CN113962311A - 知识数据和人工智能驱动的眼科多病种识别系统 - Google Patents
知识数据和人工智能驱动的眼科多病种识别系统 Download PDFInfo
- Publication number
- CN113962311A CN113962311A CN202111254098.XA CN202111254098A CN113962311A CN 113962311 A CN113962311 A CN 113962311A CN 202111254098 A CN202111254098 A CN 202111254098A CN 113962311 A CN113962311 A CN 113962311A
- Authority
- CN
- China
- Prior art keywords
- image
- disease
- medical
- information
- vector
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提供了一种目标分类系统。该目标分类系统具体可以是知识数据和人工智能驱动的多病种识别系统。该系统能够用于获取医学图像和非图像医学信息;使用医学专家知识库匹配信息数据,由医学知识推理算法得到眼科疾病权重结果;使用医学影像诊断中的器官组织分割算法、疾病病灶识别算法得到眼科疾病权重结果;结合知识推理和医学图像识别所得权重结果,加权计算获得最终疾病诊断结果。本发明参照医学临床诊断思路,以大数据对医学数据的结构化处理,以人工智能模型对疾病病灶的检测能力,实现了疾病的自动诊断。该系统改进了现有就诊方式,实现了疾病的人工智能初步诊断筛查,有效缓解医疗资源紧缺现状,具有广泛的应用前景。
Description
技术领域
本发明涉及眼科数字化和人工智能技术领域,特别涉及知识数据和人工智能驱动的眼科多病种识别系统。
背景技术
2019年底,突如其来的新冠肺炎疫情给人们生命安全和身体健康带来严重威胁。这场在全球爆发的疫情促使人工智能在各个场景被广泛应用,如辅助检查与病理诊断、疫情防控知识传播、锁定疫情人员流动轨迹、疫情发展态势预测与溯源等。在这样的环境下,构建基于大数据的健康生态体系,提供优质、高效、经济的新型智能医疗服务,将成为解决我国医疗供需矛盾、推动医学发展提供有效的手段。
人工智能医疗是实现“健康中国”战略的重要驱动力,具有极大发展前景。现阶段人工智能医学影像在医疗领域内应用最为广泛,将近70%的临床诊断需借助医学影像。此外人工智能医疗在超声及CT等医学影像检查、电子化病历、手术机器人、精准医疗、医疗支付等领域也保持高速发展态势,在提升诊疗水平的同时,也为广大医务工作者节约工作时间。但目前人工智能技术在医学领域的应用仍然需要依赖于医护人员与医疗设备,医护工作者的劳动力并没有得到大幅度的解放,患者也无法自主进行疾病筛查。因此,利用手机等移动设备或可穿戴式设备获取患者的医学信息,借助人工智能算法实现对患者疾病的分类诊断,以减少人工智能对医疗人员及医疗检查设备的依赖,实现患者独立操作即可完成疾病的诊断,或将成为今后医学人工智能发展的重要方向。
人类80%以上外界信息通过眼睛获取,眼科疾病对家庭及社会的影响巨大。眼睛位于体表,由于透明化眼球组织的特异性,患者使用手机等移动设备即可轻易获取眼部的影像资料,借助人工智能算法即可实现眼科常见疾病的诊断。
因此,从数量庞大、类型多样、结构复杂的眼科相关数据中提取有用的信息,使用机器学习、深度学习和多源数据融合算法结合眼科学知识,实现个人和家庭端眼科疾病智能诊断,辅助医生临床诊断,缓解基层偏远地区医疗资源紧缺,切实造福患者。
发明内容
眼科诊断主要是依赖于来自于临床问诊、眼科影像等多个信息源的数据,为刻画这种多源异构数据的关联语义信息,本发明提供了一种多源相关性融合特征学习方法。
在一些方面,本公开提供一种目标分类方法,包括:
获取目标的第一信息,所述第一信息包括医学图像;
获取目标的第二信息,所述第二信息包括非图像医学信息;
将所述第一信息提供给包括第一神经网络模型的第一神经网络,确定所述目标的第一向量;
将所述第二信息提供给包括第二神经网络模型的第二神经网络,确定所述目标的第二向量;
对目标的第一特征向量及第二特征向量进行数据融合处理,确定该目标的融合特征向量;
根据所述各目标的融合特征向量,利用机器学习模型对所述目标进行分类。
在一些实施方案中,所述医学图像包括生物器官图像。
在一些实施方案中,所述非图像医学信息包括生物健康相关信息。
在一些实施方案中,所述生物器官图像包括以下一项或多项:皮肤图像、口腔图像、骨骼图像、眼部图像。
在一些实施方案中,所述生物健康相关信息包括以下一项或多项:皮肤健康相关信息;口腔健康相关信息;骨骼健康相关信息;眼部健康相关信息;
在一些实施方案中,第一向量包括以下一项或多项:第一皮肤疾病向量、第一口腔疾病向量、第一骨骼疾病向量、第一眼科疾病向量;
在一些实施方案中,第二向量包括以下一项或多项:第二皮肤疾病向量、第二口腔疾病向量、第二骨骼疾病向量、第二眼科疾病向量。
在一些实施方案中,步骤a)中,所述医学图像由成像设备采集,成像设备包括但不局限于裂隙灯、眼底照相机、光学相干断层扫描仪、核磁共振扫描仪、计算机X线断层摄影机,智能设备(包括手机、平板电脑、小型计算机和具有摄像功能系统的大型或小型仪器)。
在一些实施方案中,医学图像包括但不限于裂隙灯图像、手机图像、可穿戴设备图像,本发明的知识数据和人工智能驱动的眼科多病种识别系统可以集成在现有的这些影像设备上,也可以独立设置或者设置在服务器等终端上。
在一些实施方案中,步骤b)中,所述非图像医学信息包括眼部健康相关信息。
在一些实施方案中,所述眼部健康相关信息包括以下一项或多项:必有眼部病症、或有眼部病症、否定眼部病症、眼部病史和目标年龄,以及其他可提高眼病诊疗水平所需的信息。
在一些实施方案中,步骤b)中,非图像医学信息来源包括文字、语音、问卷、量表。
在一些实施方案中,步骤a)中,所述医学图像包括一个或多个眼组织病理区域图像。
在一些实施方案中,所述眼组织病理区域包括以下一个或多个:上睑区域、下睑区域、泪阜区域、结膜区域、角膜区域。
在一些实施方案中,所述眼组织病例区域图像通过以下方法获得:通过图像分割模型(例如图像语义分割模型)对眼部图像进行分割,得到一个或多个眼组织病理区域图像。
在一些实施方案中,所述图像分割模型通过以下方法训练获得:
S1、获取医学图像(如眼部图像)数据集;
S2、对图像数据进行病理区域分割,获得标注图像;
S3、基于采用注意力机制的U-Net结构构建语义图像分割模型,利用标注图像对图像分割模型进行训练,得到图像分割模型。
在一些实施方案中,图像分割模型包括:使用阈值对医学图像(如眼部图像)进行分割,再使用最大连通域算法确定同一连通区域的像素集合,获取最后眼组织区域定位。
在一些实施方案中,步骤c)中,所述第一神经网络包括基于ResNet-101的FasterR-CNN神经网络。
在一些实施方案中,步骤d)中,所述的第二神经网络包括GAN神经网络。
在一些实施方案中,步骤d)中,所述第二神经网络对多个非图像医学信息(例如包括必有症状、或有症状、否定症状、病史和年龄)进行权重计算,确定所述目标的第二向量。
在一些实施方案中,第二特征确定单元包括知识推理模块(如眼科知识推理模块),知识推理模块首先根据必有症状和年龄获取疾病候选集合,然后结合病史增加疾病候选集合或增加病史相关疾病权重,同时结合否定症状减少疾病候选集合,按症状个数排序计算权重最终得出诊断结果,即所述目标的第二向量。
在一些实施方案中,步骤e)包括:
将第一特征向量及第二特征向量投影到流型特征,同时引入度量约束使得相近目标的特征在流形特征空间距离小,具体的优化目标如下:
L=lp+λLC
其中,Lp是利用投影后的特征对分类结果的损失函数,LC是与同类目标的特征均值的距离。
在一些实施方案中,步骤f)中,所述分类结果包括一种或多种眼部相关症状。
在一些实施方案中,所述眼部相关症状选自以下一种或多种:
角膜病(如角膜炎、角膜混浊、其它角膜病变、角膜老年环);
结膜病(如结膜炎、翼状胬肉、睑裂斑、结膜出血、其它结膜病变);
晶状体病(如白内障;葡萄膜疾病包括葡萄膜炎);
术后状态(如眼表手术术后状态、抗青光眼术后状态);
眼睑病(如眼睑疾病、倒睫);
眼表疾病(如眼表肿物、干眼、睑板腺功能障碍);
其它(如前房积血);
健康无恙。
在一些实施方案中,所述目标包括生物,例如包括哺乳动物,例如包括人。
在一些实施方案中,目标分类方法还包括,根据分类结果提供治疗建议。
在一些方面,本公开还提供一种目标分类系统,包括:
第一获取模块,用于获取目标的第一信息,所述第一信息包括医学图像;
第二获取模块,用于获取目标的第二信息,所述第二信息包括非图像医学信息;
第一特征确定单元,用于将第一信息提供给包括第一神经网络模型的第一神经网络,确定所述目标的第一向量;
第二特征确定单元,用于将所述第二信息提供给包括第二神经网络模型的第二神经网络,确定所述目标的第二向量;
融合单元,用于对目标的第一特征向量及第二特征向量进行数据融合处理,确定该目标的融合特征向量;
分类单元,用于根据所述各目标的融合特征向量,利用机器学习模型对所述各目标进行分类。
在一些实施方案中,所述医学图像包括生物器官图像;
在一些实施方案中,所述非图像医学信息包括生物健康相关信息。
在一些实施方案中,所述生物器官图像包括以下一项或多项:皮肤图像、口腔图像、骨骼图像、眼部图像;
在一些实施方案中,所述生物健康相关信息包括以下一项或多项:皮肤健康相关信息;口腔健康相关信息;骨骼健康相关信息;眼部健康相关信息;
在一些实施方案中,第一向量包括以下一项或多项:第一皮肤疾病向量、第一口腔疾病向量、第一骨骼疾病向量、第一眼科疾病向量;
在一些实施方案中,第二向量包括以下一项或多项:第二皮肤疾病向量、第二口腔疾病向量、第二骨骼疾病向量、第二眼科疾病向量。
在一些实施方案中,第一获取模块包括成像设备;
可选地,成像设备包括但不局限于裂隙灯、眼底照相机、光学相干断层扫描仪、核磁共振扫描仪、计算机X线断层摄影机,智能设备(包括手机、平板电脑、小型计算机和具有摄像功能系统的大型或小型仪器)。
在一些实施方案中,所述非图像医学信息包括眼部健康相关信息;
优选地,所述眼部健康相关信息包括以下一项或多项:必有眼部病症、或有眼部病症、否定眼部病症、眼部病史和目标年龄,以及其他可提高眼病诊疗水平所需的信息。
在一些实施方案中,所述非图像医学信息包括:文字、语音、问卷、量表。
在一些实施方案中,所述医学图像包括一个或多个眼组织病理区域图像;
优选地,所述眼组织病理区域包括以下一个或多个:上睑区域、下睑区域、泪阜区域、结膜区域、角膜区域。
在一些实施方案中,目标分类系统还包括图像分割模块,图像分割模块对医学图像(如眼部图像)进行分割,得到一个或多个眼组织病理区域图像。
在一些实施方案中,目标分类系统还包括
训练数据获取模块,用于获取医学图像(如眼部图像)数据集;
训练数据标记模块,用于图像数据进行病理区域分割,获得标注图像;
训练模块,用于基于采用注意力机制的U-Net结构构建图像风格模型,利用标注图像对图像分割模型进行训练,得到图像分割模块。
在一些实施方案中,所述图像分割模块中:使用阈值对医学图像(如眼部图像)进行分割,再使用最大连通域算法确定同一连通区域的像素集合,获取多个病理组织区域(如眼部病理组织区域)。
在一些实施方案中,所述第一神经网络包括基于ResNet-101的Faster R-CNN神经网络。
在一些实施方案中,所述第二神经网络包括GAN神经网络。
在一些实施方案中,第一特征确定单元包括眼科影像识别模型,其用于将图像数据输入图像分割模块得到眼睛组织分割图(图像数据可以来自手机图片或裂隙灯图片),并通过迁移学习迁移权重增加分割模型泛化能力,在区域提取部分提取眼部病理组织区域,再将眼部病理组织区域输入第一神经网络得出病灶类别与定位,即目标的第一向量。
在一些实施方案中,第二特征确定单元包括知识推理模块(如眼科知识推理模块),知识推理模块首先根据必有症状和年龄获取疾病候选集合,然后结合病史增加疾病候选集合或增加病史相关疾病权重,同时结合否定症状减少疾病候选集合,按症状个数排序计算权重最终得出诊断结果,即所述目标的第二向量。
在一些实施方案中,所述第二特征确定单元用于对多个非图像医学信息(例如包括必有症状、或有症状、否定症状、病史和年龄)进行权重计算,确定所述目标的第二向量。
在一些实施方案中,所述融合单元用于将第一特征向量及第二特征向量投影到流型特征,同时引入度量约束使得相近目标的特征在流型特征空间距离小,具体的优化目标如下:
L=Lp+λLC
其中,Lp是利用投影后的特征对分类结果的损失函数,LC是与同类目标的特征均值的距离。
在一些实施方案中,所述分类结果包括一种或多种眼部病症(如眼部疾病)。
在一些实施方案中,所述眼部病症选自以下一种或多种:
角膜病(如角膜炎、角膜混浊、其它角膜病变、角膜老年环);
结膜病(如结膜炎、翼状胬肉、睑裂斑、结膜出血、其它结膜病变);
晶状体病(如白内障;葡萄膜疾病包括葡萄膜炎);
术后状态(如眼表手术术后状态、抗青光眼术后状态);
眼睑病(如眼睑疾病、倒睫);
眼表疾病(如眼表肿物、干眼、睑板腺功能障碍);
其它(如前房积血)。
在一些实施方案中,所述目标包括生物,例如包括哺乳动物,例如包括人。
在一些实施方案中,目标分类系统还包括
治疗建议提供模块,用于根据分类结果提供治疗建议。
在一些方面,本公开还提供一种目标分类装置,包括:存储器;和耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器装置中的指令,执行权利要求上述任一项所述的目标分类方法。
在一些方面,本公开还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的目标分类方法。
本文中的在一些实施方案中,如本文所使用的“医学信息”是指与目标生理状态(如健康状态、疾病状态)相关的信息。医学信息对于诊断目标的是否患有疾病具有直接或间接的参考作用。
在一些实施方案中,如本文所使用的“医学图像”涉及由医学成像模式产生的图像,在一些实施方案中,如本文所使用的“医学图像”可以包括,但不限于,超声图像,磁共振(MR)图像,X射线图像,计算机断层摄影(CT)图像,正电子发射断层摄影(PET)图像,以及通过对对象建模而获得的模型图像。
在一些实施方案中,如本文所使用的“成像设备”广义地包括任何成像模式,如在本公开的领域中所理解的并且在下文中所构思的,用于执行解剖区域或解剖器官的诊断成像。医学成像机器的例子包括,但不限于X射线机,超声机,计算机断层摄影(CT)机,磁共振成像(MRI)机,正电子发射断层摄影(PET)机,单光子发射计算机断层摄影(SPECT)机和漫射光学断层摄影(DOT)机。
在一些实施方案中,由本文所述的“医学图像”可以包括使用各种类型的图像捕获模式捕获的图像。例如,医学图像可以包括(但不限于):放射治疗(RT)图像,X射线(XR)图像,数字射线照相(DX)X射线图像,X射线血管造影(XA)图像,全景X射线(PX)图像,计算机断层摄影(CT)图像,乳房摄影(MG)图像(包括断层合成装置),磁共振成像(MRI)图像,超声(US)图像,彩色流动多普勒(CD)图像,位置发射断层摄影(PET)图像,单光子发射计算机断层摄影(SPECT)图像,核医学(NM)图像等。所述医学图像还可以包括诸如合成X射线(SXR)图像的本地医学图像的合成版本,本地医学图像的修改或增强版本,本地医学图像的增强版本等,所述合成版本使用一种或多种图像处理技术生成。这里公开的医学成像处理模型还可以被配置为处理3D图像。
本文所用的“目标分类方法”或“目标分类系统”,其被定制为对一个或多个医学图像执行图像处理/分析任务。例如,医学成像处理/分析任务可以包括(但不限于):疾病/病症分类,疾病区域分割,器官分割,疾病量化,疾病/病症分级,风险预测,时间分析,异常检测,解剖特征表征,医学图像重建等。“目标分类方法”或“目标分类系统”可以是“医学图像推断算法”,“医学图像推断模型”,“医学图像处理算法”,“医学图像处理模型”,“医学图像分析模型”等。“目标分类方法”或“目标分类系统”的输出结果可以是由使用一个或多个医学图像作为输入执行的算法产生的伪影。输出可以是不同的格式,例如:医学中的数字成像和通信(DICOM)结构化报告(SR),DICOM辅助捕获,DICOM参数映射,图像,文本和/或JavaScript对象注释(JSON)。
在一些实施方案中,如本文所使用的“疾病”通常指影响受试者的任何异常或病理状况。
在一些实施方案中,如本文所使用的“疾病诊断”通常指诊断或筛查疾病,分层疾病发生的风险,监测疾病的发展或缓解,制定疾病的治疗方案,或其任意组合。
在一些实施方案中,如本文所使用的“眼科”(ophthalmic)意指涉及眼睛和视觉或者与眼睛和视觉相关。
在一些实施方案中,如本文所使用的“眼科疾病”或“眼科病症”指涉及视觉系统解剖和/或功能的疾病或病症。
在一些实施方案中,如本文所使用的“向量”可以广义地包括由图像重建预处理器从重建的医学图像中提取的特征向量,该特征向量代表重建的医学图像的分类/预测特征。
在一些实施方案中,如本文所使用的“算法”和“模型”在本文中可互换使用,除非上下文需要在在一些实施方案中,如本文所使用的之间进行特别区分。
在一些实施方案中,如本文所使用的“第二神经网络”是指被配置为对图像执行图像处理或分析任务的AI/ML算法。图像处理或分析任务可以变化。在各种实施例中,图像处理任务可以包括(但不限于):图像恢复任务(例如,用于改善图像质量),图像合成任务(例如,用于基于多个二维图像构造三维图像),图像增强任务(例如,用于通过使用过滤器或添加将有助于可视化的信息来改善图像)和图像压缩任务(例如,用于减小图像的大小以增强所需的传输时间和存储)。一些示例图像分析任务可以包括但不限于分类任务(例如诊断),分割任务(例如器官分割,感兴趣区域分割等),对象识别任务,运动检测任务,视频跟踪任务,光学流任务等。这里描述的图像推断模型可以包括2D图像处理模型以及3D图像处理模型。图像处理模型可以使用各种类型的AI/ML算法,包括(但不限于):深度学习模型,神经网络模型,深度神经网络模型(DNN),卷积神经网络模型(CNN),生成的对立神经网络模型(GANS)等。然而,这里所述的算法或模型的概念不限于机器学习或深度学习模型。
有益效果
本公开的技术方案可以具有如下的一项或多项优点:
1、本发明一些方案提供的收据采集机制不依赖于医疗资源,利用电脑手机等设备即可获取用户医学信息,系统可自动对信息进行标准化处理,减少了智慧医疗对医疗人员及医疗检查设备的依赖。
2、本发明一些方案提出的知识推理模块(如眼科知识推理模块),包括眼科标准化机制,眼科专家知识库,眼科知识推理算法,眼科知识推理算法对必有症状、或有症状、否定症状、病史和年龄进行权重计算。
3、本发明一些方案提出的眼组织分割算法,提出了一种注意力机制的U-Net,引导算法学习更多的眼组织区分性特征来分离各眼组织部位,同时使用迁移学习增加分割算法识别的泛化能力。
3、本发明一些方案提出的眼科病灶检测算法,采集了不同设备拍摄眼科的图像数据,使用眼组织分割算法定位眼部病例区域,并使用迁移学习增加病灶检测算法识别的泛化能力。
4、本发明一些方案提出的影像和数据融合分析。采用多源数据融合分析算法,基于多核学习数据融合,结合影像、症状、病史等多个数据源信息互补,提高眼科疾病诊断的准确性。
5、本发明一些方案提供的诊断系统结合眼科治疗指南,降低了医疗成本,为医疗资源紧缺的基层医院提供参考,同时为个人和家庭提供眼科疾病筛查,即时发现眼科疾病保护眼睛健康。
附图说明
图1是一些实施例中知识数据和人工智能驱动的眼科多病种识别系统结构示意图。
图2是一些实施例中眼科知识推理算法流程示意图。
图3是一些实施例中眼科影像识别模型的流程示意图。
图4是一些实施例中眼组织结构分割模型分割结果图。
图5是一些实施例中眼科病灶分类算法loss、loss_clc、loss_bbox变化曲线图。
图6示出一些实施例的目标分类装置的示意图。
图7示出又一些实施例的目标分类装置的示意图。
图8示出一些实施例的目标分类方法的示意图。
图9示出一些实施例的目标分类系统的示意图。
具体实施方式
下面将结合实施例对本发明的实施方案进行详细描述,但是本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体条件者,按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者,均为可以通过市购获得的常规产品。
图1示出本发明一个实施例的目标分类系统(知识数据和人工智能驱动的眼科多病种识别系统),该系统是大数据处理和人工智能影像而实现的,包括:
S1、数据采集模块;使用眼科检查功能收集视力散光等检查信息,通过问诊数据收集机制收集基本信息、病史信息和症状信息。
S2、知识推理模块;对数据标准化处理,使用知识推理方法获取眼科疾病的专家知识诊断,并构建了眼科专家知识库平台。眼科知识推理主要由必有症状、或有症状、否定症状、年龄和急重性眼病的相关知识推理组成,眼科知识推理算法流程如图2所示。
S3、影像识别模块;眼科影像识别包括眼组织结构分割算法和眼科病灶检测算法。首先,根据眼部组织相关特性,提出一种眼组织部位相关的U-Net眼组织分割模型。另外我们建立了一个经过多位眼科专家精确标注完成的图像数据集,在此基础上将深度学习中的检测算法与测度学习相结合,融合医学诊断的经验,构建卷积神经网络模型。结合眼组织分割算法和眼科病灶检测算法最终实现眼科疾病精确识别,眼科影像识别模型的流程示意图如图3所示。
S4、融合分析模块(影像和数据);结合智能问诊模块的数据信息和智能诊断模块的图像信息进行加权,并将症状、病史、图像、年龄等病患数据结构化存入知识库,用于发现多源数据间的关联关系,最终得到加权后的眼科疾病诊断结果。
S5、治疗指南模块;基于眼科学知识,构建了眼科治疗指南。指南包括亚专科推荐、病情简介、治疗原则和治疗方法。根据智能诊断结果,自动推荐就诊亚专科、对应治疗方案。
在一些实施方案中,目标分类系统是知识数据和人工智能驱动的眼科多病种识别系统,该系统包括:数据采集模块;眼科知识数据推理模块;眼科影像诊断模,其中包括眼组织结构分割算法、眼科病灶检测算法;影像和数据融合分析模块;眼科治疗指南模块。本发明基于大数据和人工智能的眼科诊断系统和方法基于大数据和人工智能技术,可实现在对眼科疾病的智能诊断,参照眼科临床诊断思路,以大数据对医疗数据的结构化处理,以人工智能模型对眼科疾病病灶的检测能力,从而实现眼科问诊数据和眼科影像自动诊断,改进眼科现有就诊方式,在个人和家庭端实现眼科疾病初步诊断筛查,缓解医疗资源紧缺现状,有望实现数据和人工智能辅助医疗诊断。
在一些实施方案中,目标分类系统是知识数据和人工智能驱动的眼科多病种识别系统,包括:获取眼科基本信息、病史信息、检查信息、症状信息和影像信息;使用眼科专家知识库匹配信息数据,由眼科知识推理算法得到眼科疾病权重结果;使用眼科影像诊断中的眼组织分割算法、眼病病灶识别算法得到眼科疾病权重结果;结合知识推理和眼科图像识别所得权重结果,结合病史,症状,检查,影像等多个信息源的数据,加权计算获得最终眼科疾病诊断结果。
在一些实施方案中,目标分类方法(系统)是知识数据和人工智能驱动的眼科多病种识别系统。该系统是大数据处理和人工智能影像而实现的。
在一些实施方案中,非图像医学信息包括使用眼科检查功能收集的视力散光等检查信息、通过问诊数据收集机制收集的目标基本信息、病史信息和症状信息。
在一些实施方案中,非图像医学信息包括问卷信息。
在一些实施方案中,问卷包括以下一个或多个问题:
1.是否出现视力下降?
□无□慢慢下降□突然下降□自幼视力差
2.看近的模糊,看远的更清楚?
□是□否
3.眼前是否出现闪光感?
□是□否
4.视野是否缺失?(眼前某个区域变暗)
□是□否
5.看物品时,物品颜色跟平常不一样?
□是□否
6.看东西是否变形?
□是□否
7.眼睛是否出现疼痛?
□否□眼皮痛□眼球(眼珠子)痛
8.是否夜间看不见?
□是□否
9.白天视力差,晚上视力比白天好(昼盲)?
□是□否
10.眼前是否有漂浮物?
□是□否
11.看东西是否有重影?
□是□否
12.是否畏光(总觉得刺眼)?
□是□否
13.是否有干涩感?
□是□否
14.眼睛痒?
□是□否
15.是否流泪、溢泪?
□是□否
16.看东西易疲劳?
□是□否
17.眼红?
□否□血丝多□片状红
18.眼皮是否下垂?(上眼皮遮挡大半个眼睛)
□是□否
19.感觉眼睛里有沙子一样(异物感)?
□是□否
20.眼睛分泌物是否增多(例如眼屎)
□是□否
21.睁眼困难?
□是□否
22.一直眨眼睛?
□是□否
23.眼睛上长东西?
□否□眼皮□眼球(眼珠子)
24.是否有眼外伤?
□是□否
在一些实施方案中,第二特征确定模块包括知识推理模块(如眼科知识推理模块),该模块对第二信息进行标准化处理,并使用知识推理方法获取眼科疾病的专家知识诊断。在一些实施方案中,第二特征确定模块包括眼科专家知识库。眼科知识推理主要包括必有症状、或有症状、否定症状、年龄和急重性眼病的相关知识推理。
在一些实施方案中,眼科知识推理模块执行的眼科知识推理算法流程如图2所示。流程如下:知识推理算法首先根据必有症状和年龄获取疾病候选集合,然后结合病史增加疾病候选集合或增加病史相关疾病权重,同时结合否定症状减少疾病候选集合,按症状个数排序计算权重最终得出诊断结果。
在一些实施方案中,第一特征确定单元包括眼科影像诊断模块。
在一些实施方案中,第一特征确定单元包括眼组织结构分割模块和眼科病灶检测模块。结合眼组织分割算法和眼科病灶检测算法最终实现眼科疾病精确识别。
在一些实施方案中,眼科影像识别模型的流程示意图如图3所示。流程如下:眼科影像识别模型首先将图像数据输入图像分割模块得到眼睛组织分割图(图像数据可以来自手机图片或裂隙灯图片),并通过迁移学习迁移权重增加分割模型泛化能力,在区域提取部分提取眼睛局部图(眼部病理组织区域),再将局部图(眼部病理组织区域)输入第二神经网络得出病灶类别与定位,然后在融合模块中融合眼睛组织信息和和病灶信息,最终得出眼科影像诊断结果。
在一些实施方案中,眼组织结构分割模块根据眼部组织相关特性,提出一种眼组织部位相关的U-Net眼组织分割模型。
在一些实施方案中,眼科病灶检测模块包括专家(眼科专家)标注完成的图像数据集,在此基础上将深度学习中的检测算法与测度学习相结合,融合医学诊断的经验,构建眼科病灶检测模块。
在一些实施方案中,融合单元包括影像(医学图像)和数据(非图像医学西南西)融合分析模块。该模块结合第一获取模块获取的智能诊断模块的图像信息和第二获取模块获取的智能问诊模块的数据信息进行加权。在一些实施方案中,将症状、病史、图像、年龄等病患数据结构化存入知识库,用于发现多源数据间的关联关系,最终得到加权后的眼科疾病诊断结果。
在一些实施方案中,治疗建议提供模块包括眼科治疗指南模块。该模块基于眼科学知识,构建了眼科治疗指南。指南包括亚专科推荐、病情简介、治疗原则和治疗方法。根据智能诊断结果,自动推荐就诊亚专科、对应治疗方案。
在一些实施方案中,本发明的目标分类系统(即知识数据和人工智能驱动的眼科多病种识别系统)包括第一获取模块、第二获取模块、第一特征确定单元、第二特征确定单元、融合单元和分类单元。实际系统在应用时,可进行合并或拆分,实现系统功能即可。
在一些实施方案中,第一获取模块和第二获取模块各自独立地通过以下方式进行数据采集:实际应用场景下问卷形式获取眼科问诊知识数据,通过拍摄照片或视频的方式获取眼科图像数据;根据医生和仪器诊断信息,对眼科问诊信息收集和结构化处理。其中,问诊数据收集采用问卷填写的方式,对病人病情进行结构化处理。根据医生和仪器诊断信息,通过标注工具对样本图像中的病区和病灶进行标注。
在一些实施方案中,第二特征确定单元包括知识推理模块(如眼科知识推理模块)。该模块基于Hadoop的分布式大数据采集技术、NoSQL技术和Apache Hadoop开源软件框架打造了规范化的眼科标准数据库。该模块包括知识抽取算法,让计算机通过海量医疗文献抽取知识相应的规律。
在一些实施方案中,知识推理模块(如眼科知识推理模块)以专业眼科先验知识将相关规律进行向量化表示和知识关系概率化表示。
在一些实施方案中,知识推理模块(如眼科知识推理模块)根据大量的患者临床数据进行相应的知识推理,构建全眼科疾病知识的知识推理算法(包含16个大类、71个小类)。
在一些实施方案中,知识推理模块(如眼科知识推理模块)还包括急重性眼科疾病预警模块。
在一些实施方案中,知识推理模块(如眼科知识推理模块)根据多家与眼科中心联合测试该算法眼科疾病推理识别准确率为82.4%。
在一些实施方案中,图像分割模块用于实施眼组织结构分割算法。
在一些实施方案中,图像分割模块包括标准化处理模块,该模块对采集到的眼科影像数据进行标准化处理。
在一些实施方案中,图像分割模块包括标注模块,标注模块根据专家(专业眼科医师)使用眼科先验知识对图像数据进行病例区域标注/分割。
具体的,通过Labelme标注工具对样本图像中的病理区域进行标注,标注所得标签包括:palpebra superior,palpebra inferior,carunculae,lacrimalis,conjunctiva,cornea共五个类别。
在一些实施方案中,图像分割模块包括预处理模块,该模块对标注的图像进行以下一项或多项热处理:使用albumentations进行调整大小、翻转、锐化、浮雕、非线性空间转换数据增强操作。
在一些实施方案中,图像分割模块通过一个训练模块被训练,该模块采用注意力机制的u-net网络对眼组织结构进行分割模型训练,进行超参数调整最终得到眼组织结构分割模块,
在一些实施方案中,图像分割模块(眼组织分割模块)的精度如表1所示,眼组织分割结果如图4所示。
图4的A1示出一张裂隙灯相机拍摄的眼部照片,B1示出分割结果,分割的眼组织病理区域包括:泪阜区域1、角膜区域2、结膜区域3、上睑区域4、下睑区域5。
图4的A2示出一张手机相机拍摄的眼部照片,B2示出分割结果,分割的眼组织病理区域包括:泪阜区域1、角膜区域2、结膜区域3、上睑区域4、下睑区域5。
表1
在一些实施方案中,图像分割模块基于深度学习的眼科病灶检测算法;对采集到的眼科影像数据进行分割后,得到眼组织病理分割定位(眼组织病理区域图像)。
在一些实施方案中,在病理定位区域基于眼科学专家先验知识对各病例区域进行病灶标注,对标注数据进行归一化处理。
在一些实施方案中,第二特征确定单元包括眼科病灶检测模块,该模块使用FasterRCNN-Resnet101目标检测网络进行模型训练,融合医学诊断的经验进行算法构建。
在一些实施方案中,眼科病灶检测模块包括YOLOv3框架,FasterRCNN-Resnet50框架或FasterRCNN-Resnet101框架。
在一些实施方案中,眼科病灶检测模块包括FasterRCNN-Resnet101框架。该模块效果最好,平均精确度达0.967,三种网络框架平均精确度如表2所示。FasterRCNN-resnet101网络框架训练loss、loss_clc、loss_bbox变化图如图5所示。
在一些实施方案中,眼部病症包括以下一种或多种:角膜病包括角膜炎、角膜混浊、其它角膜病变、角膜老年环;结膜病包括:结膜炎、翼状胬肉、睑裂斑、结膜出血、其它结膜病变;晶状体病包括白内障;葡萄膜疾病包括葡萄膜炎;术后包括眼表手术术后状态、抗青光眼术后;眼睑病包括眼睑疾病、倒睫;眼表疾病包括眼表肿物、干眼、睑板腺功能障碍;其它包括前房积血。
在一些实施方案中,融合单元包括影像和数据融合分析模块。将每一个患者不同信息源的数据投影到流型特征,同时引入度量约束使得相近患者的特征在流型特征空间距离小,具体的优化目标如下:
L=Lp+λLc
其中,Lp是利用投影后的特征对疾病诊断的损失函数,LC是与同类患者的特征均值的距离。该模型充分考虑了每个信息源在特征关联性,同时使得同类患者的特征在低维特征空间的距离接近,使得最终的诊断结果与患者多源诊断信息更加相关。
在一些实施方案中,目标分类系统包括验证模块。验证模块包括由眼科医生筛选制定了一组专门的眼科疾病验证集。使用知识数据和人工智能驱动的眼科多病种识别方法在该验证数据集种测试方法精度,该方法识别结果分析如图7所示。
在一些实施方案中,目标分类系统包括临床诊断与治疗建议提高模块,该模块用于采集数据,通过相似病例检索、临床治疗规则匹配眼科专家知识库,并输出治疗方案。
图6示出一些实施例的目标分类装置的示意图。
如图所示,该实施例的目标分类装置7包括:存储器71以及耦接至该存储器71的处理器72,处理器72被配置为基于存储在存储器71中的指令,执行本公开中任意一个实施例中的目标分类方法。
其中,存储器71例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图7出又一些目标分类装置示意图。
如图所示,该实施例的目标分类装置8包括:存储器810以及耦接至该存储器810的处理器820,处理器820被配置为基于存储在存储器810中的指令,执行前述任意一个实施例中的用于目标分类的方法。
存储器810例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
目标分类装置8还可以包括输入输出接口830、网络接口840、存储接口850等。这些接口830、840、850以及存储器810和处理器820之间例如可以通过总线860连接。其中,输入输出接口830为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口840为各种联网设备提供连接接口。存储接口850为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
至此,已经详细描述了根据本公开的用于目标分类的方法、目标分类装置和计算机可读存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
图8示出一个实施例的目标分类方法,包括:
步骤101:获取目标的第一信息,所述第一信息包括医学图像;
步骤102:获取目标的第二信息,所述第二信息包括非图像医学信息;
步骤103:将所述第一信息提供给包括第一神经网络模型的第一神经网络,确定所述目标的第一向量;
步骤104:将所述第二信息提供给包括第二神经网络模型的第二神经网络,确定所述目标的第二向量;
步骤105:对目标的第一特征向量及第二特征向量进行数据融合处理,确定该目标的融合特征向量;
步骤106:根据所述各目标的融合特征向量,利用机器学习模型对所述目标进行分类。
图9示出一个实施例的目标分类系统,包括:
第一获取模块201,用于获取目标的第一信息,所述第一信息包括医学图像;
第二获取模块202,用于获取目标的第二信息,所述第二信息包括非图像医学信息;
第一特征确定单元301,用于将第一信息提供给包括第一神经网络模型的第一神经网络,确定所述目标的第一向量;
第二特征确定单元302,用于将所述第二信息提供给包括第二神经网络模型的第二神经网络,确定所述目标的第二向量;
融合单元401,用于对目标的第一特征向量及第二特征向量进行数据融合处理,确定该目标的融合特征向量;
分类单元501,用于根据所述各目标的融合特征向量,利用机器学习模型对所述各目标进行分类。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (22)
1.一种目标分类系统,包括:
第一获取模块,用于获取目标的第一信息,所述第一信息包括医学图像;
第二获取模块,用于获取目标的第二信息,所述第二信息包括非图像医学信息;
第一特征确定单元,用于将第一信息提供给包括第一神经网络模型的第一神经网络,确定所述目标的第一向量;
第二特征确定单元,用于将所述第二信息提供给包括第二神经网络模型的第二神经网络,确定所述目标的第二向量;
融合单元,用于对目标的第一特征向量及第二特征向量进行数据融合处理,确定该目标的融合特征向量;
分类单元,用于根据所述各目标的融合特征向量,利用机器学习模型对所述各目标进行分类。
2.根据权利要求1所述的系统,其中,
所述医学图像包括生物器官图像;
所述非图像医学信息包括生物健康相关信息。
3.根据权利要求1所述的系统,其特征在于以下任一项:
所述生物器官图像包括以下一项或多项:皮肤图像、口腔图像、骨骼图像、眼部图像;
所述生物健康相关信息包括以下一项或多项:皮肤健康相关信息;口腔健康相关信息;骨骼健康相关信息;眼部健康相关信息;
第一向量包括以下一项或多项:第一皮肤疾病向量、第一口腔疾病向量、第一骨骼疾病向量、第一眼科疾病向量;
第二向量包括以下一项或多项:第二皮肤疾病向量、第二口腔疾病向量、第二骨骼疾病向量、第二眼科疾病向量。
4.根据权利要求1所述的系统,第一获取模块包括成像设备;
可选地,成像设备包括但不局限于裂隙灯、眼底照相机、光学相干断层扫描仪、核磁共振扫描仪、计算机X线断层摄影机,智能设备(包括手机、平板电脑、小型计算机和具有摄像功能系统的大型或小型仪器)。
5.根据权利要求1所述的系统,所述非图像医学信息包括眼部健康相关信息;
优选地,所述眼部健康相关信息包括以下一项或多项:必有眼部病症、或有眼部病症、否定眼部病症、眼部病史和目标年龄,以及其他可提高眼病诊疗水平所需的信息。
6.根据权利要求1所述的系统,所述非图像医学信息包括:文字、语音、问卷、量表。
7.根据权利要求1所述的系统,所述医学图像包括一个或多个眼组织病理区域图像;
优选地,所述眼组织病理区域包括以下一个或多个:上睑区域、下睑区域、泪阜区域、结膜区域、角膜区域。
8.根据权利要求1所述的系统,所述第一特征确定单元还包括图像分割模块,图像分割模块对医学图像(如眼部图像)进行分割,得到一个或多个眼组织病理区域图像。
9.根据权利要求8所述的系统,还包括
训练数据获取模块,用于获取医学图像(如眼部图像)数据集;
训练数据标记模块,用于图像数据进行病理区域分割,获得标注图像;
训练模块,用于基于采用注意力机制的U-Net结构构建图像风格模型,利用标注图像对图像分割模型进行训练,得到图像分割模块。
10.根据权利要求8所述的系统,所述图像分割模块中:使用阈值对医学图像(如眼部图像)进行分割,再使用最大连通域算法确定同一连通区域的像素集合,获取多个病理组织区域(如眼部病理组织区域)。
11.根据权利要求1所述的系统,所述第一神经网络包括基于ResNet-101的Faster R-CNN神经网络。
12.根据权利要求1所述的系统,所述第二神经网络包括GAN神经网络。
13.根据权利要求1所述的系统,所述第一特征确定单元包括眼科影像识别模型,其用于将图像数据输入图像分割模块得到眼睛组织分割图(图像数据可以来自手机图片或裂隙灯图片),并通过迁移学习迁移权重增加分割模型泛化能力,在区域提取部分提取眼部病理组织区域,再将眼部病理组织区域输入第一神经网络得出病灶类别与定位,即目标的第一向量。
14.根据权利要求1所述的系统,所述第二特征确定单元用于对多个非图像医学信息(例如包括必有症状、或有症状、否定症状、病史和年龄)进行权重计算,确定所述目标的第二向量;
优选地,第二特征确定单元包括知识推理模块(如眼科知识推理模块),知识推理模块首先根据必有症状和年龄获取疾病候选集合,然后结合病史增加疾病候选集合或增加病史相关疾病权重,同时结合否定症状减少疾病候选集合,按症状个数排序计算权重最终得出诊断结果,即所述目标的第二向量。
15.根据权利要求1所述的系统,所述融合单元用于将第一特征向量及第二特征向量投影到流型特征,同时引入度量约束使得相近目标的特征在流型特征空间距离小,具体的优化目标如下:
L=Lp+λLC
其中,Lp是利用投影后的特征对分类结果的损失函数,LC是与同类目标的特征均值的距离。
16.根据权利要求1所述的系统,所述分类结果包括一种或多种眼部病症;
优选地,所述眼部病症选自以下一种或多种:
角膜病(如角膜炎、角膜混浊、其它角膜病变、角膜老年环);
结膜病(如结膜炎、翼状胬肉、睑裂斑、结膜出血、其它结膜病变);
晶状体病(如白内障;葡萄膜疾病包括葡萄膜炎);
术后状态(如眼表手术术后状态、抗青光眼术后状态);
眼睑病(如眼睑疾病、倒睫);
眼表疾病(如眼表肿物、干眼、睑板腺功能障碍);
其它(如前房积血)。
17.根据权利要求1所述的系统,所述目标包括生物,例如包括哺乳动物,例如包括人。
18.根据权利要求1所述的系统,还包括
治疗建议提供模块,用于根据分类结果提供治疗建议。
19.一种知识数据和人工智能驱动的眼科多病种识别系统,包括权利要求1所述的目标分类系统。
20.一种目标分类方法,包括:
获取目标的第一信息,所述第一信息包括医学图像;
获取目标的第二信息,所述第二信息包括非图像医学信息;
将所述第一信息提供给包括第一神经网络模型的第一神经网络,确定所述目标的第一向量;
将所述第二信息提供给包括第二神经网络模型的第二神经网络,确定所述目标的第二向量;
对目标的第一特征向量及第二特征向量进行数据融合处理,确定该目标的融合特征向量;
根据所述各目标的融合特征向量,利用机器学习模型对所述目标进行分类。
21.一种目标分类装置,包括:存储器;和耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器装置中的指令,执行权利要求20任一项所述的目标分类方法。
22.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求20所述的目标分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254098.XA CN113962311A (zh) | 2021-10-27 | 2021-10-27 | 知识数据和人工智能驱动的眼科多病种识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254098.XA CN113962311A (zh) | 2021-10-27 | 2021-10-27 | 知识数据和人工智能驱动的眼科多病种识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962311A true CN113962311A (zh) | 2022-01-21 |
Family
ID=79467462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111254098.XA Pending CN113962311A (zh) | 2021-10-27 | 2021-10-27 | 知识数据和人工智能驱动的眼科多病种识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962311A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266769A (zh) * | 2022-03-01 | 2022-04-01 | 北京鹰瞳科技发展股份有限公司 | 一种基于神经网络模型进行眼部疾病识别的系统及其方法 |
CN114783597A (zh) * | 2022-06-23 | 2022-07-22 | 瀚依科技(杭州)有限公司 | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 |
CN114864056A (zh) * | 2022-07-07 | 2022-08-05 | 北京鹰瞳科技发展股份有限公司 | 用于对医学图像推理模型进行管理的方法及相关产品 |
CN115909470A (zh) * | 2022-11-24 | 2023-04-04 | 浙江大学 | 基于深度学习的全自动眼睑疾病术后外观预测系统和方法 |
CN116110574A (zh) * | 2023-04-14 | 2023-05-12 | 武汉大学人民医院(湖北省人民医院) | 一种基于神经网络实现的眼科智能问诊方法和装置 |
CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
CN117524402A (zh) * | 2023-11-30 | 2024-02-06 | 山东派瑞医疗科技有限公司 | 关于内镜影像分析并自动生成诊断报告的方法 |
-
2021
- 2021-10-27 CN CN202111254098.XA patent/CN113962311A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266769A (zh) * | 2022-03-01 | 2022-04-01 | 北京鹰瞳科技发展股份有限公司 | 一种基于神经网络模型进行眼部疾病识别的系统及其方法 |
CN114266769B (zh) * | 2022-03-01 | 2022-06-21 | 北京鹰瞳科技发展股份有限公司 | 一种基于神经网络模型进行眼部疾病识别的系统及其方法 |
CN114783597A (zh) * | 2022-06-23 | 2022-07-22 | 瀚依科技(杭州)有限公司 | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 |
CN114783597B (zh) * | 2022-06-23 | 2022-11-29 | 瀚依科技(杭州)有限公司 | 多类疾病诊断的诊断方法及装置、电子设备和存储介质 |
CN114864056A (zh) * | 2022-07-07 | 2022-08-05 | 北京鹰瞳科技发展股份有限公司 | 用于对医学图像推理模型进行管理的方法及相关产品 |
CN115909470A (zh) * | 2022-11-24 | 2023-04-04 | 浙江大学 | 基于深度学习的全自动眼睑疾病术后外观预测系统和方法 |
CN115909470B (zh) * | 2022-11-24 | 2023-07-07 | 浙江大学 | 基于深度学习的全自动眼睑疾病术后外观预测系统和方法 |
CN116110574A (zh) * | 2023-04-14 | 2023-05-12 | 武汉大学人民医院(湖北省人民医院) | 一种基于神经网络实现的眼科智能问诊方法和装置 |
US11955240B1 (en) | 2023-04-14 | 2024-04-09 | Renmin Hospital Of Wuhan University (hubei General Hospital) | Neural-network-based-implemented ophthalmologic intelligent consultation method and apparatus |
CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
CN116433644B (zh) * | 2023-04-22 | 2024-03-08 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
CN117524402A (zh) * | 2023-11-30 | 2024-02-06 | 山东派瑞医疗科技有限公司 | 关于内镜影像分析并自动生成诊断报告的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
You et al. | Application of generative adversarial networks (GAN) for ophthalmology image domains: a survey | |
CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
Veena et al. | A novel optic disc and optic cup segmentation technique to diagnose glaucoma using deep learning convolutional neural network over retinal fundus images | |
Zhang et al. | A survey on computer aided diagnosis for ocular diseases | |
Niemeijer et al. | Automated detection and differentiation of drusen, exudates, and cotton-wool spots in digital color fundus photographs for diabetic retinopathy diagnosis | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
Karthiyayini et al. | Retinal image analysis for ocular disease prediction using rule mining algorithms | |
US20210383262A1 (en) | System and method for evaluating a performance of explainability methods used with artificial neural networks | |
Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
CN114332910A (zh) | 一种面向远红外图像的相似特征计算的人体部位分割方法 | |
Na'am et al. | An automatic ROI of the fundus photography | |
Galveia et al. | Computer aided diagnosis in ophthalmology: Deep learning applications | |
Akyol et al. | A decision support system for early-stage diabetic retinopathy lesions | |
Zhou | Design of intelligent diagnosis and treatment system for ophthalmic diseases based on deep neural network model | |
Preity et al. | Automated computationally intelligent methods for ocular vessel segmentation and disease detection: a review | |
Ali et al. | Classifying Three Stages of Cataract Disease using CNN | |
US20240020830A1 (en) | System and methods of predicting parkinson's disease based on retinal images using machine learning | |
US20220151482A1 (en) | Biometric ocular measurements using deep learning | |
Sowmiya et al. | Survey or Review on the Deep Learning Techniques for Retinal Image Segmentation in Predicting/Diagnosing Diabetic Retinopathy | |
Valencia | Automatic detection of diabetic related retina disease in fundus color images | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
Yao | Machine Learning and Image Processing for Clinical Outcome Prediction: Applications in Medical Data from Patients with Traumatic Brain Injury, Ulcerative Colitis, and Heart Failure | |
Ghorbani et al. | Toward Keratoconus Diagnosis: Dataset Creation and AI Network Examination | |
Neto | Automatic glaucoma screening with low-cost devices | |
Musleh | Machine learning framework for simulation of artifacts in paranasal sinuses diagnosis using CT images |
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 |