CN112652392A - 一种基于深度神经网络的眼底异常预测系统 - Google Patents
一种基于深度神经网络的眼底异常预测系统 Download PDFInfo
- Publication number
- CN112652392A CN112652392A CN202011532528.5A CN202011532528A CN112652392A CN 112652392 A CN112652392 A CN 112652392A CN 202011532528 A CN202011532528 A CN 202011532528A CN 112652392 A CN112652392 A CN 112652392A
- Authority
- CN
- China
- Prior art keywords
- learner
- fundus
- classifier
- feature extractor
- abnormal
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 201000010099 disease Diseases 0.000 claims abstract description 26
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 22
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 7
- 230000002207 retinal effect Effects 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 208000017442 Retinal disease Diseases 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 206010012601 diabetes mellitus Diseases 0.000 claims description 4
- 208000002780 macular degeneration Diseases 0.000 claims description 4
- 231100000915 pathological change Toxicity 0.000 claims description 4
- 230000036285 pathological change Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 208000002367 Retinal Perforations Diseases 0.000 claims description 3
- 206010038848 Retinal detachment Diseases 0.000 claims description 3
- 206010038897 Retinal tear Diseases 0.000 claims description 3
- 206010038923 Retinopathy Diseases 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000004438 eyesight Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 208000001491 myopia Diseases 0.000 claims description 3
- 230000004379 myopia Effects 0.000 claims description 3
- 230000004264 retinal detachment Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 206010064930 age-related macular degeneration Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 208000030533 eye disease Diseases 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004256 retinal image Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001328 optic nerve Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 230000006439 vascular pathology Effects 0.000 description 1
- 210000004127 vitreous body Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Ophthalmology & Optometry (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Veterinary Medicine (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及医学图像分析领域,具体是一种基于深度神经网络的眼底异常预测系统,包括异常眼底筛查子模型、异常体征识别子模型、眼底疾病诊断子模型、第一分类器、第二分类器、第一特征提取器、第二特征提取器、第三特征提取器、第四特征提取器、第一学习器、第二学习器、第三学习器和第四学习器,该系统通过部分再现视网膜专家的视角,可以有效缓解眼底病检查中医疗资源有限、分配不均的现状,减轻人工检查负担,提高筛查工作的效率和简化工作流程,以期有效控制糖尿病视网膜病变、近视等上述眼病的患病率和致盲率的上升趋势。
Description
技术领域
本发明涉及医学图像分析领域,具体是指一种基于深度神经网络的眼底异常预测系统。
背景技术
目前,利用人工智能技术进行眼底筛查的主要眼科疾病包括糖尿病视网膜病变(DR)、年龄相关性黄斑变性(AMD)和青光眼等,据报道,这些AI算法具有与视网膜专家类似的诊断能力,特别是美国FDA于2018年批准的首个基于人工智能的DR筛查系统IDX-DR的建立,更是人工智能前瞻性评估完成美国监管流程的重要里程碑,然而,目前许多深度学习算法的一个重要限制是它们的二值性,即这些深度模型是基于描述某单一疾病的正常眼底图像和异常图像开发的,然而眼底相关疾病的多样性和转诊的迫切性使得这种针对特定疾病的策略往往并不适合于纳入视网膜筛查计划的异质人群,此外,基于图像的神经网络在识别眼底体征方面的潜在价值必须考虑到它们可能无法检测到临床重大疾病。
另一方面,眼病筛查的准确性取决于对整个眼底的了解程度,包括重要的周边视网膜信息和血管病理信息,然而,到目前为止,大多数研究主要使用传统的眼底成像技术,例如裂隙灯和彩色眼底成像模式,这些传统的成像方式由于其狭窄的视网膜成像视野而导致其不能或只能提供极其有限的周边视网膜信息,这往往会导致临床检查过程中较高漏诊率的出现。
发明内容
基于以上问题,本发明提供了一种基于深度神经网络的眼底异常预测系统及其方法,克服眼底筛查中成像模式视野狭窄和眼底疾病病种单一的不足的问题,通过部分再现视网膜专家的视角,可以对眼底异常进行辅助诊断和数据分析,减轻人工检查负担,提高筛查工作的效率和简化工作流程。
为解决以上技术问题,本发明采用的技术方案如下:
一种基于深度神经网络的眼底异常预测系统,包括
异常眼底筛查子模型,用于判断受试者眼底正常或异常;
异常体征识别子模型,用于预测受试者眼底体征正常或异常,完成异常眼底部位的进一步检测,所述眼底体征异常包括视盘病变、视网膜病变、黄斑病变和玻璃体病变;
眼底疾病诊断子模型,用于预测受试者的眼底是否患有四种潜在的威胁视力的眼底疾病,具体包括视网膜糖尿病病变、近视、视网膜裂孔和视网膜脱落;
第一分类器,异常眼底筛查子模型采用第一分类器作为分类器;
第二分类器,异常体征识别子模型和眼底疾病诊断子模型均采用第二分类器作为分类器;
第一学习器、第二学习器、第三学习器和第四学习器,其中,第一学习器采用DenseNet201作为第一特征提取器,第二学习器采用InceptionV3作为第二特征提取器,第三学习器采用IncepResnetV2作为第三特征提取器,第四学习器采用Xception作为第四特征提取器,第一学习器由第一特征提取器和第一分类器串联组成,所述异常眼底筛查子模型采用第一学习器建立模型,所述异常体征识别子模型和眼底疾病诊断子模型均采用第二特征提取器、第三特征提取器、第四特征提取器和第二分类器串联的结合方式分别建立第二学习器、第三学习器、第四学习器,并进行独立且并行地训练。。
进一步,所述第一分类器由两个深度神经网络卷积块和若干个全连接的神经网络层组成,所述每一个深度神经网络卷积块内部分别包括32个3*3卷积核和64个3*3卷积核,所述每一个深度神经网络卷积块均采用ReLU函数进行各层神经元之间的非线性映射,并使用2*2的最大池化层进行特征压缩,其后添加dropout层,最后使用Softmax函数输出眼底正常或异常的概率值,并利用二分类熵对第一分类器的每一批次的训练学习效果进行控制。
进一步,异常眼底筛查子模型构建过程包括:
对学习率的控制采用步长学习方法训练第一分类器,初始速率是2e-5,然后以0.5的固定步长降低到2e-10,其中,采用第一特征提取器和第一分类器串联组成第一学习器,并利用第一学习器建立异常眼底筛查子模型。
进一步,所述第二分类器为五层的全连接感知分类器,所述第二分类器的第一层为Global average pooling(GAP)层,所述第二分类器第二层至第五层分别包含2048、1024、512和256个隐藏神经元,所述第二分类器的第一层至第五层之后均添加Leaky ReLU函数和dropout层,所述第二分类器的第五层添加Softmax函数。
进一步,所述异常体征识别子模型的构建过程包括:
采用的分步学习方法训练第二分类器,如果验证集的损失不再减少,网络训练将在10次迭代之后中断,将第二特征提取器和第三特征提取器分别与第二分类器串联,并利用平均Softmax函数值的方法建立二值分类模型,将第四特征提取器与第二分类器串联,并将第四特征提取器和二值分类模型进行训练后建立第二学习器、第三学习器和第四学习器,利用第二学习器、第三学习器和第四学习器建立异常体征识别子模型。
进一步,所述眼底疾病诊断子模型的构建过程包括:
将第二特征提取器、第三特征提取器和第四特征提取器分别与第二分类器串联,并利用平均Softmax函数值的方法分别建立第二学习器、第三学习器和第四学习器,利用第二学习器、第三学习器和第四学习器建立眼底疾病诊断子模型。
与现有技术相比,本发明的有益效果是:
(1)鉴于视网膜异常患者失明的可能性是健康人25倍的现状,因此,开发异常体征识别子模型能够有效辅助眼科工作者对一般人群进行眼底疾病风险的评估工作,增强评估的可行性;
(2)眼底疾病诊断子模型的筛查为大多数视网膜疾病和多种全身性疾病的早期诊断和治疗提供了重要的见解,例如,视神经是大脑的延伸,而DR是糖尿病的慢性并发症,在临床检查中及时发现异常体征要比根据患者描述的症状进行诊断要更可靠、更全面、更深入。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步的说明。本发明的实施方式包括但不限于下列实施例。
如图1所示,一种基于深度神经网络的眼底异常预测系统,包括
异常眼底筛查子模型,用于判断受试者眼底正常或异常;
异常体征识别子模型,用于预测受试者眼底体征正常或异常,完成异常眼底部位的进一步检测,所述眼底体征异常包括视盘病变、视网膜病变、黄斑病变和玻璃体病变
眼底疾病诊断子模型,用于预测受试者的眼底是否患有四种潜在的威胁视力的眼底疾病,具体包括视网膜糖尿病病变、近视、视网膜裂孔和视网膜脱落;
第一分类器,以如下方式进行设计:
第一分类器由两个深度神经网络卷积块和若干全连接的神经网络层组成,每一个深度神经网络卷积块内部分别包括32个3*3卷积核和64个3*3卷积核,该卷积核用来对图像信息做高质量的特征提取和高维特征的持续降维,每一个深度神经网络卷积块中都采用ReLU函数进行各层神经元之间的非线性映射,并使用2*2的最大池化层进行特性压缩,其后可通过添加dropout层来提高模型的泛化性能,并进行层扁平化处理,将多维特征向量转换到一维空间,使用全连接的神经网络层进一步压缩为512维,最后,使用Softmax函数输出眼底正常或异常的概率值,利用二分类熵对第一分类器的学习效果进行控制,其结果可以评价医生给定的标签结果和异常眼底筛查子模型的预测结果的一致性。
本实施例中,异常眼底筛查子模型在构建过程中,对学习率的控制采用步长学习方法训练第一分类器,初始速率是2e-5,然后以0.5的固定步长降低到2e-10,训练期间使用RMSprop作为优化器,在微调阶段使用了SGD,通过特征重用和旁路设置,异常眼底筛查子模型中采用DenseNet201作为第一特征提取器,采用DenseNet201作为第一特征提取器显著减少了网络参数数量,还减轻了梯度损失和模型退化问题,与Inception系列模型展示更广泛的网络结构相比,DenseNet201作为第一特征提取器展示了更好的预测能力,因此,第一学习器由第一特征提取器和第一分类器串联组成,异常眼底筛查子模型采用第一学习器建立模型。
本实施例中,第二分类器,以如下方式进行设计:
第二分类器为五层的全连接感知分类器,第二分类器的第一层为全局平均池化层,该层可以总结来自底层的空间信息,并标准化整个神经网络的结构,防止模型过拟合和减少模型训练的负担,第二分类器第二层至第五层分别包含2048、1024、512和256个隐藏神经元,第二分类器的第一层至第五层之后均添加Leaky ReLU函数和dropout层,第二分类器的第五层添加Softmax函数,该层根据不同任务下的高水平特征分别计算输出四种眼部疾病的患病概率。
本实施例中,异常体征识别子模型在构建过程中,采用的分步学习方法训练第二分类器,如果验证集的损失不再减少,网络训练将在10次迭代之后中断,利用两步分类策略下的参数进行设置,具体如下:
首先使用二值分类模型区分视网膜正常图像和视网膜异常图像,在敏感性和特异性之间取得良好的折衷是该阶段训练的重点,然后将四分类模型用于诊断视网膜异常特征,基于此,在参数设置时,采用SGD作为优化器,基本学习率为0.01,动量为0.9,用它训练了两个二值分类模型和三个四分类模型,其中,第二特征提取器采用InceptionV3,第三特征提取器采用IncepResnetV2,且第二特征提取器和第三特征提取器均串联使用相同的第二分类器,将第二特征提取器和第三特征提取器利用平均Softmax函数值的方法建立二值分类模型,并命名为“Ensemble2”,在接下来的四分类模型阶段中,还加入第四特征提取器,第四特征提取器采用Xception,并串联使用相同的第二分类器,将二值分类模型和第四特征提取器进行独立训练后分别建立第二学习器、第三学习器和第四学习器,利用第二学习器、第三学习器和第四学习器建立集成模型,命名为“Ensemble3”即异常体征识别子模型。
本实施例中,眼底疾病诊断子模型的构建过程包括:。
第四特征提取器采用Xception,第三特征提取器采用IncepResnetV2,第四特征提取器采用InceptionV3,且第二特征提取器、第三特征提取器和第四特征提取器均串联使用相同的第二分类器,在训练期间,使用SGD优化器的基本学习率为0.01,动量为0.9,最后,鉴于第二学习器、第三学习器和第四学习器的输出粒度不同,因此通过平均第二学习器、第三学习器和第四学习器的Softmax函数值建立集成模型,并命名为“Ensemble5”,即眼底疾病诊断子模型。
如上即为本发明的实施例。上述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (6)
1.一种基于深度神经网络的眼底异常预测系统,其特征在于:包括
异常眼底筛查子模型,用于判断受试者眼底正常或异常;
异常体征识别子模型,用于预测受试者眼底体征正常或异常,完成异常眼底部位的进一步检测,所述眼底体征异常包括视盘病变、视网膜病变、黄斑病变和玻璃体病变;
眼底疾病诊断子模型,用于预测受试者的眼底是否患有四种潜在的威胁视力的眼底疾病,具体包括视网膜糖尿病病变、近视、视网膜裂孔和视网膜脱落;
第一分类器,异常眼底筛查子模型采用第一分类器作为分类器;
第二分类器,异常体征识别子模型和眼底疾病诊断子模型均采用第二分类器作为分类器;
第一特征提取器、第二特征提取器、第三特征提取器、第四特征提取器、第一学习器、第二学习器、第三学习器和第四学习器,其中,第一特征提取器采用DenseNet201,第二特征提取器采用InceptionV3,第三特征提取器采用IncepResnetV2,第四特征提取器采用Xception。
2.根据权利要求1所述的一种基于深度神经网络的眼底异常预测系统,其特征在于:所述第一分类器由两个深度神经网络卷积块和若干个全连接的神经网络层组成,所述每一个深度神经网络卷积块内部分别包括32个3*3卷积核和64个3*3卷积核,所述每一个深度神经网络卷积块均采用ReLU函数进行各层神经元之间的非线性映射,并使用2*2的最大池化层进行特征压缩,其后添加dropout层,最后使用Softmax函数输出眼底正常或异常的概率值,并利用二分类熵对第一分类器每一批次的训练效果进行控制。
3.根据权利要求2所述的一种基于深度神经网络的眼底异常预测系统,其特征在于:异常眼底筛查子模型构建过程包括:
对学习率的控制采用步长学习方法训练第一分类器,初始速率是2e-5,然后以0.5的固定步长降低到2e-10,其中,采用第一特征提取器和第一分类器串联组成第一学习器,并利用第一学习器建立异常眼底筛查子模型。
4.根据权利要求1所述的一种基于深度神经网络的眼底异常预测系统,其特征在于:所述第二分类器为五层的全连接感知分类器,所述第二分类器的第一层为Global averagepooling(GAP)层,所述第二分类器第二层至第五层分别包含2048、1024、512和256个隐藏神经元,所述第二分类器的第一层至第五层之后均添加Leaky ReLU函数和dropout层,所述第二分类器的第五层添加Softmax函数。
5.根据权利要求4所述的一种基于深度神经网络的眼底异常预测系统法,其特征在于:所述异常体征识别子模型的构建过程包括:
采用的分步学习方法训练第二分类器,如果验证集的损失不再减少,网络训练将在10次迭代之后中断,将第二特征提取器和第三特征提取器分别与第二分类器串联,并利用平均Softmax函数值的方法建立二值分类模型,将第四特征提取器与第二分类器串联,并将第四特征提取器和二值分类模型进行训练后建立第二学习器、第三学习器和第四学习器,利用第二学习器、第三学习器和第四学习器建立异常体征识别子模型。
6.根据权利要求4所述的一种基于深度神经网络的眼底异常预测系统法,其特征在于:所述眼底疾病诊断子模型的构建过程包括:
将第二特征提取器、第三特征提取器和第四特征提取器分别与第二分类器串联,并利用平均Softmax函数值的方法分别建立第二学习器、第三学习器和第四学习器,利用第二学习器、第三学习器和第四学习器建立眼底疾病诊断子模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532528.5A CN112652392A (zh) | 2020-12-22 | 2020-12-22 | 一种基于深度神经网络的眼底异常预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011532528.5A CN112652392A (zh) | 2020-12-22 | 2020-12-22 | 一种基于深度神经网络的眼底异常预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112652392A true CN112652392A (zh) | 2021-04-13 |
Family
ID=75359408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011532528.5A Pending CN112652392A (zh) | 2020-12-22 | 2020-12-22 | 一种基于深度神经网络的眼底异常预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112652392A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108172291A (zh) * | 2017-05-04 | 2018-06-15 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN108256571A (zh) * | 2018-01-16 | 2018-07-06 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的中餐食物识别方法 |
US20180235467A1 (en) * | 2015-08-20 | 2018-08-23 | Ohio University | Devices and Methods for Classifying Diabetic and Macular Degeneration |
CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
CN109493954A (zh) * | 2018-12-20 | 2019-03-19 | 广东工业大学 | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 |
CN110472600A (zh) * | 2019-08-20 | 2019-11-19 | 北京百度网讯科技有限公司 | 眼底图识别及其训练方法、装置、设备和存储介质 |
CN110827258A (zh) * | 2019-10-31 | 2020-02-21 | 西安交通大学 | 一种基于半监督对抗学习的糖尿病视网膜疾病的筛查装置及方法 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111127425A (zh) * | 2019-12-23 | 2020-05-08 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111341462A (zh) * | 2020-02-27 | 2020-06-26 | 上海泗科智能科技有限公司 | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app |
CN111507932A (zh) * | 2019-01-31 | 2020-08-07 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
CN111938569A (zh) * | 2020-09-17 | 2020-11-17 | 南京航空航天大学 | 基于深度学习的眼底多病种分类的检测方法 |
US20220165418A1 (en) * | 2019-03-29 | 2022-05-26 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
-
2020
- 2020-12-22 CN CN202011532528.5A patent/CN112652392A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180235467A1 (en) * | 2015-08-20 | 2018-08-23 | Ohio University | Devices and Methods for Classifying Diabetic and Macular Degeneration |
CN108172291A (zh) * | 2017-05-04 | 2018-06-15 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN108256571A (zh) * | 2018-01-16 | 2018-07-06 | 佛山市顺德区中山大学研究院 | 一种基于卷积神经网络的中餐食物识别方法 |
CN108876775A (zh) * | 2018-06-12 | 2018-11-23 | 广州图灵人工智能技术有限公司 | 糖尿病性视网膜病变的快速检测方法 |
CN109493954A (zh) * | 2018-12-20 | 2019-03-19 | 广东工业大学 | 一种基于类别判别定位的sd-oct图像视网膜病变检测系统 |
CN111507932A (zh) * | 2019-01-31 | 2020-08-07 | 福州依影健康科技有限公司 | 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 |
US20220165418A1 (en) * | 2019-03-29 | 2022-05-26 | Ai Technologies Inc. | Image-based detection of ophthalmic and systemic diseases |
CN110472600A (zh) * | 2019-08-20 | 2019-11-19 | 北京百度网讯科技有限公司 | 眼底图识别及其训练方法、装置、设备和存储介质 |
CN110827258A (zh) * | 2019-10-31 | 2020-02-21 | 西安交通大学 | 一种基于半监督对抗学习的糖尿病视网膜疾病的筛查装置及方法 |
CN111127425A (zh) * | 2019-12-23 | 2020-05-08 | 北京至真互联网技术有限公司 | 基于视网膜眼底图像的目标检测定位方法和装置 |
CN111046835A (zh) * | 2019-12-24 | 2020-04-21 | 杭州求是创新健康科技有限公司 | 一种基于区域特征集合神经网络的眼底照多病种检测系统 |
CN111341462A (zh) * | 2020-02-27 | 2020-06-26 | 上海泗科智能科技有限公司 | 一种基于深度学习的手机端糖尿病性视网膜病变筛查app |
CN111938569A (zh) * | 2020-09-17 | 2020-11-17 | 南京航空航天大学 | 基于深度学习的眼底多病种分类的检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197739A (zh) * | 2023-09-08 | 2023-12-08 | 江苏平熙智能电子科技有限公司 | 一种智慧楼宇的监控数据处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358606B (zh) | 用于识别糖尿病视网膜病变的人工神经网络装置及系统装置 | |
CN109635862B (zh) | 早产儿视网膜病plus病变分类方法 | |
CN108172291A (zh) | 基于眼底图像的糖尿病视网膜病变识别系统 | |
EP3659067A1 (en) | Method of modifying a retina fundus image for a deep learning model | |
Sertkaya et al. | Diagnosis of eye retinal diseases based on convolutional neural networks using optical coherence images | |
Panda et al. | Describing the structural phenotype of the glaucomatous optic nerve head using artificial intelligence | |
CN113768460A (zh) | 一种眼底图像分析系统、方法以及电子设备 | |
Gupta et al. | An efficient model for detection and classification of internal eye diseases using deep learning | |
Sable et al. | Network for Cross-Disease Attention to the Severity of Diabetic Macular Edema and Joint Retinopathy | |
Rahhal et al. | Detection and classification of diabetic retinopathy using artificial intelligence algorithms | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
Sharma et al. | Harnessing the Strength of ResNet50 to Improve the Ocular Disease Recognition | |
CN114445666A (zh) | 基于深度学习眼底图像左右眼及视野位置分类方法及系统 | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
CN112652392A (zh) | 一种基于深度神经网络的眼底异常预测系统 | |
Asirvatham et al. | Hybrid deep learning network to classify eye diseases | |
Padalia et al. | A CNN-LSTM combination network for cataract detection using eye fundus images | |
Nandhini et al. | An Automated Detection and Multi-stage classification of Diabetic Retinopathy using Convolutional Neural Networks | |
Belharar et al. | DeepRetino: Ophthalmic disease classification from retinal images using deep learning | |
Mampitiya et al. | An efficient ocular disease recognition system implementation using GLCM and LBP based multilayer perception algorithm | |
Latha et al. | Diagnosis of diabetic retinopathy and glaucoma from retinal images using deep convolution neural network | |
Aslam et al. | Convolutional Neural Network-Based Classification of Multiple Retinal Diseases Using Fundus Images | |
Baba et al. | Retinal Disease Classification Using Custom CNN Model From OCT Images | |
Jolly et al. | Eye Disease Detection using MobiNet | |
Trivedi et al. | Binary Mode Multinomial Deep Learning Model for more efficient Automated 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 |