尿病黄斑水肿高危人群筛查的基于迁移学习的糖尿病黄斑水肿自动筛查方法。
本发明提供了一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，包括自动筛查方法如下步骤：
S1：获取光学相干断层的扫描影像及眼底彩照；
S2：对光学相干断层扫描影像和眼底彩照进行是否患有糖尿病黄斑水肿的标记，获取光学相干断层扫描训练集和眼底彩照训练集；
S3：基于光学相干断层扫描影像，构建深度残差网络初始模型；
S4：光学相关断层扫描训练集对深度残差网络初始模型进行训练，获取深度残差神经人工智能模型；
S5：利用深度残差神经人工智能模型对光学相干断层的扫描影像进行整体特征的识别和提取，获取待识别患者的眼部特征；
S6：利用深度残差神经人工智能模型对待识别的眼底特征进行验证和识别并根据识别结果对光学相干断层扫描影像进行有无糖尿病黄斑水肿的分类，获得有无糖尿病黄斑水肿的光学相干断层扫描影像分类结果；
S7：使用眼底彩照训练集通过迁移学习对深度残差神经人工智能模型的全连接层调整，获取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。
进一步的，所述S2中具体为：
对光学相干断层扫描影像和眼底彩照进行是否患有糖尿病黄斑水肿的标记并对标记后的光学相干断层扫描影像和眼底彩照进行预处理，获取光学相干断层扫描训练集和眼底彩照训练集。
进一步的，所述预处理包括：
将光学相干断层扫描影像和眼底彩照降采样至256*256分辨率，和局部空间色彩平均，图像增强，平移1-3个像素、旋转90°、180°或者270°并进行扩增以及对光学相干断层扫描影像和眼底彩照图像进行归一化处理，使输入数据归一化为0到1之间，从而得到光学相干断层扫描训练集和眼底彩照训练集。
进一步的，所述S7之后还包括S8：
获取新收集糖尿病患者的眼底彩照和光学相干断层扫描图像；
对新收集糖尿病患者的眼底彩照和光学相干断层扫描图像进行是否患有糖尿病黄斑水肿的标记，构成外部验证集；
根据外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型进行验证；
当外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的结果一致时，则确定所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型准确；
当外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的结果不一致时，则根据外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型进行修正。
进一步的，所述S3中的深度卷积神经网络算法包括：
所述的残差网络包括一个由6个卷积层、2个激活函数层、2个BN层以及1个跳跃连接层组成的基本的残差模块连接1个激活函数层。
进一步的，所述S4具体包括：
将所述光学相关断层扫描数据集分为训练集与内部验证集，将训练集数据输入深度残差网络初始模型，将内部验证集表现最好的深度残差神经人工智能模型作为训练结果保存。
进一步的，所述S1具体为：
通过数据库获取预设的训练样本并根据训练样本，获取的光学相干断层的扫描影像及眼底彩照。
进一步的，所述训练样本的数值为9000，糖尿病黄斑水肿与正常眼底彩照比例为1:2；
所述数据库为医院门诊的接访数据库。
进一步的，所述外部验证集的数值为3000。
本发明的有益效果：
本发明的实施例提供一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，通过光学相干断层扫描图像以及眼底彩照对是否患有糖尿病黄斑水肿进行标记，使用训练好的深度残差神经人工智能模型提取患者的眼部特征并根据眼部特征进行有无糖尿病黄斑水肿的分类，随后使用眼底彩照数据集训练通过迁移学习技术对深度残差神经人工智能模型极性调整，得到最终基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。通过基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的对光学相干断层扫描图像以及眼底彩照对是否患有糖尿病黄斑水肿的患者进行识别分类，可提高糖尿病黄斑水肿高危人群筛查的准确率和工作效率，也减少病人诊治疾病的花费，从而使更多的病人得到及时的诊疗。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法的结构框图。
具体实施方式
结合以下实施例对本发明作进一步描述。
如图1所示，结合以下实施例对本发明作进一步描述。
实施例一：
本实施例的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，包括自动筛查方法如下步骤：
S1：获取光学相干断层的扫描影像及眼底彩照；
通过光学相干断层扫描仪获取光学相干断层的扫描影像生成患者的取光学相干断层的扫描影像的数据库，在数据库内获取光学相干断层的扫描影像；通过眼底照相机获取眼底彩照生成眼底彩照的数据库。
S2：对光学相干断层扫描影像和眼底彩照进行是否患有糖尿病黄斑水肿的标记，获取光学相干断层扫描训练集和眼底彩照训练集；
即将光学相干断层扫描影像中能够诊断出患有糖尿病黄斑水肿患者的光学相干断层扫描影像和没有患有糖尿病黄斑水肿患者的光学相干断层扫描影像分开进行标记，标记完了形成光学相干断层扫描训练集；同样的将眼底彩照中能够诊断出患有糖尿病黄斑水肿患者的眼底彩照和没有患有糖尿病黄斑水肿患者的眼底彩照分开进行标记，标记完了形成眼底彩照训练集。
其中，所述S2中具体为：
对光学相干断层扫描影像和眼底彩照进行是否患有糖尿病黄斑水肿的标记并对标记后的光学相干断层扫描影像和眼底彩照进行预处理，获取光学相干断层扫描训练集和眼底彩照训练集。
所述预处理包括：
将光学相干断层扫描影像和眼底彩照降采样至256*256分辨率，和局部空间色彩平均，图像增强，平移1-3个像素、旋转90°、180°或者270°并进行扩增以及对光学相干断层扫描影像和眼底彩照图像进行归一化处理，使输入数据归一化为0到1之间，从而得到光学相干断层扫描训练集和眼底彩照训练集。
其中，还能够将光学相干断层扫描影像和眼底彩照转化为矩阵的形式；
将训练集进行增广，在其最后再增加一列。
S3：基于光学相干断层扫描影像，构建深度残差网络初始模型；
其中，所述S3中的深度卷积神经网络算法包括：
所述的残差网络包括一个由6个卷积层、2个激活函数层、2个BN层以及1个跳跃连接层组成的基本的残差模块连接1个激活函数层。
S4：光学相关断层扫描训练集对深度残差网络初始模型进行训练，获取深度残差神经人工智能模型；
构建具有升维功能的残差模块，一个具有由4个卷积层、3个激活函数层、3个BN层以及1个跳跃连接层组成，最后再连接1个激活函数层。
构建网络前段，从而使用串联的残差模块对眼底彩照进行特征提取。
构建网络后端，连接2个全连接层，2个激活函数和1个dropout层形成到网络输出。
上述S4中的深度残差网络初始模型通过残差块和输入数据增量，不断调整残差网络的参数，直至深度残差网络初始模型达到预期的深度残差神经人工智能模型。
所述S4具体包括：
将所述光学相关断层扫描数据集分为训练集与内部验证集，将训练集数据输入深度残差网络初始模型，将内部验证集表现最好的深度残差神经人工智能模型作为训练结果保存。
S5：利用深度残差神经人工智能模型对光学相干断层的扫描影像进行整体特征的识别和提取，获取待识别患者的眼部特征；
S6：利用深度残差神经人工智能模型对待识别的眼底特征进行验证和识别并根据识别结果对光学相干断层扫描影像进行有无糖尿病黄斑水肿的分类，获得有无糖尿病黄斑水肿的光学相干断层扫描影像分类结果；
通过有无糖尿病黄斑水肿的光学相干断层扫描影像分类结果对深度残差神经人工智能模型进行进一步的调整。
S7：使用眼底彩照训练集通过迁移学习对深度残差神经人工智能模型的全连接层调整，获取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。
本发明的实施例提供一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，通过光学相干断层扫描图像以及眼底彩照对是否患有糖尿病黄斑水肿进行标记，使用训练好的深度残差神经人工智能模型提取患者的眼部特征并根据眼部特征进行有无糖尿病黄斑水肿的分类，随后使用眼底彩照数据集训练通过迁移学习技术对深度残差神经人工智能模型极性调整，得到最终基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。通过基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的对光学相干断层扫描图像以及眼底彩照对是否患有糖尿病黄斑水肿的患者进行识别分类，可提高糖尿病黄斑水肿高危人群筛查的准确率和工作效率，也减少病人诊治疾病的花费，从而使更多的病人得到及时的诊疗。
本发明通过迁移学习和残差网络技术,客观性提取、分析患者眼底特征来对眼底彩照来进行糖尿病黄斑水肿高危人群筛查，利用迁移学习的优良的泛化特性，残差网络强大的非线性表达能力和解决解决梯度消失的能力等优势，提高了糖尿病黄斑水肿高危人群筛查的准确性，具有较高的应用价值。
其中，所述S7之后还包括S8：
获取新收集糖尿病患者的眼底彩照和光学相干断层扫描图像；
对新收集糖尿病患者的眼底彩照和光学相干断层扫描图像进行是否患有糖尿病黄斑水肿的标记，构成外部验证集；
根据外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型进行验证；
当外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的结果一致时，则确定所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型准确；
当外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的结果不一致时，则根据外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型进行修正。
基于眼底彩照的糖尿病黄斑水肿的智能筛查模型通过大样本进行内部数据库及外部验证，证实其在不同人群中均具有较高的准确性。
其中，所述训练样本的数值为9000，糖尿病黄斑水肿与正常眼底彩照比例为1:2；
所述数据库为医院门诊的接访数据库。
所述数据库内的多个患者的图像数据为每次试验前从数据库中随机抽取1/3，使用 5倍交叉验证，并重复测试10次，以10次测试的平均值作为最终的智能预测模型准确率。通过反复的验证提升所述智能预测模型的准确率。
获取医院门诊的接访数据库系统内的患者眼底彩照和光学相干断层扫描影像，构成外部验证集，将糖尿病黄斑水肿的自动分级模型应用于外部验证集，通过外部验证修正所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。通外部验证修正所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型，进一步的提升了基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的预测结果的准确性。所述外部验证集的数值范围是3000名。
纳入3000名临床诊断为糖尿病黄斑水肿的患者，以及6000名确定无糖尿病黄斑水肿的对照者，收集其眼底彩照与光学相干断层扫描影像。
将眼底彩照与光学相干断层扫描影像，基于患者有无糖尿病黄斑水肿进行标记及图像预处理。
将数据按2:1比例分为训练集与内部验证集，进一步的，将深度残差网络初始模型在内部验证集中进行验证及进一步优化，保存内部验证集准确性最好的模型作为初步的深度残差神经人工智能模型。使用眼底彩照训练集，进行迁移学习，调整迁移学习初始模型的全连接层，达到最终的取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。进一步的，利用医院数据库调取3000名患者眼底及全身数据，构成外部验证集，对优化后的糖尿病黄斑水肿的取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型再次进行验证，外部验证集表现最好的模型确定为最终的取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。
最终，在应用于筛查工作时，通过眼底彩照获取受检者的眼底彩照，将眼底彩照输入最终确定的取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型内，即可获得患者有无糖尿病黄斑水肿的预测结果。
本发明实施例的计算机可读存储介质与上述实施例一的方法属于同一构思，其具体实现过程详细见对应的方法实施例，且方法实施例中的技术特征在本计算机可读存储介质实施例中均对应适用，这里不再赘述。
以上对本发明一种基于迁移学习的糖尿病黄斑水肿自动筛查方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述。以上实施例的说明只是用于帮助理解本发明的核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用 范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于：包括自动筛查方法如下步骤：
S1：获取光学相干断层的扫描影像及眼底彩照；
S2：对光学相干断层扫描影像和眼底彩照进行是否患有糖尿病黄斑水肿的标记，获取光学相干断层扫描训练集和眼底彩照训练集；
S3：基于光学相干断层扫描影像，构建深度残差网络初始模型；
S4：光学相关断层扫描训练集对深度残差网络初始模型进行训练，获取深度残差神经人工智能模型；
S5：利用深度残差神经人工智能模型对光学相干断层的扫描影像进行整体特征的识别和提取，获取待识别患者的眼部特征；
S6：利用深度残差神经人工智能模型对待识别的眼底特征进行验证和识别并根据识别结果对光学相干断层扫描影像进行有无糖尿病黄斑水肿的分类，获得有无糖尿病黄斑水肿的光学相干断层扫描影像分类结果；
S7：使用眼底彩照训练集通过迁移学习对深度残差神经人工智能模型的全连接层调整，获取基于眼底彩照的糖尿病黄斑水肿的智能筛查模型。
2.如权利要求1所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述S2中具体为：
对光学相干断层扫描影像和眼底彩照进行是否患有糖尿病黄斑水肿的标记并对标记后的光学相干断层扫描影像和眼底彩照进行预处理，获取光学相干断层扫描训练集和眼底彩照训练集。
3.如权利要求2所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述预处理包括：
将光学相干断层扫描影像和眼底彩照降采样至256*256分辨率，和局部空间色彩平均，图像增强，平移1-3个像素、旋转90°、180°或者270°并进行扩增以及对光学相干断层扫描影像和眼底彩照图像进行归一化处理，使输入数据归一化为0到1之间，从而得到光学相干断层扫描训练集和眼底彩照训练集。
4.如权利要求3所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述S7之后还包括S8：
获取新收集糖尿病患者的眼底彩照和光学相干断层扫描图像；
对新收集糖尿病患者的眼底彩照和光学相干断层扫描图像进行是否患有糖尿病黄斑水肿的标记，构成外部验证集；
根据外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型进行验证；
当外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的结果一致时，则确定所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型准确；
当外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型的结果不一致时，则根据外部验证集对所述基于眼底彩照的糖尿病黄斑水肿的智能筛查模型进行修正。
5.如权利要求4所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述S3中的深度卷积神经网络算法包括：
所述的残差网络包括一个由6个卷积层、2个激活函数层、2个BN层以及1个跳跃连接层组成的基本的残差模块连接1个激活函数层。
6.如权利要求5所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述S4具体包括：
将所述光学相关断层扫描数据集分为训练集与内部验证集，将训练集数据输入深度残差网络初始模型，将内部验证集表现最好的深度残差神经人工智能模型作为训练结果保存。
7.如权利要求6所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述S1具体为：
通过数据库获取预设的训练样本并根据训练样本，获取的光学相干断层的扫描影像及眼底彩照。
8.如权利要求7所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，
所述训练样本的数值为9000，糖尿病黄斑水肿与正常眼底彩照比例为1:2；
所述数据库为医院门诊的接访数据库。
9.如权利要求8所述的一种基于迁移学习的糖尿病黄斑水肿自动筛查方法，其特征在于，所述外部验证集的数值为3000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011318241.2A CN112446860B (zh) | 2020-11-23 | 2020-11-23 | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011318241.2A CN112446860B (zh) | 2020-11-23 | 2020-11-23 | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112446860A true CN112446860A (zh) | 2021-03-05 |
| CN112446860B CN112446860B (zh) | 2024-04-16 |
Family
ID=74738570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011318241.2A Active CN112446860B (zh) | 2020-11-23 | 2020-11-23 | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112446860B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421638A (zh) * | 2021-06-22 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于迁移学习的模型生成方法、装置和计算机设备 |
| CN114494734A (zh) * | 2022-01-21 | 2022-05-13 | 平安科技（深圳）有限公司 | 基于眼底图像的病变检测方法、装置、设备及存储介质 |
| CN115393847A (zh) * | 2022-10-31 | 2022-11-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基质细胞功能状况的识别分析方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101994A (zh) * | 2018-07-05 | 2018-12-28 | 北京致远慧图科技有限公司 | 一种卷积神经网络迁移方法、装置、电子设备及存储介质 |
| WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| US20190110753A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
| US20200234445A1 (en) * | 2018-04-13 | 2020-07-23 | Bozhon Precision Industry Technology Co., Ltd. | Method and system for classifying diabetic retina images based on deep learning |
| CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及系统 |
| US20210251490A1 (en) * | 2018-06-11 | 2021-08-19 | Farida Cheriet | System and method for determining coronal artery tissue type based on an oct image and using trained engines |
| US20210259546A1 (en) * | 2018-06-29 | 2021-08-26 | Centro De Retina Medica Y Quirurgica, S.C. | Portable system for identifying potential cases of diabetic macular oedema using image processing and artificial intelligence |
| US20220165418A1 (en) * | 2019-03-29 | 2022-05-26 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
-
2020
- 2020-11-23 CN CN202011318241.2A patent/CN112446860B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019001209A1 (zh) * | 2017-06-28 | 2019-01-03 | 苏州比格威医疗科技有限公司 | 基于三维卷积神经网络的视网膜oct图像的分类算法 |
| US20190110753A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
| US20200234445A1 (en) * | 2018-04-13 | 2020-07-23 | Bozhon Precision Industry Technology Co., Ltd. | Method and system for classifying diabetic retina images based on deep learning |
| CN111656357A (zh) * | 2018-04-17 | 2020-09-11 | 深圳华大生命科学研究院 | 基于人工智能的眼科疾病诊断建模方法、装置及系统 |
| US20210251490A1 (en) * | 2018-06-11 | 2021-08-19 | Farida Cheriet | System and method for determining coronal artery tissue type based on an oct image and using trained engines |
| US20210259546A1 (en) * | 2018-06-29 | 2021-08-26 | Centro De Retina Medica Y Quirurgica, S.C. | Portable system for identifying potential cases of diabetic macular oedema using image processing and artificial intelligence |
| CN109101994A (zh) * | 2018-07-05 | 2018-12-28 | 北京致远慧图科技有限公司 | 一种卷积神经网络迁移方法、装置、电子设备及存储介质 |
| US20220165418A1 (en) * | 2019-03-29 | 2022-05-26 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
Non-Patent Citations (5)
| Title |
|---|
| DANIEL S. KERMANY: "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning", CELL PRESS, vol. 172, no. 5, pages 1122 - 1131 * |
| ZHIXI LI, MD 等: "Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs", vol. 125, no. 8, pages 1 - 8 * |
| 林少芬;毛羽翔;胡洁;罗燕;唐仕波;: "海德堡激光眼科诊断仪与光学相干断层扫描成像术在眼底病临床检查中的应用对比", 实用医技杂志, no. 07, pages 677 - 679 * |
| 王中颖;: "数码彩色眼底照相对糖尿病视网膜病变早期诊断模式的研究", 中国医疗设备, no. 08, pages 40 - 42 * |
| 许冬 等: "基于卷积神经网络UNet 构建糖尿病性黄斑水肿自动识别模型", 眼科新进展, vol. 40, no. 4, pages 357 - 361 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421638A (zh) * | 2021-06-22 | 2021-09-21 | 平安科技（深圳）有限公司 | 基于迁移学习的模型生成方法、装置和计算机设备 |
| CN113421638B (zh) * | 2021-06-22 | 2022-07-15 | 平安科技（深圳）有限公司 | 基于迁移学习的模型生成方法、装置和计算机设备 |
| CN114494734A (zh) * | 2022-01-21 | 2022-05-13 | 平安科技（深圳）有限公司 | 基于眼底图像的病变检测方法、装置、设备及存储介质 |
| CN115393847A (zh) * | 2022-10-31 | 2022-11-25 | 北京大学第三医院（北京大学第三临床医学院） | 一种基质细胞功能状况的识别分析方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112446860B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108665447B (zh) | 一种基于眼底照相深度学习的青光眼图像检测方法 | |
| CN111481166B (zh) | 基于眼底筛查的自动识别系统 | |
| CN112446860B (zh) | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 | |
| CN109447962A (zh) | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 | |
| CN113284101A (zh) | 修改用于深度学习模型的视网膜眼底图像的方法 | |
| Nayak et al. | Automatic identification of diabetic maculopathy stages using fundus images | |
| Bhadra et al. | Automated detection of eye diseases | |
| Adalarasan et al. | Automatic detection of blood vessels in digital retinal images using soft computing technique | |
| Hassan et al. | Multilayered deep structure tensor delaunay triangulation and morphing based automated diagnosis and 3D presentation of human macula | |
| CN113610842A (zh) | 基于CAS-Net的OCT图像视网膜脱离和劈裂自动分割方法 | |
| Chaudhary et al. | Detection of diabetic retinopathy using machine learning algorithm | |
| Pilania et al. | An Optimized Hybrid approach to Detect Cataract | |
| Pappu et al. | EANet: Multiscale autoencoder based edge attention network for fluid segmentation from SD‐OCT images | |
| Mookiah et al. | Computer aided diagnosis of diabetic retinopathy using multi-resolution analysis and feature ranking frame work | |
| Li et al. | A deep-learning-enabled monitoring system for ocular redness assessment | |
| Nandhini et al. | Detection of glaucoma using convolutional neural network (CNN) with super resolution generative adversarial network (SRGAN) | |
| Gandhimathi et al. | Detection of neovascularization in proliferative diabetic retinopathy fundus images. | |
| Caya et al. | Development of Pupil Diameter Determination using Tiny-YOLO Algorithm | |
| Kumar et al. | Segmentation of retinal lesions in fundus images: a patch based approach using encoder-decoder neural network | |
| Tenghongsakul et al. | Retinal Blood Vessel Extraction by Using Pre-processing and IterNet Model | |
| CN114140371A (zh) | 利用眼底图像的基于深层神经网络的眼病诊断装置及方法 | |
| Taş et al. | Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture. | |
| Manikandakumar | Smart Cataract Detector: An Image Processing-Based Mobile Application for Cataract Detection | |
| Hussein et al. | Convolutional Neural Network in Classifying Three Stages of Age-Related Macula Degeneration | |
| Suwandi et al. | A Systematic Literature Review: Diabetic Retinopathy Detection Using Deep Learning |
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 |