CN112885456B - 基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用 - Google Patents

基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用 Download PDF

Info

Publication number
CN112885456B
CN112885456B CN202110073495.0A CN202110073495A CN112885456B CN 112885456 B CN112885456 B CN 112885456B CN 202110073495 A CN202110073495 A CN 202110073495A CN 112885456 B CN112885456 B CN 112885456B
Authority
CN
China
Prior art keywords
mgd
gland
meibomian gland
meibomian
diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110073495.0A
Other languages
English (en)
Other versions
CN112885456A (zh
Inventor
张莹
刘小明
王烁
王漫
王姗
吴国欢
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.)
Wuhan Aier Eye Hospital Co Ltd
Original Assignee
Wuhan Aier Eye Hospital 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 Wuhan Aier Eye Hospital Co Ltd filed Critical Wuhan Aier Eye Hospital Co Ltd
Priority to CN202110073495.0A priority Critical patent/CN112885456B/zh
Publication of CN112885456A publication Critical patent/CN112885456A/zh
Application granted granted Critical
Publication of CN112885456B publication Critical patent/CN112885456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，本发明应用深度学习量化分析睑板腺形态，为MGD的诊疗提供客观可靠的量化指标，从而实现睑板腺功能障碍的自动诊断，避免了手动分析图片的繁琐及人为因素的干扰，提高了结果的客观性；睑板腺分割可以显示多种睑板腺的形态变化，治疗前可见睑板腺有缩短、迂曲、扩张和缺失，通过睑板腺按摩或强脉冲等物理治疗后睑板腺形态变化可通过临床指标计算客观地得出具体数据变化情况，本发明可以为MGD治疗的效果提供更客观精确的评估手段。本发明具有诊断准确率和效率高，量化评估指标的优点。

Description

基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用
技术领域
本发明涉及医疗技术领域，具体为基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用。
背景技术
睑板腺(tarsal glands)，又被称为麦氏腺(meibomian glands)，是一种眼皮睑板内的特殊皮脂腺，由腺泡细胞、中央导管、周围导管和终末导管组成，它的主要功能是分泌重要的脂质层，从而润滑睑缘并且延缓水液层的蒸发，是眼部一个重要的组织。睑板腺功能障碍(meibomian gland dysfunction，MGD)是一种慢性、弥漫性的睑板腺病变，通常表现为终末导管阻塞和(或)睑脂分泌功能异常，在临床上可能会引起泪膜异常和眼表炎性反应，是干眼的一种常见类型。
流行病学研究表明，MGD的患病率在全世界的发病率达到了20％～60％，已远远超出人们的想象。首先，随着我国科技的发展和经济的进步，电视、手机和计算机等视觉显示终端已经得到了广泛的普及，人们每天暴露于电子屏幕的时间已经远远超过了健康使用时间；其次，环境污染、药物使用和配戴隐形眼睛等也都是容易诱发干眼病的重要因素；此外，我国社会老龄化的现象日益严重，诸多因素的叠加进一步增高了MGD的患病风险和患者人数。当今社会人们对生活质量的要求逐步提升，MGD俨然已经成为影响生活质量的一大因素，所以对于睑板腺功能障碍的研究具有重要的临床和现实意义。
发明内容
本发明解决的技术问题在于克服现有技术的直接观察睑板腺腺体的形态和缺失情况会使得MGD的诊断被主观判断所主导的缺陷，提供基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用。所述基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用具有诊断准确率和效率高，量化评估指标等特点。
为实现上述目的，本发明提供如下技术方案：基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，包括以下步骤：
(1)：从Oculus系统收集500张原始图像；
(2)：使用labelme标记工具用多边形标记图像，将已收集的睑板腺检查原图制作为带分割标记的图像数据集，使用labelme多边形标记睑板区域及腺体；
(3)：数据转换制成数据集；
(4)：训练分割网络，使用Pytorch神经网络框架训练分割的U-Net网络，U-Net的编码器下采样4次，一共下采样16倍，对称地，其解码器也相应上采样4次，将编码器得到的高级语义特征图恢复到原图片的分辨率,除最后一层外，所有层都使用整流线性单元(ReLU)作为激活函数，ReLU激活函数定义为f(x)＝max(0,x),最后一个卷积层单独使用一个softmax函数，该函数用于获取腺体图像的每个像素的输出二值标签，Softmax函数的规定为
Figure GDA0003685783940000021
对于每个像素，有两个可能的类别：腺体或非腺体，由于这是像素级的二值分割，有两个适用的损失函数：(i)Dice系数：交集与并集的比率，直观上更适合具有单个连续边界的最大对象,
Figure GDA0003685783940000031
(ii)二值交叉熵：对腺体分割有用，其中，在多个未连接的组件中存在轻微的像素级偏差，交叉熵损失比Dice损失的梯度更稳定，二值交叉熵损失函数定义为
Figure GDA0003685783940000032
综合Dice系数和二值交叉熵两个指标，使用的损失函数为L＝Ldice+λLce，其中λ>0是自定义的权重参数；
(5)：测试验证分割效果，在获得输出的腺体分割二值图后，应用五个临床相关指标，从睑板腺获得量化睑板腺功能障碍(MGD)：腺体面积缺失率、弯曲度、宽度、长度和腺体数量，函数为
Figure GDA0003685783940000033
(6)：分割睑板腺图像，T＝弧长/弦长。
优选的，步骤(1)中选取了300名成年检查者，健康150例，MGD患者150例，总共挑选500张原始睑板腺图像数据。
优选的，步骤(4)中softmax函数的vi表示输出层中的元素，j是类别的数目。
优选的，步骤(4)中Dice系数下标i遍历图像所有的像素点，pi是网络预测的像素点i属于前景的概率，yi是地面真值中像素点i是否属于前景，属于前景则yi＝1，属于背景则yi＝0,ε是正数值10-8，防止除以0。
优选的，步骤(4)中二值交叉熵N是图像像素点的个数，yi是地面真值中像素点i是否属于前景，属于前景则yi＝1，属于背景则yi＝0，pi是网络预测的像素点i属于前景的概率。
优选的，步骤(5)中腺体面积缺失率(R)是非腺体面积占睑板区域总面积(S)的比率，腺体面积(S1)。
优选的，步骤(5)中扭曲度(T)为曲线长度与端点之间距离的比值。
与现有技术相比，本发明的有益效果是：
1、本发明应用深度学习量化分析睑板腺形态，为MGD的诊疗提供客观可靠的量化指标，从而实现睑板腺功能障碍的自动诊断，避免了手动分析图片的繁琐及人为因素的干扰，提高了结果的客观性；
2、睑板腺分割可以显示多种睑板腺的形态变化，治疗前可见睑板腺有缩短、迂曲、扩张和缺失，通过睑板腺按摩或强脉冲等物理治疗后睑板腺形态变化可通过临床指标计算客观地得出具体数据变化情况，本发明可以为MGD治疗的效果提供更客观精确的评估手段。
附图说明
图1为本发明的步骤流程图；
图2为本发明U-Net网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
请参阅图1-2，本发明提供一种技术方案：基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，包括以下步骤：
从Oculus系统收集500张原始图像，选取了300名成年检查者，健康150例，MGD患者150例，总共挑选500张原始睑板腺图像数据，使用labelme多边形标记图像，将已收集的睑板腺检查原图制作为带分割标记的图像数据集，使用labelme标记工具用多边形标记睑板区域及腺体，数据转换制成数据集，训练分割网络，使用Pytorch神经网络框架训练分割的U-Net网络，U-Net的编码器下采样4次，一共下采样16倍，对称地，其解码器也相应上采样4次，将编码器得到的高级语义特征图恢复到原图片的分辨率除，最后一层外，所有层都使用整流线性单元(ReLU)作为激活函数，用于CNN，以缓解梯度消失问题，ReLU激活函数定义为f(x)＝max(0,x)，最后一个卷积层单独使用一个softmax函数，该函数用于获取腺体图像的每个像素的输出二值标签，Softmax函数的规定为
Figure GDA0003685783940000051
其中vi表示输出层中的元素，j是类别的数目，对于每个像素，有两个可能的类别：腺体或非腺体，由于这是像素级的二值分割，有两个适用的损失函数：(i)Dice系数：交集与并集的比率，直观上更适合具有单个连续边界的最大对象；
Figure GDA0003685783940000052
其中下标i遍历图像所有的像素点，pi是网络预测的像素点i属于前景的概率，yi是地面真值中像素点i是否属于前景，属于前景则yi＝1，属于背景则yi＝0,ε是一个正数值10-8，防止除以0；(ii)二值交叉熵：对腺体分割有用，其中，在多个未连接的组件中存在轻微的像素级偏差，交叉熵损失比Dice损失的梯度更稳定，二值交叉熵损失函数定义为
Figure GDA0003685783940000061
其中N是图像像素点的个数，yi是地面真值中像素点i是否属于前景，属于前景则yi＝1，属于背景则yi＝0，pi是网络预测的像素点i属于前景的概率,综合这2个指标，使用的损失函数为L＝Ldice+λLce，其中λ>0是自定义的权重参数，Lce:交叉熵损失函数常用于深度学习，它可以衡量真实标记分布与训练后的模型的预测标记分布的相似性，交叉熵损失的值越小，两个概率分布就越近，代表模型的预测结果越准确，Ldice:Dice损失的值为1-Dice系数，Dice系数是一种集合相似度度量函数，通常用于计算两个样本点的相似度，值范围为[0,1]，如果Dice系数越大，表明集合越相似，Dice损失越小，反之亦然，测试验证分割效果，在获得输出的腺体分割二值图后，应用五个临床相关指标，从睑板腺获得量化睑板腺功能障碍(MGD)：腺体面积缺失率(腺体面积缺失率(R)是非腺体面积占睑板区域总面积(S)的比率，腺体面积(S1)，即
Figure GDA0003685783940000062
)、弯曲度(扭曲度(T)为曲线长度与端点之间距离的比值，即T＝弧长/弦长)、宽度、长度和腺体数量(二进制掩码中单个腺体的总数是使用二进制腺体图中连接组件的数量计算出来的)，分割睑板腺图像，用于MGD诊疗的使用。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于，包括以下步骤：
(1)：从Oculus系统收集500张原始图像；
(2)：使用labelme标记工具用多边形标记图像，将已收集的睑板腺检查原图制作为带分割标记的图像数据集，使用labelme多边形标记睑板区域及腺体；
(3)：数据转换制成数据集；
(4)：训练分割网络，使用Pytorch神经网络框架训练分割的U-Net网络，U-Net的编码器下采样4次，一共下采样16倍，对称地，其解码器也相应上采样4次，将编码器得到的高级语义特征图恢复到原图片的分辨率,除最后一层外，所有层都使用整流线性单元(ReLU)作为激活函数，ReLU激活函数定义为f(x)＝max(0,x),最后一个卷积层单独使用一个softmax函数，该函数用于获取腺体图像的每个像素的输出二值标签，Softmax函数的规定为
Figure FDA0003685783930000011
对于每个像素，有两个可能的类别：腺体或非腺体，由于这是像素级的二值分割，有两个适用的损失函数：(i)Dice系数：交集与并集的比率，直观上更适合具有单个连续边界的最大对象,
Figure FDA0003685783930000012
(ii)二值交叉熵：对腺体分割有用，其中，在多个未连接的组件中存在轻微的像素级偏差，交叉熵损失比Dice损失的梯度更稳定，二值交叉熵损失函数定义为
Figure FDA0003685783930000021
综合Dice系数和二值交叉熵两个指标，使用的损失函数为L＝Ldice+λLce，其中λ>0是自定义的权重参数；
(5)：测试验证分割效果，在获得输出的腺体分割二值图后，应用五个临床相关指标，从睑板腺获得量化睑板腺功能障碍(MGD)：腺体面积缺失率、弯曲度、宽度、长度和腺体数量，函数为
Figure FDA0003685783930000022
(6)：分割睑板腺图像，T＝弧长/弦长。
2.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(1)中选取了300名成年检查者，其中健康150例，MGD患者150例，总共挑选500张原始睑板腺图像数据。
3.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(4)中softmax函数的vi表示输出层中的元素，j是类别的数目。
4.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(4)中Dice系数下标i遍历图像所有的像素点，pi是网络预测的像素点i属于前景的概率，yi是地面真值中像素点i是否属于前景，属于前景则yi＝1，属于背景则yi＝0,ε是正数值10-8，防止除以0。
5.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(4)中二值交叉熵N是图像像素点的个数，yi是地面真值中像素点i是否属于前景，属于前景则yi＝1，属于背景则yi＝0，pi是网络预测的像素点i属于前景的概率。
6.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(5)中腺体面积缺失率(R)是非腺体面积占睑板区域总面积(S)的比率，腺体面积(S1)。
7.根据权利要求1所述的基于深度学习的睑板腺量化分析及其在MGD诊疗中的应用，其特征在于：步骤(5)中扭曲度(T)为曲线长度与端点之间距离的比值。
CN202110073495.0A 2021-01-20 2021-01-20 基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用 Active CN112885456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110073495.0A CN112885456B (zh) 2021-01-20 2021-01-20 基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110073495.0A CN112885456B (zh) 2021-01-20 2021-01-20 基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用

Publications (2)

Publication Number Publication Date
CN112885456A CN112885456A (zh) 2021-06-01
CN112885456B true CN112885456B (zh) 2022-08-16

Family

ID=76050206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110073495.0A Active CN112885456B (zh) 2021-01-20 2021-01-20 基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用

Country Status (1)

Country Link
CN (1) CN112885456B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128825A (zh) * 2022-12-30 2023-05-16 杭州又拍云科技有限公司 一种基于深度学习的睑板腺形态分析方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109411092A (zh) * 2018-11-28 2019-03-01 武汉大学人民医院（湖北省人民医院） 基于深度学习的睑板腺共聚焦显微镜智能分析评估系统及方法
CN109447907A (zh) * 2018-09-20 2019-03-08 宁波大学 一种基于全卷积神经网络的单图像增强方法
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110728312A (zh) * 2019-09-29 2020-01-24 浙江大学 一种基于区域自适应注意力网络的干眼症分级系统
CN111127431A (zh) * 2019-12-24 2020-05-08 杭州求是创新健康科技有限公司 一种基于区域自适应多任务神经网络的干眼症分级评估系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109447907A (zh) * 2018-09-20 2019-03-08 宁波大学 一种基于全卷积神经网络的单图像增强方法
CN109411092A (zh) * 2018-11-28 2019-03-01 武汉大学人民医院（湖北省人民医院） 基于深度学习的睑板腺共聚焦显微镜智能分析评估系统及方法
US10482603B1 (en) * 2019-06-25 2019-11-19 Artificial Intelligence, Ltd. Medical image segmentation using an integrated edge guidance module and object segmentation network
CN110728312A (zh) * 2019-09-29 2020-01-24 浙江大学 一种基于区域自适应注意力网络的干眼症分级系统
CN111127431A (zh) * 2019-12-24 2020-05-08 杭州求是创新健康科技有限公司 一种基于区域自适应多任务神经网络的干眼症分级评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于U-Net模型的含杂水稻籽粒图像分割;陈进等;《农业工程学报》;20200523(第10期);第68-75页 *

Also Published As

Publication number Publication date
CN112885456A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN110992382B (zh) 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统
CN110428432B (zh) 结肠腺体图像自动分割的深度神经网络算法
CN109308692A (zh) 基于改进Resnet与SVR混合模型的OCT图像质量评价方法
CN112733961A (zh) 基于注意力机制的糖尿病视网膜病变的分类方法及系统
CN111222519B (zh) 一种层次化彩绘文物线稿提取模型构建、方法及装置
CN114694236B (zh) 一种基于循环残差卷积神经网络的眼球运动分割定位方法
CN112885456B (zh) 基于深度学习的睑板腺量化分析及其在mgd诊疗中的应用
CN112967285A (zh) 一种基于深度学习的黄褐斑图像识别方法、系统和装置
CN108734108A (zh) 一种基于ssd网络的裂纹舌识别方法
Zheng et al. Diagnosis of schizophrenia based on deep learning using fMRI
WO2024021359A1 (zh) 基于图像脑敏感数据的建成环境主导色测度方法和系统
CN111428655A (zh) 一种基于深度学习的头皮检测方法
CN114343563A (zh) 一种多模态融合辅助干眼诊断和分型的方法、装置及系统
CN109858498A (zh) 一种用于核型白内障图像的特征提取方法
CN113657449A (zh) 一种含噪标注数据的中医舌象腐腻分类方法
CN113160119A (zh) 一种基于深度学习的糖尿病视网膜病变图像分类方法
CN109377472A (zh) 一种眼底图像质量评价方法
CN115908241A (zh) 一种基于UNet和Transformer相融合的视网膜血管分割方法
CN114005541A (zh) 一种基于人工智能的动态干眼预警方法与系统
CN114119511A (zh) 基于EfficientNet结构的结肠镜图像评价方法及系统
CN113269764A (zh) 颅内动脉瘤自动分割方法、系统、样本处理及模型训练方法
CN112906510A (zh) 一种渔业资源统计方法及系统
CN109766848B (zh) 一种基于监控视频的行人视力状况调查分析方法
CN115619814A (zh) 一种视盘和视杯联合分割方法与系统
CN113940635B (zh) 基于深度残差金字塔的皮肤病变分割与特征提取方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220718

Address after: 430070 No. 481, Zhongshan Road, Wuchang District, Wuhan City, Hubei Province

Applicant after: WUHAN AIER EYE HOSPITAL Co.,Ltd.

Address before: 430070 No. 481, Zhongshan Road, Wuchang District, Wuhan City, Hubei Province

Applicant before: WUHAN AIER EYE HOSPITAL Co.,Ltd.

Applicant before: Wuhan University of Science and Technology

GR01 Patent grant
GR01 Patent grant