CN113658152B - 脑卒中风险的预测设备、方法、计算机设备及存储介质 - Google Patents
脑卒中风险的预测设备、方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113658152B CN113658152B CN202110972596.1A CN202110972596A CN113658152B CN 113658152 B CN113658152 B CN 113658152B CN 202110972596 A CN202110972596 A CN 202110972596A CN 113658152 B CN113658152 B CN 113658152B
- Authority
- CN
- China
- Prior art keywords
- value
- cerebral apoplexy
- model
- prediction
- image
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- 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
Abstract
本发明涉及人工智能技术领域,提供一种脑卒中风险的预测设备、方法、计算机设备及存储介质,包括:接收模块,用于获取检查者的视网膜视盘区的OCT图像;RNFL结构提取模块,用于将OCT图像输入分割模型中,得到RNFL结构的分割图像;处理模块,用于计算分割图像中RNFL结构的厚度,并根据厚度计算缺失度和平均值;脑卒中预测模块,用于将缺失度、平均值和检查者的身份信息输入脑卒中预测模型中,得到脑卒中的预测概率值。本发明一种将脑卒中分割模型、厚度计算和脑卒中风险预测模型连通,使之可以根据患者的OCT图像预测脑卒中发病概率,在拍摄眼底OCT图像的同时可以量化脑卒中风险,有效降低了医生工作强度,具有重要意义。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种脑卒中风险的预测设备、方法、计算机设备及存储介质。
背景技术
脑卒中是一种急性脑血管疾病,早期难以检测到,通常发病时已经较难治愈且伴有多种并发症。目前业内普遍通过检查者的脑CT图像、生物学指标来预测脑卒中发病概率,例如申请号为CN202010211609的专利,公开了一种基于人工智能的多维度脑卒中预防筛查方法,该方案收集三个维度的指标,训练得到脑卒中预防筛查人工智能算法模型;另一申请号为CN201910677478的专利,公开了一种基于眼部特征的脑卒中人工智能筛查方法,其利用眼底彩照,结合血糖血脂信息来预测脑卒中发病概率。
最新的医学临床研究发现,视网膜组织结构的异常是脑卒中患者较早的临床指征之一,其表现为视网膜视神经纤维层(RNFL)的平均厚度减少和缺失。但是视网膜RNFL厚度的减少和缺失,目前主要通过机器测量和医生主观阅片判断,导致识别的效率和准确率都比较低。因此,如何提出一种通过眼底光学相干断层扫描图像(opticalcoherencetomography,OCT)来预测脑卒中发病概率的预测方法,成为急需解决的问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种脑卒中风险的预测设备、方法、计算机设备及存储介质,用于解决现有技术中的视网膜RNFL厚度测量和缺失,主要通过机器测量和医生主观阅片判断,导致识别的效率和准确率都比较低的问题。
本发明的第一方面提供一种脑卒中风险的预测设备,包括:
接收模块,用于获取检查者的视网膜视盘区的扫描图像;
视神经纤维层结构提取模块,用于将所述扫描图像输入分割模型中进行特征提取,并计算每个提取出的特征与视神经纤维层结构标准图像的相似度,选择相似度大于预设阈值的图像为视神经纤维层结构,得到视神经纤维层结构的分割图像;
处理模块,用于计算所述分割图像中视神经纤维层结构的厚度,并根据所述厚度计算缺失度和平均值;
脑卒中预测模块,用于将所述缺失度、所述平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,所述身份信息包括年龄和性别。
于本发明的一实施例中,所述接收模块包括:
第一图像处理单元,用于对获取的所述扫描图像进行边界填充,并通过双线性插值算法,将填充后的各所述扫描图像的分辨率调整为统一大小。
于本发明的一实施例中,所述视神经纤维层结构提取模块包括:
第一模型训练单元,用于对所述分割模型进行预训练,预训练步骤包括:
步骤一、建立分割数据集,将所述数据集按照预设比例随机划分为训练集和测试集,其中,所述数据集包括原始的扫描图像和携带标签的扫描图像;
步骤二、将训练集输入预设的Unet模型中,计算得到预测值,采用dice loss损失函数计算预测值和标签值的损失值,根据所述损失值修正所述Unet模型的权重值;
步骤三、重复步骤二,直到完成预设的迭代次数,选择损失值最小的模型作为最终的分割模型;
步骤四、将测试集输入最终的分割模型中测试其识别精度,若所述识别精度大于预设精度,则将该最终的分割模型作为训练好的分割模型,否则,重复步骤二到步骤四。
于本发明的一实施例中,所述处理模块计算所述分割图像中视神经纤维层结构的厚度的步骤包括:
根据图像像素值得到分割图像的上边界和下边界;
针对上边界,取其上的任意一个像素点和该像素点前后的两个像素点,计算两个像素点与该点之间的斜率的平均值,根据该点和斜率的平均值,得到与下边界的交叉点,该像素点和交叉点之间的距离即为该像素点对应的RNFL厚度;
重复上述计算,得到上边界的每个像素点对应的视神经纤维层厚度,最终得到所述分割图像中整个视神经纤维层结构的厚度。
于本发明的一实施例中,所述处理模块包括:
第二图像处理单元,用于对所述视神经纤维层结构提取模块获取的分割图像进行处理,处理的步骤包括:
使用OPENCV的contourArea函数,计算所述分割图像中非0像素值的连通域,将面积小于预设面积的连通域过滤;
使用OPENCV的morphologyEx函数,过滤所述分割图像中视神经纤维层结构出现的噪点,得到平滑的视神经纤维层结构。
于本发明的一实施例中,所述处理模块根据所述厚度计算视神经纤维层结构的缺失度和平均值的步骤包括:
根据所述上边界的每个像素点对应的视神经纤维层厚度,获取厚度最小值Tmin和厚度最大值Tmax,进而得到
缺失度Tdif=Tmax-Tmin;
平均值Tavg=(Tmax+Tmin)/2。
于本发明的一实施例中,所述脑卒中预测模块包括:
第二模型训练单元,用于对所述脑卒中预测模型进行预训练,预训练步骤包括:步骤一、建立初始脑卒中预测模型,其表达式为:
其中,β0为预测模型的权重值;β1为平均值的权重值;Tavg为平均值;β2为缺失度的权重值;Tdif为缺失度;β3为检查者年龄的权重值;V-age为检查者年龄;β4为检查者性别的权重值;V-sex为检查者性别;e为欧拉数;
步骤二、将训练集中的任一样本数据输入所述初始脑卒中预测模型,得到预测概率值,将所述预测概率值与该脑卒中患者所属群体的实际发病概率值相比较,若大于实际发病概率值,则调整所述初始脑卒中预测模型中的权重值;其中,所述训练集的样本数据包括脑卒中患者的缺失度、平均值、年龄和性别;
步骤三、重复步骤二,直到输出的预测概率值符合预设要求,或完成设定的迭代次数,将预测概率值最接近实际发病概率值的脑卒中预测模型选为训练后的脑卒中预测模型。
本发明的第二方面还提供一种脑卒中风险的预测方法,包括:
获取检查者的视网膜视盘区的扫描图像;
将所述扫描图像输入分割模型中进行特征提取,并计算每个提取出的特征与视神经纤维层结构标准图像的相似度,选择相似度大于预设阈值的图像为视神经纤维层结构,得到视神经纤维层结构的分割图像;
计算所述分割图像中视神经纤维层结构的厚度,根据所述厚度计算缺失度和平均值;
将所述缺失度、所述平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,所述身份信息包括年龄和性别。
本发明的第三方面还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明第二方面的一种脑卒中风险的预测方法中所述的方法步骤。
本发明的第四方面还提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第二方面的一种脑卒中风险的预测方法中所述的方法步骤。
如上所述,本发明的一种脑卒中风险的预测设备、方法、计算机设备及存储介质,具有以下有益效果:
本发明通过训练的分割模型对OCT图像的RNFL结构进行分割,快速得到精准的RNFL结构的厚度,进而得到缺失度和平均值,将缺失度、平均值、检查者的年龄、性别信息输入到预设的脑卒中预测模型中,得到高准确率的预测结果,有效降低了医生工作强度,具有重要意义。
附图说明
图1显示为本发明第一实施方式中的预测设备的结构框图。
图2显示为本发明第一实施方式中的分割模型训练步骤的流程示意图。
图3显示为本发明第一实施方式中的脑卒中预测模型训练步骤的流程示意图。
图4显示为本发明第二实施方式中的预测方法的流程示意图。
图5显示为本发明第三实施方式中的计算机设备的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
请参阅图1,本发明的第一实施方式涉及一种脑卒中风险的预测设备,具体包括:
接收模块101,用于获取检查者的视网膜视盘区的扫描图像。
具体的说,扫描图像是通过眼底OCT扫描设备对检查者的视网膜视盘区进行扫描,获取的检查者的OCT图像。
目前OCT分为两大类:时域OCT(time domain optical coherence tomography,TD-OCT)和频域OCT(frequency domain optical coherence tomography,FD-OCT)。时域OCT是把在同一时间从组织中反射回来的光信号与参照反光镜反射回来的光信号叠加、干涉,然后成像。频域OCT是参考臂的参照反光镜固定不动,通过改变光源光波的频率来实现信号的干涉。本发明实施例可以通过多种方式获取原始眼底OCT影像,可以通过TD-OCT方式获取,还可以通过FD-OCT方式获取,具体采用何种获取方式此处不做限定。
进一步说明,获取的OCT图像为原始图像,在输入分割模型进行RNFL结构的分割之前,应对获取的OCT图像进行预处理,因此,接收模块101包括第一图像处理单元1011,其中,第一图像处理单元1011对获取的OCT图像进行预处理的步骤包括:
对获取的OCT图像进行边界填充,填充方法为:将原始的OCT图像从上下两个方向上进行数字填充,上下加0,使得每张OCT图像的宽高均相同,填充的分辨率可根据需要进行设定,本实施例中,填充后的分辨率为2048*2048;再通过双线性插值算法,将填充后的每张OCT图像的分辨率调整为统一大小,本实施例中,为方便后续图像分割,将其缩小为512*512。
RNFL结构提取模块102,用于将扫描图像输入分割模型中进行特征提取,并计算每个提取出的特征与视神经纤维层结构标准图像的相似度,选择相似度大于预设阈值的图像为视神经纤维层结构,得到视神经纤维层结构的分割图像。
具体的说,RNFL结构提取模块102包括第一模型训练单元1021,用于对分割模型进行预训练,考虑到医学影像的数据较少,获取难度大,如果使用大型的网络例如DeepLabv3+等模型,很容易过拟合;另外医学影像往往是多模态的,往往需要自己设计网络去提取不同的模态特征,而轻量结构简单的Unet可以有更大的操作空间,因此本实施例中的分割模型是基于Unet模型,经过训练得到RNFL结构的分割模型。
Unet模型是一个语义分割模型,其包括输入层input、卷积核为3×3的卷积层conv、归一化网络层BN、激活函数Relu、concat层、反卷积层deconv、最大池化层maxpool、卷积核为1×1的卷积层conv以及输出层output;Unet分割模型的每一层均以三层卷积构成,首先利用卷积进行下采样,层间采用池化或上采样的方法实现特征的提取和整合,利用这一层又一层的特征,其再进行上采样,最后一层将之前所有提取出来的特征做一个二分类,得到每个像素点对应其种类的图像。
应理解,像素点是整个图像中不可分割的单位或者是元素,不可分割的意思是它不能够再切割成更小单位抑或是元素,它是以一个小方格形式存在,这些小方格都有一个明确的位置和被分配的色彩数值,小方格颜色和位置就决定该图像所呈现出来的样子。
请参阅图2,第一模型训练单元1021对分割模型进行预训练的步骤包括:
步骤210,建立分割数据集,将数据集按照预设比例随机划分为训练集和测试集,其中,数据集包括原始的OCT图像和携带标签的OCT图像。
具体的说,从获取的OCT图像中选取若干张图像,本实施例中选取1000张OCT图像,且每张OCT图像的分辨率为2048*768,对选取的各OCT图像的RNFL结构进行手动标注,获得1000张携带标签的OCT图像。
对上述1000张原始的OCT图像和1000张携带标签的OCT图像进行预处理,预处理的步骤与步骤200中的预处理步骤相同,先对其进行边界填充,填充后的分辨率为2048*2048,再通过双线性插值算法,将填充后的每张OCT图像的分辨率缩小为512*512。
根据预处理后的1000张原始的OCT图像和1000张携带标签的OCT图像,建立分割数据集,并按照预设比例,例如5:1的比例,将数据集随机划分为训练集和测试集,用于后续分割模型的训练和测试。
步骤220,将训练集输入现有的Unet模型中,计算得到预测值,采用dice loss损失函数计算预测值和标签值的损失值,根据损失值修正Unet模型的权重值。
具体的说,用随机值初始化现有的Unet模型中的前向计算公式的权重值,将训练集中的任一张OCT图像输入初始化后的Unet模型中,提取特征,对提取出的每一个特征都做一个二分类,得到每个像素点对应的种类,最终输出一个预测值;
采用dice loss损失函数计算预测值和标签值的损失值,得到预测值和标签值之间的误差,根据dice loss损失函数的导数,沿梯度最小方向将误差回传,修正前向计算公式中的各个权重值。
应理解,损失函数的作用,就是计算神经网络每次迭代的前向计算结果与真实值的差距,从而指导下一步的训练向正确的方向进行。具体的,在训练深度神经网络的过程中,因为希望深度神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为深度神经网络中的各层预先配置参数)。比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(lossfunction),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
步骤230,重复步骤220,直到完成预设的迭代次数,选择损失值最小的模型作为最终的分割模型。
具体的说,考虑到医学影像的数据较少,为提高分割的精确度,实际训练时,除了预设迭代次数,也可将训练集中的每一张OCT图像都输入上述Unet模型中,并采用损失函数计算各自的损失值,在所有损失值中选出最小的损失值,将最小损失值所对应的权重值,作为最终的分割模型的权重值。
步骤240,将测试集输入最终的分割模型中测试其识别精度,若所述识别精度大于预设精度,则将该最终的分割模型作为训练好的分割模型,否则,重复步骤220到步骤240。
具体的说,将上述测试集中的OCT图像输入最终的分割模型中进行测试,以验证分割模型的可靠性。上述预设精度可根据实际需要进行设定,本方案对此不做限定。
将新的OCT图像进行预处理后,输入到上述训练好的分割模型中进行特征提取,计算每个提取出的特征与RNFL结构标准图像的相似度,若相似度大于预设阈值,则判断为RNFL结构,否则不是RNFL结构,最终得到该检测者的RNFL结构的分割图像。本实施例中,RNFL结构区域的像素值为224,非视网膜结构区域像素值为0。其中,待检测的视网膜OCT图像可以是原始的OCT图像中的任意一张或若干张。
处理模块103,用于计算分割图像中视神经纤维层结构的厚度,并根据厚度计算缺失度和平均值。
具体的说,处理模块103包括第二图像处理单元1031,用于在计算RNFL厚度前先对RNFL结构的分割图像进行处理,其中,处理包括过滤和闭操作,具体的步骤包括:
使用python的OPENCV中的contourArea函数,计算分割图像中非0像素值连通域,将连通域面积小于1000的分割结果进行过滤,从而将小的连通域(噪点)过滤掉。
然后使用OPENCV的morphologyEx函数,进行闭操作,对分割的RNFL结构过滤分割中出现的噪点。闭操作是先膨胀后腐蚀的操作,它具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。
通过上述预处理,得到携带有平滑的RNFL结构的分割图像,并通过处理模块103计算分割图像中RNFL结构的厚度,其计算的步骤包括:
根据图像像素值得到分割图像的上边界和下边界;应理解,本实施例中的上边界和下边界为两条形状不同的曲线。
针对上边界,取其上的任意一个像素点和该像素点前后的两个像素点,计算两个像素点与该点之间的斜率的平均值,根据该点和斜率的平均值,得到与下边界的交叉点,该像素点和交叉点之间的距离即为该像素点对应的RNFL厚度;
重复上述计算,得到上边界的每个像素点对应的视神经纤维层厚度,最终得到所述分割图像中整个视神经纤维层结构的厚度。
继续说明,从每个像素点对应的RNFL厚度中找到厚度最小值Tmin和厚度最大值Tmax,计算得到每个像素点的缺失度和平均值:
缺失度Tdif=Tmax-Tmin;
平均值Tavg=(Tmax+Tmin)/2。
脑卒中预测模块104,用于将缺失度、平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,身份信息包括年龄和性别。
具体的说,脑卒中预测模块104包括第二模型训练单元1041,用于对脑卒中预测模型进行预训练,需要说明的是,上述脑卒中预测模型的公式是基于大量医学文献数据而提出,并经过大量调参修正而得到的。
请参阅图3,脑卒中预测模型预训练的步骤包括:
步骤310,建立初始脑卒中预测模型,其公式为:
其中,β0为预测模型的权重值;β1为平均值的权重值;Tavg为平均值;β2为缺失度的权重值;Tdif为缺失度;β3为检查者年龄的权重值;V-aee为检查者年龄;β4为检查者性别的权重值;V-sex为检查者性别;e为欧拉数。
步骤320,将训练集中的任一样本数据输入初始脑卒中预测模型,得到预测概率值,将预测概率值与该脑卒中患者所属群体的实际发病概率值相比较,若大于实际发病概率值,则调整初始脑卒中预测模型中的各权重值;其中,训练集的样本数据包括脑卒中患者的缺失度、平均值、年龄和性别。
具体的说,获取脑卒中患者的病历,从病历中提取病例数据,该病例数据包括:眼底的OCT图像、RNFL厚度、年龄、性别以及医生的小结。应理解,若病例数据中不包括RNFL厚度、或RNFL厚度不够精确,也可将该患者的眼底的OCT图像输入上述分割模型中,得到RNFL结构的分割图像,进而计算得到该患者的RNFL结构的厚度。
此外,根据脑卒中患者的病历,还可统计出该脑卒中患者所属群体的实际发病概率值。
根据各脑卒中患者的病例,建立脑卒中预测模型的训练集,应理解,该训练集也可以按照预设比例随机划分出一个测试集,用于测试脑卒中预测模型的精度。
步骤330,重复步骤320,直到输出的预测概率值符合预设要求,或完成设定的迭代次数,将预测概率值最接近实际发病概率值的脑卒中预测模型选为训练后的脑卒中预测模型。
具体的说,将训练集中的每一个样本数据都输入初始脑卒中预测模型,得到对应的预测概率值,将每个预测概率值与该脑卒中患者所属群体的实际发病概率值相比较,根据比较结果,反复调整初始脑卒中预测模型中的各权重值,将预测概率值与实际发病概率值最接近时的权重值,作为训练后的脑卒中预测模型的权重值。较佳的,当预测模型的权重值β0为28.6、平均值的权重值β1为0.031、缺失度的权重值β2为-0.012、检查者年龄的权重值β3为-0.079、检查者性别的权重值β4为-0.025时,脑卒中预测模型输出的预测概率值与我国实际的脑卒中发病概率值较为接近。
可见,本实施方式通过训练的分割模型对OCT图像的RNFL结构进行分割,快速得到精准的RNFL结构的厚度,进而得到缺失度和平均值,将缺失度、平均值、检查者的年龄、性别信息输入到预设的脑卒中预测模型中,得到高准确率的预测结果,有效降低了医生工作强度,具有重要意义。
请参阅图4,本发明的第二实施方式涉及一种脑卒中风险的预测方法,包括:
步骤410、获取检查者的视网膜视盘区的扫描图像。
具体的说,扫描图像是通过眼底OCT扫描设备对检查者的视网膜视盘区进行扫描,获取检查者的OCT图像。
目前OCT分为两大类:时域OCT(time domain optical coherence tomography,TD-OCT)和频域OCT(frequency domain optical coherence tomography,FD-OCT)。时域OCT是把在同一时间从组织中反射回来的光信号与参照反光镜反射回来的光信号叠加、干涉,然后成像。频域OCT是参考臂的参照反光镜固定不动,通过改变光源光波的频率来实现信号的干涉。本发明实施例可以通过多种方式获取原始眼底OCT影像,可以通过TD-OCT方式获取,还可以通过FD-OCT方式获取,具体采用何种获取方式此处不做限定。
进一步说明,获取的OCT图像为原始图像,在输入分割模型进行RNFL结构的分割之前,应对获取的OCT图像进行预处理,其中,预处理的步骤包括:
对获取的OCT图像进行边界填充,填充方法为:将原始的OCT图像从上下两个方向上进行数字填充,上下加0,使得每张OCT图像的宽高均相同,填充的分辨率可根据需要进行设定,本实施例中,填充后的分辨率为2048*2048;再通过双线性插值算法,将填充后的每张OCT图像的分辨率调整为统一大小,本实施例中,为方便后续图像分割,将其缩小为512*512。
步骤420、将扫描图像输入分割模型中进行特征提取,并计算每个提取出的特征与视神经纤维层结构标准图像的相似度,选择相似度大于预设阈值的图像为视神经纤维层结构,得到视神经纤维层结构的分割图像。
具体的说,分割模型为预训练得到的,考虑到医学影像的数据较少,获取难度大,如果使用大型的网络例如DeepLabv3+等模型,很容易过拟合;另外医学影像往往是多模态的,往往需要自己设计网络去提取不同的模态特征,而轻量结构简单的Unet可以有更大的操作空间,因此本实施例中的分割模型是基于Unet模型,经过训练得到RNFL结构的分割模型。
继续说明,分割模型预训练的步骤包括:
步骤一,建立分割数据集,将数据集按照预设比例随机划分为训练集和测试集,其中,数据集包括原始的OCT图像和携带标签的OCT图像。
具体的说,从获取的OCT图像中选取若干张图像,本实施例中选取1000张OCT图像,且每张OCT图像的分辨率为2048*768,对选取的各OCT图像的RNFL结构进行手动标注,获得1000张携带标签的OCT图像。
对上述1000张原始的OCT图像和1000张携带标签的OCT图像进行预处理,预处理的步骤与步骤200中的预处理步骤相类似,先对其进行边界填充,填充后的分辨率为2048*2048,再通过双线性插值算法,将填充后的每张OCT图像的分辨率缩小为512*512。
根据预处理后的1000张原始的OCT图像和1000张携带标签的OCT图像,建立分割数据集,并按照预设比例,例如5:1的比例,将数据集随机划分为训练集和测试集,用于后续分割模型的训练和测试。
步骤二,将训练集输入现有的Unet模型中,计算得到预测值,采用dice loss损失函数计算预测值和标签值的损失值,根据损失值修正Unet模型的权重值。
具体的说,用随机值初始化现有的Unet模型中的前向计算公式的权重值,将训练集中的任一张OCT图像输入初始化后的Unet模型中,提取特征,对提取出的每一个特征都做一个二分类,得到每个像素点对应的种类,最终输出一个预测值;
采用dice loss损失函数计算预测值和标签值的损失值,得到预测值和标签值之间的误差,根据dice loss损失函数的导数,沿梯度最小方向将误差回传,修正前向计算公式中的各个权重值。
步骤三,重复步骤二,直到完成预设的迭代次数,选择损失值最小的模型作为最终的分割模型。
具体的说,考虑到医学影像的数据较少,为提高分割的精确度,实际训练时,除了预设迭代次数,也可将训练集中的每一张OCT图像都输入上述Unet模型中,并采用损失函数计算各自的损失值,在所有损失值中选出最小的损失值,将最小损失值所对应的权重值,作为最终的分割模型的权重值。
步骤四,将测试集输入最终的分割模型中测试其识别精度,若所述识别精度大于预设精度,则将该最终的分割模型作为训练好的分割模型,否则,重复步骤二到步骤四。
具体的说,将上述测试集中的OCT图像输入最终的分割模型中进行测试,以验证分割模型的可靠性。上述预设精度可根据实际需要进行设定,本方案对此不做限定。
将新的OCT图像进行预处理后,输入到上述训练好的分割模型中进行特征提取,计算每个提取出的特征与RNFL结构标准图像的相似度,若相似度大于预设阈值,则判断为RNFL结构,否则不是RNFL结构,最终得到该检测者的RNFL结构的分割图像。本实施例中,RNFL结构区域的像素值为224,非视网膜结构区域像素值为0。其中,待检测的视网膜OCT图像可以是原始的OCT图像中的任意一张或若干张。
步骤430、计算分割图像中视神经纤维层结构的厚度,并根据厚度计算缺失度和平均值。
具体的说,在计算RNFL厚度前先对RNFL结构的分割图像进行处理,其中,处理包括过滤和闭操作,具体的步骤包括:
使用python的OPENCV中的contourArea函数,计算分割图像中非0像素值连通域,将连通域面积小于1000的分割结果进行过滤,从而将小的连通域(噪点)过滤掉。
然后使用OPENCV的morphologyEx函数,进行闭操作,对分割的RNFL结构过滤分割中出现的噪点。闭操作是先膨胀后腐蚀的操作,它具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。
通过上述预处理,得到携带有平滑的RNFL结构的分割图像,计算分割图像中RNFL结构的厚度,其计算的步骤包括:
根据图像像素值得到分割图像的上边界和下边界;应理解,本实施例中的上边界和下边界为两条形状不同的曲线。
针对上边界,取其上的任意一个像素点和该像素点前后的两个像素点,计算两个像素点与该点之间的斜率的平均值,根据该点和斜率的平均值,得到与下边界的交叉点,该像素点和交叉点之间的距离即为该像素点对应的RNFL厚度;
重复上述计算,得到上边界的每个像素点对应的视神经纤维层厚度,最终得到所述分割图像中整个视神经纤维层结构的厚度。
继续说明,从每个像素点对应的RNFL厚度中找到厚度最小值Tmin和厚度最大值Tmax,计算得到每个像素点的缺失度和平均值:
缺失度Tdif=Tmax-Tmin;
平均值Tavg=(Tmax+Tmin)/2。
步骤440、将缺失度、平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,身份信息包括年龄和性别。
具体的说,脑卒中预测模型是通过预训练得到的,需要说明的是,上述脑卒中预测模型的公式是基于大量医学文献数据而提出,并经过大量调参修正而得到的。
预训练的步骤包括:
步骤一,建立初始脑卒中预测模型,其公式为:
其中,β0为预测模型的权重值;β1为平均值的权重值;Tavg为平均值;β2为缺失度的权重值;Tdif为缺失度;β3为检查者年龄的权重值;V-age为检查者年龄;β4为检查者性别的权重值;V-sex为检查者性别;e为欧拉数。
步骤二,将训练集中的任一样本数据输入初始脑卒中预测模型,得到预测概率值,将预测概率值与该脑卒中患者所属群体的实际发病概率值相比较,若大于实际发病概率值,则调整初始脑卒中预测模型中的各权重值;其中,训练集的样本数据包括脑卒中患者的缺失度、平均值、年龄和性别。
具体的说,获取脑卒中患者的病历,从病历中提取病例数据,该病例数据包括:眼底的OCT图像、RNFL厚度、年龄、性别以及医生的小结。应理解,若病例数据中不包括RNFL厚度、或RNFL厚度不够精确,也可将该患者的眼底的OCT图像输入上述分割模型中,得到RNFL结构的分割图像,进而计算得到该患者的RNFL结构的厚度。
此外,根据脑卒中患者的病历,还可统计出该脑卒中患者所属群体的实际发病概率值。
根据各脑卒中患者的病例,建立脑卒中预测模型的训练集,应理解,该训练集也可以按照预设比例随机划分出一个测试集,用于测试脑卒中预测模型的精度。
步骤三,重复步骤二,直到输出的预测概率值符合预设要求,或完成设定的迭代次数,将预测概率值最接近实际发病概率值的脑卒中预测模型选为训练后的脑卒中预测模型。
具体的说,将训练集中的每一个样本数据都输入初始脑卒中预测模型,得到对应的预测概率值,将每个预测概率值与该脑卒中患者所属群体的实际发病概率值相比较,根据比较结果,反复调整初始脑卒中预测模型中的各权重值,将预测概率值与实际发病概率值最接近时的权重值,作为训练后的脑卒中预测模型的权重值。较佳的,当预测模型的权重值β0为28.6、平均值的权重值β1为0.031、缺失度的权重值β2为-0.012、检查者年龄的权重值β3为-0.079、检查者性别的权重值β4为-0.025时,脑卒中预测模型输出的预测概率值与我国实际的脑卒中发病概率值较为接近。
可见,本实施方式通过训练的分割模型对OCT图像的RNFL结构进行分割,快速得到精准的RNFL结构的厚度,进而得到缺失度和平均值,将缺失度、平均值、检查者的年龄、性别信息输入到预设的脑卒中预测模型中,得到高准确率的预测结果,有效降低了医生工作强度,具有重要意义。
请参阅图5,本发明的第三实施方式涉及一种计算机设备,包括存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序,处理器502执行所述计算机程序时实现以下步骤:
获取检查者的视网膜视盘区的OCT图像;
将OCT图像输入分割模型中进行特征提取,并计算每个提取出的特征与RNFL结构标准图像的相似度,选择相似度大于预设阈值的图像为RNFL结构,得到RNFL结构的分割图像;
计算分割图像中RNFL结构的厚度,根据厚度计算缺失度和平均值;
将缺失度、平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,身份信息包括年龄和性别。
其中,存储器501和处理器502采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器502和存储器501的各种电路连接在一起。总线还可以将诸如外围设备503、稳压器504和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器502处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器502。
处理器502负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器501可以被用于存储处理器502在执行操作时所使用的数据。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明的第四实施方式涉及一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取检查者的视网膜视盘区的OCT图像;
将OCT图像输入分割模型中进行特征提取,并计算每个提取出的特征与RNFL结构标准图像的相似度,选择相似度大于预设阈值的图像为RNFL结构,得到RNFL结构的分割图像;
计算分割图像中RNFL结构的厚度,根据厚度计算缺失度和平均值;
将缺失度、平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,身份信息包括年龄和性别。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
综上所述,本发明的一种脑卒中风险的预测设备、方法、计算机设备及存储介质,通过训练的分割模型对OCT图像的RNFL结构进行分割,快速得到精准的RNFL结构的厚度,进而得到缺失度和平均值,将缺失度、平均值、检查者的年龄、性别信息输入到预设的脑卒中预测模型中,得到高准确率的预测结果,有效降低了医生工作强度,具有重要意义。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种脑卒中风险的预测设备,其特征在于,包括:
接收模块,用于获取检查者的视网膜视盘区的扫描图像;
视神经纤维层结构提取模块,用于将所述扫描图像输入分割模型中进行特征提取,并计算每个提取出的特征与视神经纤维层结构标准图像的相似度,选择相似度大于预设阈值的图像为视神经纤维层结构,得到视神经纤维层结构的分割图像;
处理模块,用于计算所述分割图像中视神经纤维层结构的厚度,并根据所述厚度计算缺失度和平均值;
脑卒中预测模块,用于将所述缺失度、所述平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,所述身份信息包括年龄和性别;
其中,所述脑卒中预测模块包括:
第二模型训练单元,用于对所述脑卒中预测模型进行预训练,预训练步骤包括:
步骤一、建立初始脑卒中预测模型,其表达式为:
其中,β0为预测模型的权重值;β1为平均值的权重值;Tavg为平均值;β2为缺失度的权重值;Tdif为缺失度;β3为检查者年龄的权重值;V-age为检查者年龄;β4为检查者性别的权重值;V-sex为检查者性别;e为欧拉数;
步骤二、将训练集中的任一样本数据输入所述初始脑卒中预测模型,得到预测概率值,将所述预测概率值与脑卒中患者所属群体的实际发病概率值相比较,若大于实际发病概率值,则调整所述初始脑卒中预测模型中的各权重值;其中,所述训练集的样本数据包括脑卒中患者的缺失度、平均值、年龄和性别;
步骤三、重复步骤二,直到输出的预测概率值符合预设要求,或完成设定的迭代次数,将预测概率值最接近实际发病概率值的模型选为训练后的脑卒中预测模型。
2.根据权利要求1所述的脑卒中风险的预测设备,其特征在于,所述接收模块包括:
第一图像处理单元,用于对获取的所述扫描图像进行边界填充,并通过双线性插值算法,将填充后的各所述扫描图像的分辨率调整为统一大小。
3.根据权利要求1所述的脑卒中风险的预测设备,其特征在于,所述视神经纤维层结构提取模块包括:
第一模型训练单元,用于对所述分割模型进行预训练,预训练步骤包括:
步骤一、建立分割数据集,将所述数据集按照预设比例随机划分为训练集和测试集,其中,所述数据集包括原始的扫描图像和携带标签的扫描图像;
步骤二、将训练集输入预设的Unet模型中,计算得到预测值,采用diceloss损失函数计算预测值和标签值的损失值,根据所述损失值修正所述Unet模型的权重值;
步骤三、重复步骤二,直到完成预设的迭代次数,选择损失值最小的模型作为最终的分割模型;
步骤四、将测试集输入最终的分割模型中测试其识别精度,若所述识别精度大于预设精度,则将该最终的分割模型作为训练好的分割模型,否则,重复步骤二到步骤四。
4.根据权利要求1所述的脑卒中风险的预测设备,其特征在于,所述处理模块计算所述分割图像中视神经纤维层结构的厚度的步骤包括:
根据图像像素值得到分割图像的上边界和下边界;
针对上边界,取其上的任意一个像素点和该像素点前后的两个像素点,计算两个像素点与该点之间的斜率的平均值,根据该点和斜率的平均值,得到与下边界的交叉点,该像素点和交叉点之间的距离即为该像素点对应的RNFL厚度;
重复上述计算,得到上边界的每个像素点对应的视神经纤维层厚度,最终得到所述分割图像中整个视神经纤维层结构的厚度。
5.根据权利要求4所述的脑卒中风险的预测设备,其特征在于,所述处理模块包括:
第二图像处理单元,用于对所述视神经纤维层结构提取模块获取的分割图像进行处理,处理的步骤包括:
使用OPENCV的contourArea函数,计算所述分割图像中非0像素值的连通域,将面积小于预设面积的连通域过滤;
使用OPENCV的morphologyEx函数,过滤所述分割图像中视神经纤维层结构出现的噪点,得到平滑的视神经纤维层结构。
6.根据权利要求4所述的脑卒中风险的预测设备,其特征在于,所述处理模块根据所述厚度计算视神经纤维层结构的缺失度和平均值的步骤包括:
根据所述上边界的每个像素点对应的视神经纤维层厚度,获取厚度最小值Tmin和厚度最大值Tmax,进而得到
缺失度Tdif=Tmax-Tmin;
平均值Tavg=(Tmax+Tmin)/2。
7.一种脑卒中风险的预测方法,其特征在于,包括:
获取检查者的视网膜视盘区的扫描图像;
将所述扫描图像输入分割模型中进行特征提取,并计算每个提取出的特征与视神经纤维层结构标准图像的相似度,选择相似度大于预设阈值的图像为视神经纤维层结构,得到视神经纤维层结构的分割图像;
计算所述分割图像中视神经纤维层结构的厚度,并根据所述厚度计算缺失度和平均值;
将所述缺失度、所述平均值和检查者的身份信息输入脑卒中预测模型中,计算得到脑卒中的预测概率值,其中,所述身份信息包括年龄和性别;
其中,所述脑卒中预测模型是通过预训练得到的,预训练包括:
步骤一、建立初始脑卒中预测模型,其表达式为:
其中,β0为预测模型的权重值;β1为平均值的权重值;Tavg为平均值;β2为缺失度的权重值;Tdif为缺失度;β3为检查者年龄的权重值;V-age为检查者年龄;β4为检查者性别的权重值;V-sex为检查者性别;e为欧拉数;
步骤二、将训练集中的任一样本数据输入所述初始脑卒中预测模型,得到预测概率值,将所述预测概率值与脑卒中患者所属群体的实际发病概率值相比较,若大于实际发病概率值,则调整所述初始脑卒中预测模型中的各权重值;其中,所述训练集的样本数据包括脑卒中患者的缺失度、平均值、年龄和性别;
步骤三、重复步骤二,直到输出的预测概率值符合预设要求,或完成设定的迭代次数,将预测概率值最接近实际发病概率值的模型选为训练后的脑卒中预测模型。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求7中所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求7中所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972596.1A CN113658152B (zh) | 2021-08-24 | 2021-08-24 | 脑卒中风险的预测设备、方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110972596.1A CN113658152B (zh) | 2021-08-24 | 2021-08-24 | 脑卒中风险的预测设备、方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113658152A CN113658152A (zh) | 2021-11-16 |
CN113658152B true CN113658152B (zh) | 2023-06-30 |
Family
ID=78481744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110972596.1A Active CN113658152B (zh) | 2021-08-24 | 2021-08-24 | 脑卒中风险的预测设备、方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113658152B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN111583291A (zh) * | 2020-04-20 | 2020-08-25 | 中山大学 | 基于深度学习的视网膜层和积液区域的层分割方法及系统 |
CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及系统 |
CN112990214A (zh) * | 2021-02-20 | 2021-06-18 | 南京信息工程大学 | 一种医学图像特征识别预测模型 |
-
2021
- 2021-08-24 CN CN202110972596.1A patent/CN113658152B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN111583291A (zh) * | 2020-04-20 | 2020-08-25 | 中山大学 | 基于深度学习的视网膜层和积液区域的层分割方法及系统 |
CN112529909A (zh) * | 2020-12-08 | 2021-03-19 | 北京安德医智科技有限公司 | 一种基于图像补全的肿瘤图像脑区分割方法及系统 |
CN112990214A (zh) * | 2021-02-20 | 2021-06-18 | 南京信息工程大学 | 一种医学图像特征识别预测模型 |
Also Published As
Publication number | Publication date |
---|---|
CN113658152A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20210048523A (ko) | 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 기억 매체 | |
CN102245082B (zh) | 图像处理装置、其控制方法和图像处理系统 | |
US9898818B2 (en) | Automated measurement of changes in retinal, retinal pigment epithelial, or choroidal disease | |
Al-Fahdawi et al. | A fully automatic nerve segmentation and morphometric parameter quantification system for early diagnosis of diabetic neuropathy in corneal images | |
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 | |
Wu et al. | Multivendor spectral-domain optical coherence tomography dataset, observer annotation performance evaluation, and standardized evaluation framework for intraretinal cystoid fluid segmentation | |
US20240005545A1 (en) | Measuring method and measuring apparatus of blood vessel diameter of fundus image | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
Ţălu et al. | Analysis of normal human retinal vascular network architecture using multifractal geometry | |
CN114450716A (zh) | 用于卒中表征的图像处理 | |
Kaya | A novel method for optic disc detection in retinal images using the cuckoo search algorithm and structural similarity index | |
CN113658152B (zh) | 脑卒中风险的预测设备、方法、计算机设备及存储介质 | |
Tălu et al. | Characterization of human retinal vessel arborisation in normal and amblyopic eyes using multifractal analysis | |
EP3655921B1 (en) | Method and computer program for estimating shape parameters of the fovea by optical coherence tomography | |
Shyla et al. | Glaucoma detection and classification using modified level set segmentation and pattern classification neural network | |
CN113592802B (zh) | 一种基于超声图像的二尖瓣环位移自动检测系统 | |
CN113792740B (zh) | 眼底彩照的动静脉分割方法、系统、设备及介质 | |
Taş et al. | Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture. | |
CN115082414B (zh) | 一种基于视觉质量分析的便携式检测方法和装置 | |
US20230105247A1 (en) | Medical diagnostic apparatus and method for evaluation of pathological conditions using 3d data and images of lamina cribrosa | |
Wang et al. | An edge detection-based deep learning approach for tear meniscus height measurement | |
D'Alessandro et al. | U-Net Convolutional Neural Network for Optic Disc Segmentation | |
Liu et al. | Improved Faster-RCNN Based Biomarkers Detection in Retinal Optical Coherence Tomography Images | |
EP4302308A1 (en) | Systems and methods for organ shape analysis for disease diagnosis and risk assessment | |
Marques | Automatic Segmentation of the optic nerve head in Optical Coherence Tomography data |
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 |