CN112465789A - 一种早产儿视网膜plus病变的检测方法及系统 - Google Patents
一种早产儿视网膜plus病变的检测方法及系统 Download PDFInfo
- Publication number
- CN112465789A CN112465789A CN202011402667.6A CN202011402667A CN112465789A CN 112465789 A CN112465789 A CN 112465789A CN 202011402667 A CN202011402667 A CN 202011402667A CN 112465789 A CN112465789 A CN 112465789A
- Authority
- CN
- China
- Prior art keywords
- plus
- lesion
- image
- score
- rop
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 29
- 201000010099 disease Diseases 0.000 title claims description 24
- 230000002028 premature Effects 0.000 title abstract description 9
- 208000017442 Retinal disease Diseases 0.000 title abstract description 8
- 206010038923 Retinopathy Diseases 0.000 title abstract description 8
- 230000003902 lesion Effects 0.000 claims abstract description 121
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000013441 quality evaluation Methods 0.000 claims abstract description 10
- 210000001525 retina Anatomy 0.000 claims abstract description 9
- 206010038933 Retinopathy of prematurity Diseases 0.000 claims description 83
- 230000002207 retinal effect Effects 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 21
- 230000004256 retinal image Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 206010036590 Premature baby Diseases 0.000 claims 2
- 230000036285 pathological change Effects 0.000 abstract description 10
- 231100000915 pathological change Toxicity 0.000 abstract description 10
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 5
- 206010061818 Disease progression Diseases 0.000 abstract description 2
- 230000005750 disease progression Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000032400 Retinal pigmentation Diseases 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012216 screening Methods 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
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种早产儿视网膜plus病变的检测方法及系统，首先将待检测的视网膜后极图像输入到图像质量检测模型进行质量评估，将质量合格的图像输入到血管识别模型中获取血管图；将血管图输入到病变检测模型输出对应的病变类型为plus、pre‑plus、no‑plus的概率；根据预设分数转化方程式将病变检病变类型的概率转化对应的i‑ROP病变分数，反映视网膜病变程度的连续性。本发明对plus病变严重程度的客观测量，随时间跟踪严重程度以提供疾病进展或消退的客观评估；通过分析分数随时间的变化可以在大多数情况下提前识别出进展为plus病变ROP的眼睛进行早期介入，防止诊断不足导致的病情延误，本发明提供的方法及系统对病变程度检测的准确率高，可大大减少医生的眼底镜检查次数。
Description
技术领域
本发明涉及图像识别技术领域，具体涉及一种早产儿视网膜plus病变的检测方法及系统。
背景技术
Plus病变是决定ROP(早产婴儿视网膜病变)治疗需求最重要的临床标准，而无法正确诊断plus病变加重了不可逆性失明的风险。根据国际ROP分类法(ICROP)，plus病变分为3个等级(no plus，pre-plus或plus病变)，但诊断中观察者之间由于主观因素导致的诊断不一致，使得诊断结果存在差异性。现有的ROP自动诊断方法均是采用诊断模型自动诊断出病变处于3个等级中哪个级别，但是并不能给出精细的病变程度指导，进而不能对早产婴儿视网膜病变程度的进行客观的比较及衡量，从而不能给预测或跟踪疾病走势提供良好的指导意见。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中早产儿视网膜plus病变的检测结果不能够客观对视网膜状态进行比较、衡量的缺陷，从而提供一种早产儿视网膜plus病变的检测方法及系统，通过将早产儿视网膜图像转化为对应的i-ROP病变分数的方式将病变程度进行量化，能够客观准确的衡量目前的病变状态。
为达到上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供一种早产儿视网膜plus病变的检测方法，包括如下步骤：
将待检测的视网膜后极图像输入到图像质量检测模型中，对所述待检测的视网膜后极图像进行质量评估；
将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图；
将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率；
根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性。
在一实施例中，通过以下分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数：
i-ROP病变分数＝a Pno plus+b Ppre-plus+c Pplus，
其中，Pno plus、Ppre-plus、Pplus、a、b、c分别为病变类型no-plus、pre-plus、plus对应的概率及权重系数。
在一实施例中，所述i-ROP病变分数的取值范围为d至e，其中i-ROP病变分数为d表征病变程度最正常，i-ROP病变分数为e表征病变程度最严重。
在一实施例中，在所述i-ROP病变分数的取值范围内设置第一阈值和第二阈值，所述第一阈值小于第二阈值，小于第一阈值的分数属于no-plus病变类型，大于等于第一阈值且小于等于第二阈值的分数属于pre-plus病变类型，大于第二阈值的分数属于plus病变类型。
在一实施例中，对所述待检测的视网膜后极图像进行质量评估的过程，包括：评估所述待检测的视网膜后极图像是否同时满足视网膜图像、视网膜后极图像和高质量图像的标准，当同时满足时质量合格。
在一实施例中，训练所述病变检测模型的过程，包括：
将包含病变类型为plus、pre-plus、no-plus的多个图像样本，经过专家进行类型标注后分为训练集和测试集，将训练集输入到神经网络模型中进行训练，利用测试集进行计算误差，当误差值小于预设值时得到训练好的病变检测模型。
在一实施例中，在所述获取图像对应的血管图的步骤之后，及将血管图输入到病变检测模型中的步骤之前，还包括：
将血管图调整至预设比例，并裁剪为用于检测的正方形图像。
第二方面，本发明实施例提供一种早产儿视网膜plus病变的检测系统，包括：
图像质量评估模块，用于将待检测的视网膜后极图像输入到图像质量检测模型中，对所述待检测的视网膜后极图像进行质量评估；
血管图获取模块，用于将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图；
病变类型检测模块，用于将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率；
i-ROP病变分数获取模块，用于根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性。
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面的早产儿视网膜plus病变的检测方法。
第四方面，本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例第一方面的早产儿视网膜plus病变的检测方法。
本发明技术方案，具有如下优点：
1、本发明提供了一种早产儿视网膜plus病变的检测方法及系统，首先将待检测的视网膜后极图像输入到图像质量检测模型中，对待检测的视网膜后极图像进行质量评估，将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图；然后将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率；最后根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性。提供对plus病变严重程度的客观测量，可以随时间跟踪严重程度，以提供疾病进展或消退的客观评估，通过分析分数随时间的变化，可以在大多数情况下提前识别出进展为pre-plus病变ROP的眼睛，进行早期介入，防止诊断不足导致的病情延误。
2、本发明提供的一种早产儿视网膜plus病变的检测方法及系统，可以将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数用于反映视网膜plus病变程度的连续性，类似于其他客观生物标记物，可以帮助医生将分数整合到患者总体评估中，在任何时间点进行ROP病变筛查评估，本发明提供的检测方法及系统对病变程度检测的准确率高，可以大大减少医生的眼底镜检查次数。
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本发明实施例中提供的早产儿视网膜plus病变的检测方法的一个具体示例的工作流程图；
图2为本发明实施例中提供的早产儿视网膜plus病变的检测系统的一个具体示例的模块组成图；
图3为本发明实施例提供的计算机设备一个具体示例的组成图。
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。
此外，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。
实施例1
本发明实施例提供一种早产儿视网膜plus病变的检测方法，如图1所示，该方法包括如下步骤：
步骤S1：将待检测的视网膜后极图像输入到图像质量检测模型中，对所述待检测的视网膜后极图像进行质量评估。
在本发明实施例中，评估待检测的视网膜后极图像是否同时满足视网膜图像、视网膜后极图像和高质量图像的标准，当同时满足时质量合格，高质量图像是为领域专家提供足够清晰度以做出ROP严重程度的正确诊断的图像，如果质量不合格，则该图像将不会进行后续的检查过程，通过对图像进行质量评估来实现图像的质量保证。在一具体实施例中，图像质量检测模型为训练好用于检测图像质量的神经网络模型，仅作为举例，不以此为限。
步骤S2：将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图。
本发明实施例，获取图像对应的血管图的过程减小了可能影响原始输入图像外观因素之间的差异，差异因素包括视网膜色素沉着的先天差异，图像伪影的存在以及相机拍摄的差异，例如照明和景深等。实际应用中可以将血管图调整至一定的比例并裁剪为用于检测的正方形图像，进行后续的病变检测，通过裁剪图像可以去除没有检测价值的部分，提高检测和硬件运行效率。在一具体实施例中，血管识别模型为训练好用于识别图像中血管信息的神经网络模型，仅作为举例，不以此为限。
步骤S3：将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率。
本发明实施例，病变检测模型为训练好的神经网络模型，例如可以是卷积神经网络，训练的过程为：将包含病变类型为plus、pre-plus、no-plus的多个图像样本，经过专家进行类型标注后分为训练集和测试集，将训练集输入到神经网络模型中进行训练，利用测试集进行计算误差，当误差值小于预设值时得到训练好的病变检测模型。然后将待检测的血管图输入到病变检测模型中，输出对应的病变类型为plus、pre-plus、no-plus的概率。
步骤S4：根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性。
在本发明实施例中，通过以下分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数：
i-ROP病变分数＝a Pno plus+b Ppre-plus+c Pplus，
其中，Pno plus、Ppre-plus、Pplus、a、b、c分别为病变类型no-plus、pre-plus、plus对应的概率及权重系数，a、b、c的取值可以为精度为0.1的数值，仅作为举例，不以此为限。
本发明中各病变类型对应的权重系统a、b、c的取值根据对大量样本进行统计结合专家经验知识得到的，在此不作具体限制。在一具体实施例中，根据大量实验得到的a、b、c分别为1、5，9，即：
i-ROP病变分数＝1x Pno plus+5x Ppre-plus+9xPplus，
其中，i-ROP病变分数的取值范围为d至e，其中i-ROP病变分数为d表征病变程度最正常，i-ROP病变分数为e表征病变程度最严重。在一具体实施例中d可以取1，e可以取9，即i-ROP病变分数的取值范围为1-9来反映病变连续程度。
通过i-ROP病变分数的取值范围内设置第一阈值和第二阈值，第一阈值小于第二阈值，小于第一阈值的分数属于no-plus病变类型，大于等于第一阈值且小于等于第二阈值的分数属于pre-plus病变类型，大于第二阈值的分数属于plus病变类型。在一具体实施例中，基于分数的取值范围为1-9，设置第一阈值为3，第二预阈值为5.8，当分数小于3时确定为正常属于no-plus病变类型，大于5.8则为属于程度较为严重的plus病变类型，分数处于3到5.8之间则属于pre-plus病变类型。
本发明实施例提供的早产儿视网膜plus病变的检测方法，将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，由于i-ROP病变分数为连续的，通过该分数可以帮助医生更准确地确定患者目前最合适的疾病水平，它可以随时间跟踪严重程度提供疾病进展或消退的客观评估。由于90％的ROP婴儿会自发性退缩，因此早期识别进展为pre-plus病变类型ROP的婴儿可能会导致将来进行早期介入试验。随着时间的推移，可以追踪i-ROP评分，以识别出患上更严重疾病的新生儿，将单个时间点的横断面i-ROP得分与随时间的相对变化相结合，临床医生可以根据ROP倍增和进展可能性增加信息，通过分析i-ROP分数随时间的变化，可以在大多数情况下提前识别出进展为plus病变ROP的眼睛，提高临床医生对轻度ROP的认识，识别需要临床治疗的患者，本发明提供的检测系方法对病变程度检测的准确率高，可以大大减少医生的眼底镜检查次数。
实施例2
本发明实施例提供一种早产儿视网膜plus病变的检测系统，如图2所示，包括：
图像质量评估模块1，用于将待检测的视网膜后极图像输入到图像质量检测模型中，对所述待检测的视网膜后极图像进行质量评估；此模块执行实施例1中的步骤S1所描述的方法，在此不再赘述。
血管图获取模块2，用于将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图；此模块执行实施例1中的步骤S2所描述的方法，在此不再赘述。
病变类型检测模块3，用于将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率；此模块执行实施例1中的步骤S3所描述的方法，在此不再赘述。
i-ROP病变分数获取模块4，用于根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性；此模块执行实施例1中的步骤S4所描述的方法，在此不再赘述。
本发明实施例提供的早产儿视网膜plus病变的检测系统，通过以上几个功能模块相互配合，首先将待检测的视网膜后极图像转化为对应的i-ROP病变分数，该分数可以反映视网膜plus病变程度的连续性，该系统提供了对plus病变严重程度的客观测量的途径，可以随时间跟踪严重程度以提供疾病进展或消退的客观评估；通过分析分数随时间的变化可以在大多数情况下提前识别出进展为plus病变ROP的眼睛进行早期介入，防止诊断不足导致的病情延误，本发明提供的检测系统对病变程度检测的准确率高，可以大大减少医生的眼底镜检查次数。
实施例3
本发明实施例提供一种计算机设备，如图3所示，该设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图3以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)，还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例1中的早产儿视网膜plus病变的检测方法。
存储器52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；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。
一个或者多个模块存储在存储器52中，当被处理器51执行时，执行实施例1中的早产儿视网膜plus病变的检测方法。
上述计算机设备具体细节可以对应参阅实施例1中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
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。而由此所引申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 (10)
1.一种早产儿视网膜plus病变的检测方法，其特征在于，包括如下步骤：
将待检测的视网膜后极图像输入到图像质量检测模型中，对所述待检测的视网膜后极图像进行质量评估；
将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图；
将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率；
根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性。
2.根据权利要求1所述的早产儿视网膜plus病变的检测方法，其特征在于，通过以下分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数：
i-ROP病变分数＝a Pnoplus+b Ppre-plus+c Pplus，
其中，Pnoplus、Ppre-plus、Pplus、a、b、c分别为病变类型no-plus、pre-plus、plus对应的概率及权重系数。
3.根据权利要求1所述的早产儿视网膜plus病变的检测方法，其特征在于，所述i-ROP病变分数的取值范围为d至e，其中i-ROP病变分数为d表征病变程度最正常，i-ROP病变分数为e表征病变程度最严重。
4.根据权利要求3所述的早产儿视网膜plus病变的检测方法，其特征在于，在所述i-ROP病变分数的取值范围内设置第一阈值和第二阈值，所述第一阈值小于第二阈值，小于第一阈值的分数属于no-plus病变类型，大于等于第一阈值且小于等于第二阈值的分数属于pre-plus病变类型，大于第二阈值的分数属于plus病变类型。
5.根据权利要求1所述的早产儿视网膜plus病变的检测方法，其特征在于，对所述待检测的视网膜后极图像进行质量评估的过程，包括：评估所述待检测的视网膜后极图像是否同时满足视网膜图像、视网膜后极图像和高质量图像的标准，当同时满足时质量合格。
6.根据权利要求1所述的早产儿视网膜plus病变的检测方法，其特征在于，训练所述病变检测模型的过程，包括：
将包含病变类型为plus、pre-plus、no-plus的多个图像样本，经过专家进行类型标注后分为训练集和测试集，将训练集输入到神经网络模型中进行训练，利用测试集进行计算误差，当误差值小于预设值时得到训练好的病变检测模型。
7.根据权利要求1所述的早产儿视网膜plus病变的检测方法，其特征在于，在所述获取图像对应的血管图的步骤之后，及将血管图输入到病变检测模型中的步骤之前，还包括：
将血管图调整至预设比例，并裁剪为用于检测的正方形图像。
8.一种早产儿视网膜plus病变的检测系统，其特征在于，包括：
图像质量评估模块，用于将待检测的视网膜后极图像输入到图像质量检测模型中，对所述待检测的视网膜后极图像进行质量评估；
血管图获取模块，用于将评估质量合格的图像输入到血管识别模型中，获取图像对应的血管图；
病变类型检测模块，用于将血管图输入到病变检测模型中，输出所述血管图对应的病变类型为plus、pre-plus、no-plus的概率；
i-ROP病变分数获取模块，用于根据预设分数转化方程式将病变检测模型输出的概率，转化为待检测的视网膜后极图像对应的i-ROP病变分数，所述i-ROP病变分数用于反映视网膜plus病变程度的连续性。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-6任一项所述的早产儿视网膜plus病变的检测方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-6任一项所述的早产儿视网膜plus病变的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011402667.6A CN112465789A (zh) | 2020-12-02 | 2020-12-02 | 一种早产儿视网膜plus病变的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011402667.6A CN112465789A (zh) | 2020-12-02 | 2020-12-02 | 一种早产儿视网膜plus病变的检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465789A true CN112465789A (zh) | 2021-03-09 |
Family
ID=74806613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011402667.6A Pending CN112465789A (zh) | 2020-12-02 | 2020-12-02 | 一种早产儿视网膜plus病变的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465789A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222927A (zh) * | 2021-04-30 | 2021-08-06 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种早产儿视网膜病变附加性病变的自动检查方法 |
| CN114841952A (zh) * | 2022-04-28 | 2022-08-02 | 华南理工大学 | 一种云边协同的早产儿视网膜病变检测系统及检测方法 |
| CN116469540A (zh) * | 2023-03-30 | 2023-07-21 | 北京透彻未来科技有限公司 | 基于双阈值的去噪方法及系统 |
-
2020
- 2020-12-02 CN CN202011402667.6A patent/CN112465789A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| STANFORD TAYLOR等: "Monitoring Disease ProgressionWith a Quantitative Severity Scale for Retinopathy of Prematurity Using Deep Learning", 《JAMA OPHTHALMOLOGY》, pages 1022 - 1028 * |
| TRAVIS K REDD等: "Evaluation of a deep learning image assessment system for detecting severe retinopathy of prematurity", 《BRITISH JOURNAL OF OPHTHALMOLOGY》, pages 580 - 584 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222927A (zh) * | 2021-04-30 | 2021-08-06 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种早产儿视网膜病变附加性病变的自动检查方法 |
| CN113222927B (zh) * | 2021-04-30 | 2023-08-01 | 汕头大学·香港中文大学联合汕头国际眼科中心 | 一种早产儿视网膜病变附加性病变的自动检查机器 |
| CN114841952A (zh) * | 2022-04-28 | 2022-08-02 | 华南理工大学 | 一种云边协同的早产儿视网膜病变检测系统及检测方法 |
| CN114841952B (zh) * | 2022-04-28 | 2024-05-03 | 华南理工大学 | 一种云边协同的早产儿视网膜病变检测系统及检测方法 |
| CN116469540A (zh) * | 2023-03-30 | 2023-07-21 | 北京透彻未来科技有限公司 | 基于双阈值的去噪方法及系统 |
| CN116469540B (zh) * | 2023-03-30 | 2023-11-14 | 北京透彻未来科技有限公司 | 基于双阈值的去噪方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465789A (zh) | 一种早产儿视网膜plus病变的检测方法及系统 | |
| US10599984B1 (en) | Validating a machine learning model after deployment | |
| US10810512B1 (en) | Validating a machine learning model prior to deployment | |
| Kälviäinen et al. | DIARETDB1 diabetic retinopathy database and evaluation protocol | |
| Zhu et al. | Predicting visual function from the measurements of retinal nerve fiber layer structure | |
| US11684317B2 (en) | Disease prediction model construction apparatus and method, and disease prediction apparatus | |
| CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| CN111598853B (zh) | 针对肺炎的ct影像评分方法、装置及设备 | |
| CN111739647B (zh) | 基于磁共振影像的双相障碍自杀风险预测方法及相关装置 | |
| TWI755108B (zh) | 急性腎損傷評估方法及急性腎損傷評估系統 | |
| WO2023087917A1 (zh) | 基于多维分层漂移扩散模型的认知决策评估方法及系统 | |
| US20230245772A1 (en) | A Machine Learning System and Method for Predicting Alzheimer's Disease Based on Retinal Fundus Images | |
| CN114496243A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
| Rakhmetulayeva et al. | IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK FOR PREDICTING GLAUCOMA FROM FUNDUS IMAGES. | |
| KR20210152254A (ko) | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 | |
| CN115661101A (zh) | 基于随机采样和深度学习的早产儿视网膜病变检测系统 | |
| CN114947957A (zh) | 基于超声影像的颈动脉斑块分析方法及系统 | |
| CN114512240A (zh) | 一种痛风预测模型系统、设备及存储介质 | |
| CN110706803B (zh) | 一种确定心肌纤维化的方法、装置、可读介质及电子设备 | |
| CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 | |
| CN115083005B (zh) | 一种基于深度学习的rop图像分类系统及方法 | |
| TWI834520B (zh) | 用於分析白袍效應關聯度的模型之建立方法及其運算裝置以及白袍效應關聯度分析方法及其運算裝置 | |
| CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
| Sivapriya et al. | Detection and Segmentation of Retinopathy Diseases using EAD-Net with Fundus Images | |
| US11055846B2 (en) | Method for obtaining a fluorescent fundus image and a device thereof |
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 |