CN112819797A - 一种糖尿病性视网膜病变分析方法、装置、系统、以及存储介质 - Google Patents

一种糖尿病性视网膜病变分析方法、装置、系统、以及存储介质 Download PDF

Info

Publication number
CN112819797A
CN112819797A CN202110164870.2A CN202110164870A CN112819797A CN 112819797 A CN112819797 A CN 112819797A CN 202110164870 A CN202110164870 A CN 202110164870A CN 112819797 A CN112819797 A CN 112819797A
Authority
CN
China
Prior art keywords
picture
classification model
sample
test set
diabetic retinopathy
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
Application number
CN202110164870.2A
Other languages
English (en)
Other versions
CN112819797B (zh
Inventor
艾壮
陆亚平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinopharm Genomics Technology Co Ltd
Original Assignee
Sinopharm Genomics Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sinopharm Genomics Technology Co Ltd filed Critical Sinopharm Genomics Technology Co Ltd
Priority to CN202110164870.2A priority Critical patent/CN112819797B/zh
Publication of CN112819797A publication Critical patent/CN112819797A/zh
Application granted granted Critical
Publication of CN112819797B publication Critical patent/CN112819797B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种糖尿病性视网膜病变分析方法，包括以下步骤：获取糖尿病性视网膜病变图片的数据集；执行图片预处理操作(验证集和测试集)和图片增强处理操作(训练集)；为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优；根据验证集在每一个分类模型上的F1值，计算每一个分类模型的权重值；预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值；获取测试集中每一个样本属于每一个疾病类别的最终概率值；根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。另外，本发明还提供一种糖尿病性视网膜病变检测的装置、系统、以及存储介质。本发明可以提高网络模型的检测能力和分类效果。

Description

一种糖尿病性视网膜病变分析方法、装置、系统、以及存储 介质
技术领域
本发明涉及人工智能技术领域，特别涉及一种基于深度集成学习与注意力机制的糖尿病性视网膜病变分析方法、装置、系统以及存储介质。
背景技术
随着人们生活水平提高，饮食结构的变化，目前我国糖尿病患病人数已居世界首位。糖尿病性视网膜病变(DR)是常见的糖尿病慢性并发症之一，也是最常见的致盲性的眼科疾病，早期没有任何感觉，但是随着病情的发展糖尿病性视网膜病变会导致视力受损，还可能会导致失明。糖尿病性视网膜病变大致可以分为五个阶段：正常、轻度、中度、严重和增殖型糖尿病视网膜病变。一般情况下，有经验的医生会查看眼底图像，以判断目前患者处于糖尿病性视网膜病变的阶段。但是，不同地区的医生差异很大，在偏远地区，可能没有相关的医生，导致无法发现这样的病例。在不同的领域，也有对同一图片的不同解释，诊断结果及正确性难以保证。因此，我们需要使用医学图像识别机器来帮助判断这种疾病。
目前糖尿病性视网膜病变的分类大致可以分为两种方法。第一种方法是将糖尿病性视网膜病变进行二分类(有或无)，即只能检测出此患者是否患有糖尿病性视网膜病变，而不能获取患者所患有疾病的严重性，目前已有使用卷积神经网络判断患者是否患有糖尿病性视网膜病变。由于依据二分类的结果医生无法给出最为准确的治疗方案，第二种方法是是将糖尿病性视网膜病变进行多分类(糖尿病性视网膜病变的严重程度)，目前已有使用残差网络与支持向量机结合的方式，预测糖尿病性视网膜病变的疾病等级，也存在使用卷积神经网络(如InceptionV3)的迁移学习预测糖尿病性视网膜病变的疾病等级。
但是，上述两种糖尿病性视网膜病变的检测方法，存在以下几个方面的问题：(1)用于检测糖尿病性视网膜病变的图片中存在大量杂质信息没有去除，很大程度上增加模型时间与空间复杂度；(2)图片数据集不平衡没有进行合理的处置，导致模型对数据量少的类别没有识别和检测能力；(3)分类算法存在一定的局限性。
发明内容
鉴于此，本发明提供了一种糖尿病性视网膜病变分析方法、装置、系统以及存储介质。
第一方面，本发明提供了一种糖尿病性视网膜病变分析方法，所述方法包括以下步骤：
S1：获取糖尿病性视网膜病变图片的数据集，该数据集包括训练集、验证集、和测试集；
S2：针对验证集和测试集中的图片，执行图片预处理操作，针对训练集中的图片，执行图片增强处理操作，去除图片冗余信息并限定图片采样数量；
S3：针对特定的分类模型，为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优；
S4：根据验证集在每一个分类模型上的平衡F分数，计算每一个分类模型的权重值；
S5：将测试集中的每一个样本输入至经过参数调优后的分类模型中，预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值；
S6：根据每一个分类模型的权重值和测试集中每一个样本预测的初始概率值，获取测试集中每一个样本属于每一个疾病类别的最终概率值；及
S7：根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。
进一步地，所述针对训练集中的图片，执行图片增强处理操作包括：
S21：删除图片中像素值低于预设值的像素点；
S22：以图片中心点为圆心，图片高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的图片；
S23：针对保留圆形眼球区域的图片，再次删除图片中像素值低于预设值的像素点，并将图片缩放至特定大小；
S24：对缩放后的图片进行特定数量的采样，得到特定数量的采样图片；
S25：针对每一采样图片，以采样图片的中心点为圆心，采样图片的高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将采样图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的采样图片；
所述针对验证集和测试集中的图片，执行图片预处理操作包括上述步骤S21-S23。
进一步地，所述步骤S24包括：
第一步，分别计算轻微样本、中度样本、严重样本、增殖型糖尿病视网膜病变样本与正常样本的数量差值，利用数量差值除以对应样本的样本量，计算出每类样本中每一个样本需要随机增加的样本量；
第二步，根据每类样本中每一个样本需要随机增加的样本量，对缩放后的图片进行特定数量的采样，得到特定数量的采样图片，其中，所述特定数量的采样包括左右翻转、上下翻转、以图片中心点为圆心随机转动一定的角度。
进一步地，所述步骤S3包括：
第一步，针对每一个分类模型，删除该分类模型的最上层，并在最上层增加注意力机制模块，所述注意力机制模块包括通道注意力模块和空间注意力模块；
第二步，将训练集、验证集在所述增加了注意力机制模块的分类模型上进行迁移学习和微调操作，得到经过参数调优后的分类模型。
进一步地，所述迁移学习包括：调整注意力机制模块与每一个分类模型输出层的网络参数，所述网络参数通过深度学习方法中的反向传播机制自动求导进行更新调整；
所述微调操作包括：通过微调方法调整每一个分类模型、注意力机制模块与每一个分类模型输出层的网络参数，得到最终的模型参数。
进一步地，所述验证集在每一个分类模型上的平衡F分数＝2*精确率*召回率/(精确率+召回率)，其中，精确率表示在所有预测为正样本中真实为正样本的比值，召回率表示所有真实正样本中预测为正样本的比值；
所述每一个分类模型的权重值的计算公式如下：
Figure BDA0002937486430000041
其中，Lscore代表验证集在每一个分类模型上的平衡F分数，T代表分类模型的个数，i代表每一个分类模型，n代表检查参数，λi代表每一个分类模型的权重值。
进一步地，所述测试集中每一个样本属于每一个疾病类别的最终概率值的计算公式如下：
Figure BDA0002937486430000042
其中，a代表测试集中每一个样本的编号，i代表分类模型，m代表疾病类别，p_a_i_m代表测试集中样本a在第i个分类模型上预测为疾病类别m的初始概率值，λi代表每一个分类模型的权重值，p_a_m代表测试集中样本a预测为疾病类别m的最终概率值。
第二方面，本发明提供了一种装置，所述装置包括存储器、与所述存储器耦接的处理器，其中：
所述存储器存储有用于实现上述糖尿病性视网膜病变分析方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制所述糖尿病性视网膜病变分析方法的执行。
第三方面，本发明提供了一种糖尿病性视网膜病变分析系统，包括：
数据加载模块，用于获取糖尿病性视网膜病变图片的数据集，该数据集包括训练集、验证集、和测试集；
图片增强模块，用于针对验证集和测试集中的图片，执行图片预处理操作，针对训练集中的图片，执行图片增强处理操作，从而去除图片冗余信息并限定图片采样数量；
模型建立及预测模块，用于针对特定的分类模型，为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优；
所述模型建立及预测模块，还用于根据验证集在每一个分类模型上的平衡F分数，计算每一个分类模型的权重值；
所述模型建立及预测模块，还用于将测试集中的每一个样本输入至经过参数调优后的分类模型中，预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值；
所述模型建立及预测模块，还用于根据每一个分类模型的权重值和测试集中每一个样本预测的初始概率值，获取测试集中每一个样本属于每一个疾病类别的最终概率值；及
所述模型建立及预测模块，还用于根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。
第四方面，本发明提供了一种存储介质，存储有处理器可运行的程序指令，所述程序指令用于执行上述糖尿病性视网膜病变分析方法。
相较于现有技术，本发明实施例提供的一种糖尿病性视网膜病变分析方法、装置、系统及存储介质，提出一种基于深度集成学习与注意力机制的糖尿病性视网膜病变分析方法。首先对采集的图片样本进行预处理，获取高质量的图片数据；其次使用迁移学习、微调(Fine-tune)与注意力机制对网络模型进行修改学习，可以很大程度上增强原始网络模型在糖尿病性视网膜病变的检测能力；最后使用深度集成学习模型进行分类，可以很大程度提高每一个分类网络模型的优势，得到很高的正确率与召回率。与现有技术相比，本发明产生的有益效果在于：由于图片中去除了大量杂质信息，这将会很大程度上降低网络模型时间与空间复杂度，提高网络模型的检测能力和分类效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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，下面所描述的附图仅仅是本发明的一些实施例，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为本发明实施例1提供的糖尿病性视网膜病变分析方法的流程图；
图2为本发明实施例1中执行图片预处理操作的具体流程图；
图3为本发明实施例1中执行图片增强处理操作的具体流程图；
图4为本发明实施例1中图片增强处理操作过程中各个阶段的眼底图像示意图；
图5为本发明实施例2提供的装置结构示意图；
图6为本发明实施例3提供的糖尿病性视网膜病变分析系统的结构示意图；
图7为本发明实施例3中各模块对应执行流程的示意图；
图8为本发明实施例4提供的存储介质的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
进一步需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
实施例1
请参阅图1，为本发明实施例1提供的糖尿病性视网膜病变分析方法的流程图。在本实施例中，根据不同的需求，图1所示的流程图中的步骤的执行顺序可以改变，某些步骤可以省略。
步骤S1：获取糖尿病性视网膜病变图片的数据集，该数据集包括训练集、验证集、和测试集。在其中一些实施例中，所述糖尿病性视网膜病变图片的数据集可以从特定网站(如Kaggle网站)下载，本实施例中总共下载有35126个图片样本，分为五类：正常、轻微、中度、严重、增殖型糖尿病视网膜病变(糖尿病性视网膜病变)，五个类别的样本量分布各为25810、2443、5292、873、708。进一步地，将步骤S1中获取的数据集按照特定比例(如6:2:2)分为训练集、验证集、和测试集，其中，训练集与验证集用于模型的训练，测试集用于评测模型的优劣。本实施例将糖尿病性视网膜病变分为五类(正常、轻度、中度、严重和增殖型糖尿病视网膜病变)，每一类别有对应的治疗方案，可以提供给医生更多的诊疗信息，协助医生完成疾病的诊断治疗。
步骤S2：针对验证集和测试集中的图片，执行图片预处理操作，针对训练集中的图片，执行图片增强处理操作，从而去除图片冗余信息并限定图片采样数量。其中，图片增强操作包括图片预处理操作和图片采样操作。
进一步地，参阅图2所示，所述图片预处理操作包括以下步骤。
步骤S21：删除图片中像素值低于预设值(如7)的像素点。一般而言，像素值较低(如低于7)的像素点为全黑，对网络模型的检测没有任何帮助，因此去除图片中像素值较低的像素点能够降低网络模型的时间复杂度。
步骤S22：以图片中心点为圆心，图片高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的图片。通过步骤S22，可以将非眼部区域尽可能去除，增加算法的鲁棒性。此步骤的好处在于，由于眼底图像大致为圆形，依据此特性，仅仅保留图片的圆形部分，去除对于糖尿病性视网膜分类没有帮助的冗余信息，既能提高分类模型(网络模型或基分类器)的正确率，也能降低时间复杂度。
步骤S23：针对保留圆形眼球区域的图片，再次删除图片中像素值低于预设值(如7)的像素点，并将图片缩放至特定大小。在其中一些实施例中，可以将图片缩放至宽高均为299。需要补充说明的是，步骤S21中虽然已经删除了像素值低于7的像素点，但在步骤S22中以图片宽高较小值确定圆形半径时，可能会出现宽高中较大者会有部分“眼球”图片没有纳入至确定的圆形中，步骤S22中是以0进行填充，所以步骤S23需要再次删除图片中像素值低于7的像素点。
至此，步骤S21-S23完成了图片预处理的过程，有效去除了图片中的冗余信息和杂质信息，降低了算法模型的时间和空间复杂度。
进一步地，参阅图3所示，所述图片增强处理操作进一步包括以下步骤。
步骤S21：删除图片中像素值低于预设值(如7)的像素点。一般而言，像素值较低(如低于7)的像素点为全黑，对网络模型的检测没有任何帮助，因此去除图片中像素值较低的像素点能够降低网络模型的时间复杂度。例如，参阅图4所示，删除图片(a)中像素值低于7的像素点，即可得到图片(b)。
步骤S22：以图片中心点为圆心，图片高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的图片。通过步骤S22，可以将非眼部区域尽可能去除，增加算法的鲁棒性。此步骤的好处在于，由于眼底图像大致为圆形，依据此特性，仅仅保留图片的圆形部分，去除对于糖尿病性视网膜分类没有帮助的冗余信息，既能提高分类模型(网络模型或基分类器)的正确率，也能降低时间复杂度。例如，参阅图4所示，以图(b)中心点为圆心，高度与宽度中较小值为半径确定圆形，去除非眼部区域后得到图片(c)。
步骤S23：针对保留圆形眼球区域的图片，再次删除图片中像素值低于预设值(如7)的像素点，并将图片缩放至特定大小。在其中一些实施例中，可以将图片缩放至宽高均为299。需要补充说明的是，步骤S21中虽然已经删除了像素值低于7的像素点，但在步骤S22中以图片宽高较小值确定圆形半径时，可能会出现宽高中较大者会有部分“眼球”图片没有纳入至确定的圆形中，步骤S22中是以0进行填充，所以步骤S23需要再次删除图片中像素值低于7的像素点。例如，参阅图4所示，删除图片(c)中像素值低于7的像素点，即可得到图片(d)。进一步地，将图片(d)缩放至宽高均为299后得到图片(e)。
步骤S24：对缩放后的图片进行特定数量的采样，得到特定数量的采样图片。具体地，步骤S24包括以下步骤：
第一步，分别计算轻微样本、中度样本、严重样本、增殖型糖尿病视网膜病变样本与正常样本的数量差值，利用数量差值除以对应样本的样本量，计算出每类样本中每一个样本需要随机增加的样本量(此处计算出的样本量是后续进行图片采样的数量)。例如，假设正常样本1000张，轻微样本200张，此时如果要让轻微样本叠加到1000张，需要算法增加生成800张，而为了算法对每一张图片进行均衡采样，故计算出轻微样本中每一样本需要增加的样本量为800/200＝4，即算法需要为轻微样本中的每一张图片增加4张。
第二步，根据每类样本中每一个样本需要随机增加的样本量，对缩放后的图片进行特定数量的采样，得到特定数量的采样图片，即获取到样本数量平衡的数据集。本实施例中所述的样本即数据集中的眼底图片。由于本发明计算了每一张图片(样本)进行采样的张数，每一张图片根据最少张数进行采样，因此不会导致有的图片采样太多，有的采样太少，导致模型训练不佳。
在其中一些实施例中，特定数量的采样包括：左右翻转、上下翻转、以图片中心点为圆心随机转动一定的角度。其中，左右翻转是指，依据一定的概率，以图片垂直中心线为轴，将图片进行镜像反转(左右翻转)；上下翻转是指，依据一定的概率(随机确定)，以图片水平中心线为轴，将图片进行镜像反转(上下翻转)；以图片中心点为圆心随机转动一定的角度是指，依据一定的概率，以图片中心点为圆心，随机旋转一个角度(在0-100之间随机选择一个角度，角度由随机函数决定)。例如，参阅图4所示，将缩放后的图片(e)进行左右翻转、上下翻转、以图片中心点为圆心随机转动一定的角度，即可得到三张采样图片(f)。需要补充说明的是，上述概率可以随机确定，选择多少种图片进行旋转可以由随机参数决定。当然，在保证样本叠加数量达到预期目标的情况下，上述三种预处理操作下的图片叠加是随机的。
步骤S25：针对每一采样图片，以采样图片的中心点为圆心，采样图片的高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将采样图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的采样图片。需要补充说明的是，在以图片中心点为圆心随机旋转时可能会产生亮点，通过步骤S25即可去除这些亮点。例如，参阅图4所示，分别以图(f)中三张采样图片的中心点为圆心，高度与宽度中较小值为半径确定圆形，去除非眼部区域后得到三张保留圆形眼球区域的采样图片(g)，可以看出图(f)中第三张采样图片的亮点得到清除。
步骤S3：针对特定的分类模型(网络模型或基分类器)，为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优。本实施例中采用的分类模型为卷积神经网络模型。具体地，本实施例采用差异性比较显著的五个分类模型：如InceptionV3模型、InceptionResNet模型、Xception模型、ResNeXt101模型、NASNetLarge模型，上述五种网络模型均为分类效果较好的网络模型。
在其中一些实施例中，所述步骤S3包括以下步骤：
第一步，针对每一个分类模型，删除该分类模型的最上层(Top层)，并在最上层增加注意力机制模块。在本实施例中，所述注意力机制模块可以是卷积块注意力模块(Convolutional Block Attention Module，CBAM)。通过为每一个分类模型增加注意力机制模块，能够提升分类模型的分类效果。在本实施例中，注意力机制模块包括通道注意力模块和空间注意力模块，上述两个模块可以任意添加到分类模型中，实现即插即用。其中，所述通道注意力模块用于提供哪一些网络通道比较重要，分类模型应该更加关注哪一些网络通道；所述空间注意力模块用于提供分类模型中哪一部分特征需要特殊关注。因此，注意力机制模块能在一定程度上提高分类模型的识别能力。需要补充说明的是，由于每一个分类模型的最上层都添加了一个注意力机制模块，因此通道注意力模块提供的比较重要的网络通道是指：每一个分类模型的输出通道(即去除top层的输出通道)。
第二步，将训练集、验证集在所述增加了注意力机制模块的分类模型上进行迁移学习和微调(Fine-tune)操作，得到经过参数调优后的分类模型。在本实施例中，所述迁移学习包括：调整注意力机制模块与每一个分类模型输出层的网络参数，所述网络参数可以通过深度学习方法中的反向传播机制自动求导进行更新调整。所述微调操作包括：在上述迁移学习的基础上(模型训练结束后)，通过微调方法(Fine-tune)调整每一个分类模型(网络模型)、注意力机制模块与每一个分类模型输出层的网络参数，得到最终的模型参数。其中，所述网络参数可以通过深度学习方法中的反向传播机制自动求导进行更新调整。由于在迁移学习中网络模型已经经过训练，微调操作时仅仅是将每一个网络模型的网络参数、注意力机制模块的网络参数、和输出层的网络参数进行反向传播机制求导更新(此处是微调)，网络模型不会进行大量更新。
步骤S4：根据验证集在每一个分类模型上的平衡F分数(F1值)，计算每一个分类模型的权重值。
表1模型预测结果和样本真实类别的组合表
预测(列)/真实(行) 正样本(预测) 负样本(预测)
正样本(真实) 真正例(TP) 假反例(FN)
负样本(真实) 假正例(FP) 真反例(TN)
参阅表1所示，将分类模型预测的结果和样本的真实类别的组合划分为真正例(True Positive，TP)、真反例(True Negative，TN)、假正例(False Positive，FP)、假反例(False Negative，FN)。其中，TP表示分类模型预测为正的正样本(将正样本预测为正样本)，TN表示分类模型预测为负的负样本(将负样本预测为负样本)，FP表示分类模型预测为正的负样本(将负样本预测为正样本)，FN表示分类模型预测为负的正样本(将正样本预测为负样本)。
在本实施例中，所述验证集在每一个分类模型上的平衡F分数(F1值)＝2*精确率*召回率/(精确率+召回率)。其中，精确率表示在所有预测为正样本中真实为正样本的比值，精确率Precision＝TP/(TP+FP)；召回率表示所有真实正样本中预测为正样本的比值，召回率Recall＝TP/(TP+FN)。由此可知，F1值同时兼顾了分类模型的精确率和召回率，F1值可以看作是分类模型的精确率和召回率的一种加权平均值。
需要补充说明的是，在步骤S3中训练集、验证集是同时输入到网络模型中的，网络模型边训练边验证，验证集评价指标一直下降时，则停止网络模型的训练。例如，如果验证集评价指标连续下降10次，则保存最优模型退出。网络模型训练完毕后，开始执行步骤S4，将验证集中的所有图片重新预测一遍，并依据上述计算出的F1值确定每一个分类模型的权重值。
进一步地，所述每一个分类模型的权重值λi的计算公式如下：
Figure BDA0002937486430000131
其中，Lscore代表验证集在每一个分类模型上的平衡F分数(F1值)，T代表分类模型的个数(如T＝5)，i代表每一个分类模型，n代表检查参数(实验参数)。在本实施例中，n的大小可以是10-30之间的整数，当n取值在[10,30]之间时，算法在预测过程中的评价指标保持不变，优选地，n取值为10。
步骤S5：将测试集中的每一个样本输入至经过参数调优后的分类模型中，预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值。在本实施例中，测试集中的每一个样本输入到已经训练好的模型中，输出层输出的结果就是该样本属于每一个疾病类别的概率值，即初始概率值。
在本实施例中，所述疾病类别包括但不限于：正常、轻微、中度、严重、增殖型糖尿病视网膜病变(糖尿病性视网膜病变)。进一步地，测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值可以表示为p_a_i_m，其中，a代表测试集中每一个样本的编号，i代表分类模型，m代表疾病类别，p_a_i_m代表测试集中样本a在第i个分类模型上预测为疾病类别m的初始概率值。假设m为1时代表正常，m为2时代表轻微，m为3时代表中度，m为4时代表严重，m为5时代表增殖性糖尿病视网膜病变，则p_a_i_1、p_a_i_2、p_a_i_3、p_a_i_4、p_a_i_5分别代表测试集中样本a在第i个分类模型上预测为正常、轻微、中度、严重、增殖型糖尿病视网膜病变的初始概率值。
步骤S6：根据每一个分类模型的权重值和测试集中每一个样本预测的初始概率值，获取测试集中每一个样本属于每一个疾病类别的最终概率值。
进一步地，所述每一个样本属于每一个疾病类别的最终概率值的计算公式如下：
Figure BDA0002937486430000141
其中，p_a_i_m代表测试集中样本a在第i个分类模型上预测为疾病类别m的初始概率值，λi代表每一个分类模型的权重值，p_a_m代表测试集中样本a预测为疾病类别m的最终概率值。例如，针对正常类别(m＝1)，5个分类模型(T＝5)会有5个预测的初始概率值，因此计算公式右边会有5个数值：p_a_1_1*λ1、p_a_2_1*λ2、p_a_3_1*λ3、p_a_4_1*λ4、p_a_5_1*λ5，则样本a预测为正常的最终概率值p_a_m＝p_a_1_1*λ1+p_a_2_1*λ2+p_a_3_1*λ3+p_a_4_1*λ4+p_a_5_1*λ5。
步骤S7：根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。其中，测试集中每一个样本所属的疾病类别为最终概率值最大的疾病类别。例如，假设样本a预测为疾病m(m＝1-5)的最终概率值分别为：p_a_1、p_a_2、p_a_3、p_a_4、p_a_5，最终概率值p_a_1最大，则确定样本a为正常。
实施例2
请参阅图5，为本发明实施例2提供的装置结构示意图。
在其中一些实施例中，所述装置2可包括但不限于，存储器21、与所述存储器21耦接的处理器22，所述存储器21和处理器22可通过系统总线相互通信连接。需要指出的是，图5仅示出了具有组件21和22的装置2，但是应理解的是，实施例2并没有示出装置2的所有组件，装置2具有可以替代实施的更多或者更少的组件。其中，所述装置2可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等计算设备，该装置2可以是独立的服务器，也可以是多个服务器所组成的服务器集群。
所述存储器21存储有用于实现上述糖尿病性视网膜病变分析方法的程序指令。所述存储器21至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器21可以是所述装置2的内部存储单元，例如该装置2的硬盘或内存。在另一些实施例中，所述存储器21也可以是所述装置2的外部存储设备，例如该装置2上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括所述装置2的内部存储单元也包括其外部存储设备。本实施例中，所述存储器21通常用于存储安装于所述装置2的操作系统、各类应用软件、和系统代码等。此外，所述存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器22用于执行存储器21存储的程序指令以控制糖尿病性视网膜病变分析方法的执行。其中，处理器22还可以称为CPU(Central Processing Unit，中央处理单元)。处理器22可能是一种集成电路芯片，具有信号的处理能力。处理器22还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。该处理器22通常用于控制所述装置2的总体操作，例如执行与所述装置2进行数据交互或者通信相关的控制和处理等。本实施例2中，所述处理器22用于运行所述存储器21中存储的程序代码或者处理数据等。
在其中一些实施例中，所述装置2还包括网络接口(如无线网络接口或有线网络接口)，该网络接口通常用于在所述装置2与其他电子设备(如手机)之间建立通信连接。例如，所述网络接口用于通过网络将所述装置2与外部数据平台相连，在所述装置2与外部数据平台之间的建立数据传输通道和通信连接。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。
实施例3
请参阅图6，为本发明实施例3提供的糖尿病性视网膜病变分析系统的结构示意图。
本实施例中，所述的糖尿病性视网膜病变分析系统3可以被分割成一个或多个程序模块，所述一个或者多个程序模块被存储于所述存储器21中，并由一个或多个处理器(如处理器22)所执行，以完成本发明。例如，在图6中，所述的糖尿病性视网膜病变分析系统3可以被分割成数据加载模块31、图片增强模块32、以及模型建立及预测模块33。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述糖尿病性视网膜病变分析系统3在所述装置2中的执行过程。关于各模块对应执行流程参见图7所示，以下将就各程序模块31-33的功能进行描述。
所述数据加载模块31用于获取糖尿病性视网膜病变图片的数据集，该数据集包括训练集、验证集、和测试集；所述图片增强模块32用于针对验证集和测试集中的图片，执行图片预处理操作，针对训练集中的图片，执行图片增强处理操作，从而去除图片冗余信息并限定图片采样数量；所述模型建立及预测模块33用于针对特定的分类模型，为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优；所述模型建立及预测模块33还用于根据验证集在每一个分类模型上的平衡F分数(F1值)，计算每一个分类模型的权重值；所述模型建立及预测模块33还用于将测试集中的每一个样本输入至经过参数调优后的分类模型中，预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值；所述模型建立及预测模块33还用于根据每一个分类模型的权重值和测试集中每一个样本预测的初始概率值，获取测试集中每一个样本属于每一个疾病类别的最终概率值；所述模型建立及预测模块33还用于根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。上述模块的详细技术方案在本发明提供的糖尿病性视网膜病变分析方法中已有详细描述，在此不再赘述。
实施例4
请参阅图8，为本发明实施例4提供的存储介质的结构示意图。
在其中一些实施例中，所述存储介质4存储有能够实现上述所有方法的程序文件41，其中，该程序文件41可以以软件产品的形式存储在上述存储介质4中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
本发明实施例的一种糖尿病性视网膜病变分析方法、装置、系统及存储介质，提出一种基于深度集成学习与注意力机制的糖尿病性视网膜病变分析方法。首先对采集的图片样本进行预处理，获取高质量的图片数据；其次使用迁移学习、微调(Fine-tune)与注意力机制对网络模型进行修改学习，可以很大程度上增强原始网络模型在糖尿病性视网膜病变的检测能力；最后使用深度集成学习模型进行分类，可以很大程度提高每一个分类网络模型的优势，得到很高的正确率与召回率。与现有技术相比，本发明至少具有以下有益效果：由于图片中去除了大量杂质信息，这将会很大程度上降低网络模型时间与空间复杂度，提高网络模型的检测能力和分类效果。
需要特别指出的是，本发明一种糖尿病性视网膜病变分析方法、装置、系统及存储介质，在如下方面存在创新点。
创新点一，糖尿病性视网膜病变图片增强方式。具体包括：(1)删除图片中像素值低于7的像素点；(2)以图片中心点为圆心，宽高较小者为半径确定圆形，删除图片中对分类没有贡献的圆形以外部分。
创新点二，糖尿病性视网膜病变图片上采样处理方式。具体包括：(1)本发明只执行三种方式的图片采样，分别为a.左右镜像反转、b.上下镜像翻转、c.以图片中心点为圆心，随机旋转一定的角度；(2)图片上采样后再次以图片中心点为圆心，宽高较小者为半径确定圆形，删除图片中对分类没有贡献的圆形以外部分。
创新点三，传统网络模型与注意力机制联合使用。具体包括：本发明对五大网络模型InceptionV3、InceptionResNet、Xception、ResNeXt101、NASNetLarge进行迁移学习与微调(Fine-tune)。其中，迁移学习包括：首先本发明会将每一个网络模型去除top层，在顶层添加CBAM注意力机制模块，此时的网络模型仅仅调整CBAM注意力机制模块与每一个网络模型输出层的网络参数。微调(Fine-tune)包括：在迁移学习的基础上，继续调整各个网络模型(如五大网络模型、注意力机制模块与每一个网络模型输出层)的参数。
创新点四，自定义分类模型(基分类器)权重计算公式，计算分类模型的权重值，具体计算公式参见实施例1中步骤S4的描述。
综上所述，本发明能够实现在图片预处理时不丢失信息的基础上，对少量图片进行采样(每一张图片根据最少张数进行采样)，满足深度集成学习中基分类器对数据集的要求。在网络模型方面本发明使用经实践验证、效果比较好的多个网络模型，能够实现集聚多个优秀网络模型在糖尿病性视网膜病变检测方面的优点，使其检测效果能够达到极高的正确率与召回率。在集成学习方面，本发明采用自定义的权重计算方式，能够将糖尿病性视网膜病变的优秀识别算法区别出来，识别算法越好在验证集中权重越高，即在验证集方面突出优秀识别算法的能力。
以上仅为本发明的较佳实施例而已，仅具体描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进，及本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其他具体实施方式，均应包含在本发明的保护范围之内。

Claims (10)

1.一种糖尿病性视网膜病变分析方法，其特征在于，所述方法包括以下步骤：
S1：获取糖尿病性视网膜病变图片的数据集，该数据集包括训练集、验证集、和测试集；
S2：针对验证集和测试集中的图片，执行图片预处理操作，针对训练集中的图片，执行图片增强处理操作，去除图片冗余信息并限定图片采样数量；
S3：针对特定的分类模型，为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优；
S4：根据验证集在每一个分类模型上的平衡F分数，计算每一个分类模型的权重值；
S5：将测试集中的每一个样本输入至经过参数调优后的分类模型中，预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值；
S6：根据每一个分类模型的权重值和测试集中每一个样本预测的初始概率值，获取测试集中每一个样本属于每一个疾病类别的最终概率值；及
S7：根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。
2.如权利要求1所述的糖尿病性视网膜病变分析方法，其特征在于，所述针对训练集中的图片，执行图片增强处理操作包括：
S21：删除图片中像素值低于预设值的像素点；
S22：以图片中心点为圆心，图片高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的图片；
S23：针对保留圆形眼球区域的图片，再次删除图片中像素值低于预设值的像素点，并将图片缩放至特定大小；
S24：对缩放后的图片进行特定数量的采样，得到特定数量的采样图片；
S25：针对每一采样图片，以采样图片的中心点为圆心，采样图片的高度与宽度中较小值为半径确定一个圆形，删除该圆形以外的图片信息，并将采样图片眼球区域中该圆形以外的区域填充为0，得到保留圆形眼球区域的采样图片；
所述针对验证集和测试集中的图片，执行图片预处理操作包括上述步骤S21-S23。
3.如权利要求2所述的糖尿病性视网膜病变分析方法，其特征在于，所述步骤S24包括：
第一步，分别计算轻微样本、中度样本、严重样本、增殖型糖尿病视网膜病变样本与正常样本的数量差值，利用数量差值除以对应样本的样本量，计算出每类样本中每一个样本需要随机增加的样本量；
第二步，根据每类样本中每一个样本需要随机增加的样本量，对缩放后的图片进行特定数量的采样，得到特定数量的采样图片，其中，所述特定数量的采样包括左右翻转、上下翻转、以图片中心点为圆心随机转动一定的角度。
4.如权利要求1所述的糖尿病性视网膜病变分析方法，其特征在于，所述步骤S3包括：
第一步，针对每一个分类模型，删除该分类模型的最上层，并在最上层增加注意力机制模块，所述注意力机制模块包括通道注意力模块和空间注意力模块；
第二步，将训练集、验证集在所述增加了注意力机制模块的分类模型上进行迁移学习和微调操作，得到经过参数调优后的分类模型。
5.如权利要求4所述的糖尿病性视网膜病变分析方法，其特征在于，所述迁移学习包括：调整注意力机制模块与每一个分类模型输出层的网络参数，所述网络参数通过深度学习方法中的反向传播机制自动求导进行更新调整；
所述微调操作包括：通过微调方法调整每一个分类模型、注意力机制模块与每一个分类模型输出层的网络参数，得到最终的模型参数。
6.如权利要求1所述的糖尿病性视网膜病变分析方法，其特征在于，所述验证集在每一个分类模型上的平衡F分数＝2*精确率*召回率/(精确率+召回率)，其中，精确率表示在所有预测为正样本中真实为正样本的比值，召回率表示所有真实正样本中预测为正样本的比值；
所述每一个分类模型的权重值的计算公式如下：
Figure FDA0002937486420000031
其中，Lscore代表验证集在每一个分类模型上的平衡F分数，T代表分类模型的个数，i代表每一个分类模型，n代表检查参数，λi代表每一个分类模型的权重值。
7.如权利要求6所述的糖尿病性视网膜病变分析方法，其特征在于，所述测试集中每一个样本属于每一个疾病类别的最终概率值的计算公式如下：
Figure FDA0002937486420000032
其中，a代表测试集中每一个样本的编号，i代表分类模型，m代表疾病类别，p_a_i_m代表测试集中样本a在第i个分类模型上预测为疾病类别m的初始概率值，λi代表每一个分类模型的权重值，p_a_m代表测试集中样本a预测为疾病类别m的最终概率值。
8.一种装置，其特征在于，所述装置包括存储器、与所述存储器耦接的处理器，其中：
所述存储器存储有用于实现权利要求1-7任一项所述的糖尿病性视网膜病变分析方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令以控制糖尿病性视网膜病变分析方法的执行。
9.一种糖尿病性视网膜病变分析系统，其特征在于，该系统包括：
数据加载模块，用于获取糖尿病性视网膜病变图片的数据集，该数据集包括训练集、验证集、和测试集；
图片增强模块，用于针对验证集和测试集中的图片，执行图片预处理操作，针对训练集中的图片，执行图片增强处理操作，从而去除图片冗余信息并限定图片采样数量；
模型建立及预测模块，用于针对特定的分类模型，为每一个分类模型增加注意力机制模块，并对分类模型、注意力机制模块和分类模型输出层进行参数调优；
所述模型建立及预测模块，还用于根据验证集在每一个分类模型上的平衡F分数，计算每一个分类模型的权重值；
所述模型建立及预测模块，还用于将测试集中的每一个样本输入至经过参数调优后的分类模型中，预测测试集中每一个样本在每一个分类模型上属于每一个疾病类别的初始概率值；
所述模型建立及预测模块，还用于根据每一个分类模型的权重值和测试集中每一个样本预测的初始概率值，获取测试集中每一个样本属于每一个疾病类别的最终概率值；及
所述模型建立及预测模块，还用于根据测试集中每一个样本属于每一个疾病类别的最终概率值，确定测试集中每一个样本所属的疾病类别。
10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1至7任一项所述糖尿病性视网膜病变分析方法。
CN202110164870.2A 2021-02-06 2021-02-06 糖尿病性视网膜病变分析方法、装置、系统及存储介质 Active CN112819797B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110164870.2A CN112819797B (zh) 2021-02-06 2021-02-06 糖尿病性视网膜病变分析方法、装置、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110164870.2A CN112819797B (zh) 2021-02-06 2021-02-06 糖尿病性视网膜病变分析方法、装置、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112819797A true CN112819797A (zh) 2021-05-18
CN112819797B CN112819797B (zh) 2023-09-19

Family

ID=75862013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110164870.2A Active CN112819797B (zh) 2021-02-06 2021-02-06 糖尿病性视网膜病变分析方法、装置、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112819797B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362952A (zh) * 2021-06-21 2021-09-07 平安国际智慧城市科技股份有限公司 基于模型的风险预测方法、装置、计算机设备和存储介质
CN113378984A (zh) * 2021-07-05 2021-09-10 国药(武汉)医学实验室有限公司 一种医学图像分类方法、系统、终端以及存储介质
CN114037660A (zh) * 2021-10-26 2022-02-11 国药集团基因科技有限公司 Oct视网膜病变图像识别方法及系统
CN115587979A (zh) * 2022-10-10 2023-01-10 山东财经大学 基于三阶段注意力网络的糖尿病视网膜病变分级的方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021916A (zh) * 2017-12-31 2018-05-11 南京航空航天大学 基于注意力机制的深度学习糖尿病视网膜病变分类方法
US10108902B1 (en) * 2017-09-18 2018-10-23 CS Disco, Inc. Methods and apparatus for asynchronous and interactive machine learning using attention selection techniques
WO2018201647A1 (zh) * 2017-05-05 2018-11-08 平安科技（深圳）有限公司 视网膜病变程度等级检测方法、装置及存储介质
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
CN110210570A (zh) * 2019-06-10 2019-09-06 上海延华大数据科技有限公司 基于深度学习的糖尿病视网膜病变图像多分类方法
WO2019196268A1 (zh) * 2018-04-13 2019-10-17 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
CN110837803A (zh) * 2019-11-07 2020-02-25 复旦大学 基于深度图网络的糖尿病视网膜病变分级方法
CN110874397A (zh) * 2019-11-20 2020-03-10 福州大学 基于注意力机制的水军评论检测系统及方法
CN111968741A (zh) * 2020-07-15 2020-11-20 华南理工大学 基于深度学习与集成学习的糖尿病并发症高危预警系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018201647A1 (zh) * 2017-05-05 2018-11-08 平安科技（深圳）有限公司 视网膜病变程度等级检测方法、装置及存储介质
US10108902B1 (en) * 2017-09-18 2018-10-23 CS Disco, Inc. Methods and apparatus for asynchronous and interactive machine learning using attention selection techniques
CN108021916A (zh) * 2017-12-31 2018-05-11 南京航空航天大学 基于注意力机制的深度学习糖尿病视网膜病变分类方法
WO2019196268A1 (zh) * 2018-04-13 2019-10-17 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
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
CN110210570A (zh) * 2019-06-10 2019-09-06 上海延华大数据科技有限公司 基于深度学习的糖尿病视网膜病变图像多分类方法
CN110837803A (zh) * 2019-11-07 2020-02-25 复旦大学 基于深度图网络的糖尿病视网膜病变分级方法
CN110874397A (zh) * 2019-11-20 2020-03-10 福州大学 基于注意力机制的水军评论检测系统及方法
CN111968741A (zh) * 2020-07-15 2020-11-20 华南理工大学 基于深度学习与集成学习的糖尿病并发症高危预警系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王国薇;黄浩;周刚;胡英;: "集成学习在短文本分类中的应用研究", 现代电子技术, no. 24 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362952A (zh) * 2021-06-21 2021-09-07 平安国际智慧城市科技股份有限公司 基于模型的风险预测方法、装置、计算机设备和存储介质
CN113378984A (zh) * 2021-07-05 2021-09-10 国药(武汉)医学实验室有限公司 一种医学图像分类方法、系统、终端以及存储介质
CN114037660A (zh) * 2021-10-26 2022-02-11 国药集团基因科技有限公司 Oct视网膜病变图像识别方法及系统
CN115587979A (zh) * 2022-10-10 2023-01-10 山东财经大学 基于三阶段注意力网络的糖尿病视网膜病变分级的方法
CN115587979B (zh) * 2022-10-10 2023-08-15 山东财经大学 基于三阶段注意力网络的糖尿病视网膜病变分级的方法

Also Published As

Publication number Publication date
CN112819797B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN112819797A (zh) 一种糖尿病性视网膜病变分析方法、装置、系统、以及存储介质
CN111008640B (zh) 图像识别模型训练及图像识别方法、装置、终端及介质
KR20200005407A (ko) 안구 이미지 기반의 진단 보조 이미지 제공 장치
CN109829894A (zh) 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN110826519A (zh) 人脸遮挡检测方法、装置、计算机设备及存储介质
CN111598867B (zh) 用于检测特定面部综合征的方法、装置及计算机可读存储介质
JP7260674B2 (ja) ニューラルネットワークに基づくｃ／ｄ比決定方法、コンピュータ機器及び記憶媒体
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN109712128B (zh) 特征点检测方法、装置、计算机设备和存储介质
CN112132265B (zh) 模型训练方法、杯盘比确定方法、装置、设备及存储介质
KR20200023029A (ko) 진단 보조 시스템 및 그 제어 방법
CN110956628A (zh) 图片等级分类方法、装置、计算机设备和存储介质
CN113724203B (zh) 应用于oct图像中目标特征分割的模型训练方法及装置
US11721023B1 (en) Distinguishing a disease state from a non-disease state in an image
CN113158821B (zh) 基于多模态的眼部检测数据的处理方法、装置及终端设备
CN113139462A (zh) 无监督的人脸图像质量评估方法、电子设备和存储介质
Firke et al. Convolutional neural network for diabetic retinopathy detection
CN113990521A (zh) 一种IgA肾病病理分析、预后预测及病理指标挖掘系统
CN113705595A (zh) 异常细胞转移程度的预测方法、装置和存储介质
CN115526882A (zh) 一种医学图像的分类方法、装置、设备及存储介质
CN116563932A (zh) 基于多任务学习的眼部图像识别方法及相关设备
CN113425248A (zh) 医疗影像评估方法、装置、设备及计算机存储介质
CN114864093B (zh) 基于眼底图像进行疾病预测的装置、方法及存储介质
Suwandi et al. A Systematic Literature Review: Diabetic Retinopathy Detection Using Deep Learning
CN115762530A (zh) 声纹模型训练方法、装置、计算机设备和存储介质

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