CN114864093A - 基于眼底图像进行疾病预测的装置、方法及存储介质 - Google Patents
基于眼底图像进行疾病预测的装置、方法及存储介质 Download PDFInfo
- Publication number
- CN114864093A CN114864093A CN202210778428.3A CN202210778428A CN114864093A CN 114864093 A CN114864093 A CN 114864093A CN 202210778428 A CN202210778428 A CN 202210778428A CN 114864093 A CN114864093 A CN 114864093A
- Authority
- CN
- China
- Prior art keywords
- disease
- result
- historical
- prediction
- outcome
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 457
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 457
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000015654 memory Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 135
- 230000003902 lesion Effects 0.000 claims description 112
- 238000012986 modification Methods 0.000 claims description 86
- 230000004048 modification Effects 0.000 claims description 86
- 230000011218 segmentation Effects 0.000 claims description 60
- 230000004044 response Effects 0.000 claims description 40
- 238000012795 verification Methods 0.000 claims description 23
- 238000011161 development Methods 0.000 claims description 17
- 230000018109 developmental process Effects 0.000 claims description 17
- 238000009499 grossing Methods 0.000 claims description 10
- 230000002427 irreversible effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012014 optical coherence tomography Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
- 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
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本公开涉及一种基于眼底图像进行疾病预测的装置、方法及计算机可读存储介质。该装置包括：处理器；以及存储器，其存储有基于眼底图像进行疾病预测的程序指令，当所述程序指令由处理器运行时，使得所述装置执行以下操作：获取基于待测眼底图像进行疾病预测的初始预测结果；获取基于历史眼底图像进行疾病预测的历史预测结果；以及根据初始预测结果和历史预测结果，确定基于所述待测眼底图像的最终预测结果。根据本公开实施例的装置，可以通过结合历史预测结果来确定待测眼底图像的最终预测结果，从而能够得到更准确、更合理的最终预测结果。
Description
技术领域
本公开一般地涉及图像处理技术领域。更具体地，本公开涉及一种基于眼底图像进行疾病预测的装置、方法及存储介质。
背景技术
在医疗领域，可以使用包括眼底相机、OCT(Optical coherence tomography)等专用的医疗设备对眼底区域进行拍摄，以便通过拍摄得到的眼底图像来检测眼底的状态。近年来，随着深度学习在视觉领域的快速发展，通过将患者当前所拍摄的眼底图像输入到一个深度学习模型中，该深度学习模型可以输出基于当前图像的疾病预测结果。
虽然现有的深度学习模型可以从图像中学习到丰富的特征信息，但是其仅是通过对当前输入的图像进行预测，仍然无法保证对疾病预测的准确性。因此，如何能够进一步提高预测疾病的准确性成为目前亟待解决的技术问题。
发明内容
鉴于上面所提到的技术问题，本公开提供了一种基于眼底图像进行疾病预测的方案。即，本公开通过结合历史眼底图像的历史预测结果来进行疾病预测，能够获得更准确的预测结果。为此，本公开在如下的多个方面提供解决方案。
在本公开的第一方面中，提供一种基于眼底图像进行疾病预测的装置，包括：处理器；以及存储器，其存储有基于眼底图像进行疾病预测的程序指令，当所述程序指令由处理器运行时，使得所述装置执行以下操作：获取基于待测眼底图像进行疾病预测的初始预测结果；获取基于历史眼底图像进行疾病预测的历史预测结果；以及根据初始预测结果和历史预测结果，确定基于所述待测眼底图像的最终预测结果。
在本公开的一个实施例中，所述初始预测结果包括初始病灶分割结果和初始疾病分类结果，历史预测结果包括历史病灶分割结果和历史疾病分类结果，当所述程序指令由处理器运行时，还使得所述装置在确定待测眼底图像的最终预测结果中执行以下操作：基于初始病灶分割结果和历史病灶分割结果，确定所述待测眼底图像的病灶修正结果；基于初始疾病分类结果和历史疾病分类结果，确定所述待测眼底图像的第一疾病修正结果；以及根据病灶修正结果和第一疾病修正结果，确定所述最终预测结果。
在本公开的另一个实施例中，当所述程序指令由处理器运行时，还使得所述装置在确定待测眼底图像的病灶修正结果中执行以下操作：对初始病灶分割结果和历史病灶分割结果进行平滑处理，以得到所述病灶修正结果。
在本公开的又一个实施例中，当所述程序指令由处理器运行时，还使得所述装置在确定待测眼底图像的第一疾病修正结果中执行以下操作：根据初始疾病分类结果和历史疾病分类结果，形成包括各预测疾病类型的预测概率的多维向量；以及使用修正模型对所述多维向量进行修正，以得到所述第一疾病修正结果。
在本公开的一个实施例中，当所述程序指令由处理器运行时，还使得所述装置在根据病灶修正结果和第一疾病修正结果，确定最终预测结果中执行以下操作：根据第一先验信息和病灶修正结果，对第一疾病修正结果进行第一验证，以得到待测眼底图像的第二疾病修正结果，其中所述第一先验信息包括病灶与疾病的对应关系；以及根据第二疾病修正结果，确定待测眼底图像的最终预测结果。
在本公开的另一个实施例中，当所述程序指令由处理器运行时，还使得所述装置在得到第二疾病修正结果中执行以下操作中的至少一项：响应于所述病灶修正结果和所述第一疾病修正结果之间的关系符合所述第一先验信息，将第一疾病修正结果确定为第二疾病修正结果；响应于所述第一疾病修正结果中存在与病灶修正结果不相关的预测疾病类型，在第一疾病修正结果中删除所述不相关的预测疾病类型，以作为第二疾病修正结果；响应于所述病灶修正结果中存在与第一疾病修正结果不相关的预测病灶，将与预测病灶相关的疾病类型添加到第一疾病修正结果中，以作为第二疾病修正结果。
在本公开的又一个实施例中，当所述程序指令由处理器运行时，还使得所述装置在根据第二疾病修正结果，确定最终预测结果中执行以下操作：根据第二先验信息和历史疾病分类结果，对第二疾病修正结果中的预测疾病类型进行第二验证，以确定待测眼底图像的最终预测结果，其中所述第二先验信息包括多种疾病的发展规律信息。
在本公开的一个实施例中，当所述程序指令由处理器运行时，还使得所述装置在对第二疾病修正结果中的预测疾病类型进行第二验证中执行以下操作中的至少一项：响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程符合所述第二先验信息，将所述第二疾病修正结果确定为最终预测结果；响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程不符合所述第二先验信息，删除所述第二疾病修正结果中不符合的预测疾病类型，以确定最终预测结果；响应于所述历史疾病分类结果中存在所述第二疾病修正结果中不存在的历史疾病类型，且所述历史疾病类型在所述第二先验信息中属于不可逆的疾病类型，将所述历史疾病类型和所述第二疾病修正结果共同确定为最终预测结果。
在本公开的第二方面中，提供一种基于眼底图像进行疾病预测的方法，包括：获取基于待测眼底图像进行疾病预测的初始预测结果；获取基于历史眼底图像进行疾病预测的历史预测结果；以及根据初始预测结果和历史预测结果，确定基于所述待测眼底图像的最终预测结果。
在本公开的一个实施例中，所述初始预测结果包括初始病灶分割结果和初始疾病分类结果，历史预测结果包括历史病灶分割结果和历史疾病分类结果，并且确定待测眼底图像的最终预测结果包括：基于初始病灶分割结果和历史病灶分割结果，确定所述待测眼底图像的病灶修正结果；基于初始疾病分类结果和历史疾病分类结果，确定所述待测眼底图像的第一疾病修正结果；以及根据病灶修正结果和第一疾病修正结果，确定所述最终预测结果。
在本公开的另一个实施例中，确定待测眼底图像的病灶修正结果包括：对初始病灶分割结果和历史病灶分割结果进行平滑处理，以得到所述病灶修正结果。
在本公开的又一个实施例中，确定待测眼底图像的第一疾病修正结果包括：根据初始疾病分类结果和历史疾病分类结果，形成包括各预测疾病类型的预测概率的多维向量；以及使用修正模型对所述多维向量进行修正，以得到所述第一疾病修正结果。
在本公开的一个实施例中，根据病灶修正结果和第一疾病修正结果，确定最终预测结果包括：根据第一先验信息和病灶修正结果，对第一疾病修正结果进行第一验证，以得到待测眼底图像的第二疾病修正结果，其中所述第一先验信息包括病灶与疾病的对应关系；以及根据第二疾病修正结果，确定待测眼底图像的最终预测结果。
在本公开的另一个实施例中，对第一疾病修正结果进行第一验证，以得到第二疾病修正结果包括以下中的至少一项：响应于所述病灶修正结果和所述第一疾病修正结果之间的关系符合所述第一先验信息，将第一疾病修正结果确定为第二疾病修正结果；响应于所述第一疾病修正结果中存在与病灶修正结果不相关的预测疾病类型，在第一疾病修正结果中删除所述不相关的预测疾病类型，以作为第二疾病修正结果；响应于所述病灶修正结果中存在与第一疾病修正结果不相关的预测病灶，将与预测病灶相关的疾病类型添加到第一疾病修正结果中，以作为第二疾病修正结果。
在本公开的又一个实施例中，根据第二疾病修正结果，确定最终预测结果包括：根据第二先验信息和历史疾病分类结果，对第二疾病修正结果中的预测疾病类型进行第二验证，以确定待测眼底图像的最终预测结果，其中所述第二先验信息包括多种疾病的发展规律信息。
在本公开的一个实施例中，对第二疾病修正结果中的预测疾病类型进行第二验证包括以下中的至少一项：响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程符合所述第二先验信息，将所述第二疾病修正结果确定为最终预测结果；响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程不符合所述第二先验信息，删除所述第二疾病修正结果中不符合的预测疾病类型，以确定最终预测结果；响应于所述历史疾病分类结果中存在所述第二疾病修正结果中不存在的历史疾病类型，且所述历史疾病类型在所述第二先验信息中属于不可逆的疾病类型，将所述历史疾病类型和所述第二疾病修正结果共同确定为最终预测结果。
在本公开的第三方面中，提供一种计算机可读存储介质，其上存储有基于眼底图像进行疾病预测的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如本公开的第二方面中任意一项所述的方法。
通过上述对本公开的技术方案及其多个实施例的描述，本领域技术人员可以理解本公开的基于眼底图像进行疾病预测的装置，可以通过结合历史预测结果来确定待测眼底图像的最终预测结果，从而能够得到更准确、更合理的最终预测结果。
附图说明
通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：
图1是示出根据本公开实施例的基于眼底图像进行疾病预测的装置的示意性框图；
图2是示出根据本公开实施例的结合分割结果和分类结果进行预测的示例性流程框图；
图3是示出根据本公开实施例的结合先验信息进行预测的示例性流程框图；
图4是示出根据本公开实施例的基于眼底图像进行疾病预测的系统的示意框图；以及
图5是示出根据本公开实施例的基于眼底图像进行疾病预测的方法流程图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域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，都属于本公开保护的范围。
应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本发明人发现，虽然现有的深度学习模型能够给出当前眼底图像的疾病预测结果，但是这与实际场景中医师对疾病的诊断过程有所不同。比如，医生通常会询问患者的病史，并根据经验和医学规律来综合判断和评估患者的当前状态，这是当前AI眼底影像疾病预测系统所缺乏的。
本公开针对现有技术的不足，提供了一种全新的可实现的解决方案。特别的，本公开实施例通过结合同一患者的历史眼底图像的历史预测结果，对当前眼底图像的初始预测结果进行补充或修正，以得到更加准确且合理的疾病预测结果，从而能够实现自动化的判断过程，有利于提高疾病预测的效率和准确性。
通过下面的描述，本领域技术人员可以理解的是，本公开还在多个实施例中提供了进一步提高结果准确性的方案，例如在一些实施例中，通过使用第一先验信息来对第一疾病修正结果和病灶修正结果进行再次修正，以使得疾病预测结果与病灶预测结果之间更符合医学标准。在另一些实施例中，通过使用第二先验信息对第二疾病修正结果再次进行修正，使其能够更符合疾病的发展规律，从而约束装置最终的输出，以得到更加准确且可靠的最终预测结果。下面将结合附图来详细描述本公开的具体实施方式。
图1是示出根据本公开实施例的基于眼底图像进行疾病预测的装置的示意性框图。如图1中所示，该装置100可以包括处理器101和存储器102。在一些实施方式中，这里的处理器101可以包括通用处理器(“CPU”)和/或专用图形处理器（“GPU”），并且存储器102存储有基于眼底图像进行疾病预测的程序指令。
在疾病预测的操作中，当上述的程序指令由处理器101运行时，将使得本公开的装置100执行：获取基于待测眼底图像进行疾病预测的初始预测结果。在一些实施例中，待测眼底图像可以是通过眼底相机拍摄得到。在另一些实施例中，可以使用例如卷积神经网络CNN等深度学习模型对待测眼底图像进行预测，以得到基于当前待测眼底图像的初始预测结果。在又一些实施例中，初始预测结果可以包括对病灶的识别结果和对疾病类型的预测结果等，例如基于待测眼底图像预测是否患病、患病属于哪种疾病，还例如可以基于待测眼底图像检测出眼底视杯视盘比例等对病灶的详细分割结果，并输出相应分割结果的量化数据等。
基于上述待测眼底图像，本公开的装置100进一步执行：获取基于历史眼底图像进行疾病预测的历史预测结果。历史眼底图像是与待测眼底图像匹配的图像，即是属于同一患者的眼底图像。在一些实施例中，本公开实施例的装置100在获得待测眼底图像之后，可以在历史信息档案或者数据库等中查找与待测眼底图像属于同一患者的历史眼底图像，以及获取基于该历史眼底图像的历史预测结果。在另一些实施例中，历史眼底图像可以包括一张或多张，即一次或多次拍摄得到。在又一些实施例中，历史预测结果可以包括基于历史眼底图像对历史病灶的识别结果和对历史疾病类型的预测结果。
在一些场景中，可以为每个患者赋予一个唯一身份标识ID，并将属于该患者的所有历史眼底图像及其历史预测结果存储于其ID对应的记录中，当该患者再次就诊时，可以根据其ID调取历史眼底图像及历史预测结果，也可以将当前眼底图像及其相关数据更新到对应ID的记录中，以作为下一待测眼底图像的历史预测结果。随着时间推移，会不断的积累越来越多的数据，若患者进行多次检查，比如每年的体检，那么其所有记录都会在系统中有一个存档，从中可以看到病情是否会变好或者加重等诸多信息。
在获得了初始预测结果和历史预测结果之后，本公开的装置100进一步执行：根据初始预测结果和历史预测结果，确定基于待测眼底图像的最终预测结果。通过结合历史预测结果来对初始预测结果进行综合判断，可以得到基于待测眼底图像的更加符合客观规律、更准确的最终预测结果。在一些实施例中，最终预测结果可以包括对病灶的综合识别结果和对疾病类型的综合预测结果。在一些实施例中，可以使用例如序列模型来对初始预测结果和历史预测结果组成的序列信息进行处理，以学习前后数据之间的关系，从而可以输出能够考虑到历史信息的最终预测结果。在另一些实施例中，序列模型可以采用例如循环神经网络RNN模型、长短期记忆网络LSTM模型等。
以上结合图1对根据本公开实施例的基于眼底图像进行疾病预测的装置进行了示例性的描述，可以理解的是，上面的描述是示例性的而非限制性的，例如根据本公开实施例的装置结合初始预测结果和历史预测结果进行预测时，可以不限于仅是通过例如序列模型来进行预测，还可以根据预测结果的类型进行细化和进一步地结合，以获得更好的预测结果。下面将结合图2进行描述。
图2是示出根据本公开实施例的结合分割结果和分类结果进行预测的示例性流程框图。如图2中所示，在本公开的一个实施例中，根据本公开实施例的装置可以首先基于待测眼底图像201获得初始预测结果，其中初始预测结果可以包括初始病灶分割结果203和初始疾病分类结果205；以及可以获得基于历史眼底图像202的历史预测结果，其中历史预测结果可以包括历史病灶分割结果204和历史疾病分类结果206。
在一些实施例中，初始病灶分割结果203可以包括对病灶的量化结果，例如病灶的数量、面积、视盘结构、黄斑结构、血管结构、视杯-视盘比值等量化信息。在另一些实施例中，初始疾病分类结果205可以包括例如多个预测疾病类型的预测概率等，例如青光眼、白内障的预测概率。历史病灶分割结果204可以与初始病灶分割结果203包括的数据类型类似，历史疾病分类结果206可以与初始疾病分类结果205包括的数据类型类似，此处不再赘述。
在另一些实施例中，初始病灶分割结果203和历史病灶分割结果204可以由分割模型分别对待测眼底图像201和历史眼底图像202进行检测得到。在又一些实施例中，初始疾病分类结果205和历史疾病分类结果206可以由分类模型分别对待测眼底图像201和历史眼底图像202进行检测得到。
当基于眼底图像进行疾病预测的程序指令由本公开实施例的装置中的处理器执行时，可以使得本公开实施例的装置执行以下操作：基于初始病灶分割结果203和历史病灶分割结果204，确定待测眼底图像201的病灶修正结果207。在一些实施例中，可以根据初始病灶分割结果203和历史病灶分割结果204的平均值，来确定病灶修正结果207。在另一些实施例中，可以对初始病灶分割结果203和历史病灶分割结果204进行平滑处理，以得到病灶修正结果207。
上述平滑处理可以基于历史与当前的分割结果，对每一个量化结果进行微调，以防止出现明显异常的量化结果。在又一些实施例中，平滑处理可以通过赋予初始病灶分割结果203和历史病灶分割结果204不同的权重，来充分考虑历史信息的影响，以避免异常结果的出现，从而可以得到对初始病灶分割结果203修正后的病灶修正结果207。在又一些实施例中，平滑处理可以通过设置平滑模块或者平滑逻辑来实现。在一些实施例中，病灶修正结果207可以包括平滑后的预测病灶的量化结果。
进一步地，如图2中所示，本公开实施例的装置还可以执行以下操作：基于初始疾病分类结果205和历史疾病分类结果206，确定待测眼底图像201的第一疾病修正结果208。在一些实施例中，可以将初始疾病分类结果205和历史疾病分类结果206中超过第一概率阈值的所有预测疾病类型，作为第一疾病修正结果208。在另一些实施例中，可以根据初始疾病分类结果205和历史疾病分类结果206，形成包括各预测疾病类型的预测概率的多维向量；以及使用修正模型对多维向量进行修正，以得到第一疾病修正结果208。
具体地，假设初始疾病分类结果205和历史疾病分类结果206中分别预测了N个预测疾病类型的预测概率，那么二者结合之后可以形成2N维向量，通过使用修正模型对该2N维向量进行学习和修正，可以输出一个包括N维向量的第一疾病修正结果208。在一些实施例中，修正模型可以采用例如序列模型、自注意力模型等模型结构，或者可以通过全连接层FC来实现。修正模型可以自动学习和捕捉初始疾病分类结果205和历史疾病分类结果206中的一些内在联系，从而可以对初始疾病分类结果205进行调整，以输出调整后的第一疾病修正结果208。
如图2中进一步示出的，本公开实施例的装置还可以进一步执行以下操作：根据病灶修正结果207和第一疾病修正结果208，确定最终预测结果209。可以根据病灶修正结果207中的量化结果和第一疾病修正结果208中的分类结果进行综合判断，以确定更准确且更合理的最终预测结果209。在一些实施例中，最终预测结果209可以包括最终病灶分割结果和最终疾病分类结果，例如可以既输出预测概率较大的预测疾病类型，也输出与该预测疾病类型对应的病灶量化结果。在另一些实施例中，最终预测结果209可以仅包括最终疾病分类结果，例如仅输出预测疾病类型。
由于分割模型对眼底图像进行的是逐像素的检测，因此会检测到一些眼底上更为细节的特征或者线索；而分类模型通常是基于整张眼底图像进行预测，通过学习整张眼底图像中的一些特征及关系，进行基于图像维度的综合判断，因此有时容易遗漏一些细节情况。基于此，根据本公开实施例的装置可以根据病灶分割结果和疾病预测结果进行综合判断，可以兼顾待测眼底图像的整体图像特征和细节特征，输出更准确的预测结果。
图3是示出根据本公开实施例的结合先验信息进行预测的示例性流程框图。如图3中所示，根据本公开实施例的装置可以首先基于待测眼底图像301获得初始病灶分割结果303和初始疾病分类结果305；以及可以获得基于历史眼底图像302的历史病灶分割结果304和历史疾病分类结果306。然后，根据本公开实施例的装置可以基于初始病灶分割结果303和历史病灶分割结果304，确定病灶修正结果307；以及基于初始疾病分类结果305和历史疾病分类结果306，确定第一疾病修正结果308。
接着，根据本公开实施例的装置还可以执行以下操作：根据第一先验信息309和病灶修正结果307，对第一疾病修正结果308进行第一验证，以得到待测眼底图像301的第二疾病修正结果310，其中第一先验信息309可以包括病灶与疾病的对应关系；以及根据第二疾病修正结果310，确定待测眼底图像301的最终预测结果312。
眼底的疾病和病灶存在互相的映射关系，比如一种疾病有可能产生多种病灶，而一种病灶也有可能在多种疾病中出现。基于此，可以将包括病灶与疾病的对应关系（或称映射关系）的第一先验信息进行预先设置或预先存储，以便在装置进行第一验证时可以通过验证病灶修正结果307中的预测病灶与第一疾病修正结果308中的预测疾病类型之间是否符合第一先验信息中的对应关系，来确定第二疾病修正结果310。
在一些实施例中，根据本公开实施例的装置在得到第二疾病修正结果310中可以进一步执行以下操作中的至少一项：响应于病灶修正结果307和第一疾病修正结果308之间的关系符合第一先验信息309，将第一疾病修正结果308确定为第二疾病修正结果310；响应于第一疾病修正结果308中存在与病灶修正结果307不相关的预测疾病类型，在第一疾病修正结果308中删除该不相关的预测疾病类型，以作为第二疾病修正结果310；响应于病灶修正结果307中存在与第一疾病修正结果308不相关的预测病灶，将与预测病灶相关的疾病类型添加到第一疾病修正结果308中，以作为第二疾病修正结果310。
上述病灶修正结果307和第一疾病修正结果308之间的关系符合第一先验信息309，可以为病灶修正结果307中的预测病灶与第一疾病修正结果308的预测疾病类型均符合第一先验信息309中的对应关系。上述第一疾病修正结果308中存在与病灶修正结果307不相关的预测疾病类型，即第一疾病修正结果308中预测到某个预测疾病类型，但是该预测疾病类型与病灶修正结果307中的任何一个预测病灶均不符合第一先验信息309中的任何对应关系，此时说明可能存在误预测的情况，因此可以在第一疾病修正结果308中将该不相关的预测疾病类型删除，第一疾病修正结果308中未删除的其他预测疾病类型即作为第二疾病修正结果310。
上文中所述的病灶修正结果307中存在与第一疾病修正结果308不相关的预测病灶，可以是病灶修正结果307中存在某个预测病灶，但是在第一先验信息309中与该预测病灶紧密关联的疾病类型并未出现在第一疾病修正结果308中，说明此时可能存在漏预测的情况，因此可以将第一先验信息309中与该预测病灶相关的疾病类型与第一疾病修正结果308中的原预测疾病类型共同作为第二疾病修正结果310。
可以理解的是，根据第一先验信息309可以对第一疾病修正结果308和病灶修正结果307进行再次修正，以使得第二疾病修正结果310更符合医学标准，从而有利于更准确的反映患者真实的疾病情况。换言之，通过在本实施例中将分割结果和分类结果再次结合，能够有助于获得更准确的最终分类结果。在另一些实施例中，可以将第二疾病修正结果310直接作为最终预测结果312。
在又一些实施例中，如图3中进一步示出的，在确定了第二疾病修正结果310之后，根据本公开实施例的装置还可以进一步执行：根据第二先验信息311和历史疾病分类结果306，对第二疾病修正结果310中的预测疾病类型进行第二验证，以确定待测眼底图像301的最终预测结果312，其中第二先验信息311可以包括多种疾病的发展规律信息。
在一些实施例中，可以通过大数据统计获得第二先验信息311中的多种疾病的发展规律信息，例如通过对大量历史数据统计可以得到某些疾病是不可逆的，即过去一旦出现就不可能消失，还例如得到某些疾病在一定时间之后会发展的更严重，但是这段时间不会小于某一时间阈值等规律信息。基于此，可以将包括多种疾病的发展规律信息的第二先验信息311进行预先设置或预先存储，以便在装置进行第二验证时可以根据历史疾病分类结果306的历史疾病类型和第二疾病修正结果310中的预测疾病类型之间是否符合第二先验信息311中的发展规律，来确定最终预测结果312。
在另一些实施例中，根据本公开实施例的装置在对第二疾病修正结果310中的预测疾病类型进行第二验证中可以执行以下操作中的至少一项：响应于第二疾病修正结果310与历史疾病分类结果306之间的发展进程符合第二先验信息311，将第二疾病修正结果310确定为最终预测结果312；响应于第二疾病修正结果310与历史疾病分类结果306之间的发展进程不符合第二先验信息311，可以删除第二疾病修正结果310中不符合的预测疾病类型，以确定最终预测结果312；响应于历史疾病分类结果306中存在第二疾病修正结果310中不存在的历史疾病类型，且历史疾病类型在第二先验信息311中属于不可逆的疾病类型，可以将历史疾病类型和第二疾病修正结果310共同确定为最终预测结果312。
上述第二疾病修正结果310与历史疾病分类结果306之间的发展进程符合第二先验信息311，可以为第二疾病修正结果310中的预测疾病类型与历史疾病分类结果306中的历史疾病类型均符合第二先验信息311中的发展规律。上述第二疾病修正结果310与历史疾病分类结果306之间的发展进程不符合第二先验信息311，可以为例如第二疾病修正结果310中的预测疾病类型与历史疾病分类结果306中的历史疾病类型之间的发展时间不符合第二先验信息311，此时可能存在误预测的情况，从而可以删除第二疾病修正结果310中不符合的预测疾病类型，并将第二疾病修正结果310中未删除的其他预测疾病类型确定为最终预测结果312。
上文中所述的历史疾病分类结果306中存在第二疾病修正结果310中不存在的历史疾病类型，可以为例如历史疾病分类结果306中存在某个历史疾病类型，且该历史疾病类型在第二先验信息311中属于不可逆的疾病类型，然而在当前预测的第二疾病修正结果310中不存在这样的疾病类型，此时可能存在漏预测的情况，因此可以将该漏预测的历史疾病类型与第二疾病修正结果310中的原预测疾病类型一起共同作为最终预测结果312。
可以理解的是，这里再次利用了历史信息来对当前预测结果进行修正，可以进一步约束装置的输出，使得输出的最终预测结果312不会脱离历史的结果，从而更加具有医学的合理性和准确性。进一步地，在得到当前待测眼底图像的最终预测结果之后，可以将其再次记录到患者所属的身份标识下，以与历史预测结果一起作为下一次检测眼底图像的历史数据。
图4是示出根据本公开实施例的基于眼底图像进行疾病预测的系统的示意框图。如图4中所示，该系统可以包括根据本公开实施例的装置401（例如包括CPU4011和存储器）以及其外围设备和外部网络，其中本公开实施例的装置可以用于执行结合图1-图3所述的本公开的方案，包括但不限于获取初始预测结果、获取历史预测结果和确定最终预测结果等操作。
具体地，本公开实施例的装置401可以包括CPU 4011，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，本公开实施例的装置401还可以包括大容量存储器4012和只读存储器ROM 4013，其中大容量存储器4012可以配置用于存储各类数据，包括待测眼底图像、历史眼底图像、历史预测结果等以及运行预测操作所需要的各种程序，ROM 4013可以配置成存储对于本公开装置401的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据。
进一步，该装置401还可以包括其他的硬件平台或组件，例如示出的张量处理单元（TPU） 4014、图形处理单元（GPU）4015、现场可编程门阵列（FPGA）4016和机器学习单元（MLU）4017。可以理解的是，尽管在装置401中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。例如，装置401可以仅包括CPU，以用于执行相应的修正、验证等操作。
为了实现信息的传递，本公开的系统400还可以包括通信接口4018，从而可以通过其连接到局域网/无线局域网（LAN/WLAN）405，进而可以通过LAN/WLAN连接到本地服务器406或连接到因特网（“Internet”）407。替代地或附加地，本公开的系统400还可以通过通信接口4018基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第三代（“3G”）、第四代（“4G”）或第5代（“5G”）的无线通信技术。在一些应用场景中，本公开的系统400还可以根据需要访问外部网络的服务器409以及可能的数据库408，以便获得各种已知的神经网络模型、数据和模块，并且可以远程地存储训练和推断中使用或产生的各种数据。
附加地或可选地，本公开的系统400的外围设备还可以包括显示装置402、输入装置403和数据传输接口404。显示装置402可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本公开的显示预测过程或者最终预测结果进行语音提示和/或图像视频显示。输入装置403可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件，其配置用于接收模拟导弹的数值的输入和/或用户指令。数据传输接口404可以包括例如串行接口、并行接口或通用串行总线接口（“USB”）、小型计算机系统接口（“SCSI”）、串行ATA、火线（“FireWire”）、PCI Express和高清多媒体接口（“HDMI”）等，其配置用于与其他设备或系统的数据传输和交互。根据本公开的方案，该数据传输接口404可以接收来自于SQL数据库的存储的历史预测结果、第一先验信息和第二先验信息等，并且向系统400传送包括预测结果或各种其他类型的数据或结果。
本公开的系统400的上述CPU 4011、大容量存储器4012、ROM 4013、TPU 4014、GPU4015、FPGA 4016、MLU 4017和通信接口4018可以通过总线4019相互连接，并且通过该总线4019与外围设备实现数据交互。在一个实施例中，通过该总线4019，CPU 4011可以控制系统400中的其他硬件组件及其外围设备。
图5是示出根据本公开实施例的基于眼底图像进行疾病预测的方法流程图。如图5中所示，方法500可以包括：在步骤501中，获取基于待测眼底图像进行疾病预测的初始预测结果；接着，在步骤502中，获取基于历史眼底图像进行疾病预测的历史预测结果；进一步地，在步骤503中，根据初始预测结果和历史预测结果，确定基于待测眼底图像的最终预测结果。
在本公开的一个实施例中，初始预测结果可以包括初始病灶分割结果和初始疾病分类结果，历史预测结果可以包括历史病灶分割结果和历史疾病分类结果，并且步骤503可以包括：基于初始病灶分割结果和历史病灶分割结果，确定待测眼底图像的病灶修正结果；基于初始疾病分类结果和历史疾病分类结果，确定待测眼底图像的第一疾病修正结果；以及根据病灶修正结果和第一疾病修正结果，确定最终预测结果。
在本公开的另一个实施例中，确定待测眼底图像的病灶修正结果可以包括：对初始病灶分割结果和历史病灶分割结果进行平滑处理，以得到病灶修正结果。
在本公开的又一个实施例中，确定待测眼底图像的第一疾病修正结果可以包括：根据初始疾病分类结果和历史疾病分类结果，形成包括各预测疾病类型的预测概率的多维向量；以及使用修正模型对多维向量进行修正，以得到第一疾病修正结果。
在本公开的一个实施例中，根据病灶修正结果和第一疾病修正结果，确定最终预测结果可以包括：根据第一先验信息和病灶修正结果，对第一疾病修正结果进行第一验证，以得到待测眼底图像的第二疾病修正结果，其中第一先验信息包括病灶与疾病的对应关系；以及根据第二疾病修正结果，确定待测眼底图像的最终预测结果。
在本公开的另一个实施例中，对第一疾病修正结果进行第一验证，以得到第二疾病修正结果可以包括以下中的至少一项：响应于病灶修正结果和第一疾病修正结果之间的关系符合第一先验信息，将第一疾病修正结果确定为第二疾病修正结果；响应于第一疾病修正结果中存在与病灶修正结果不相关的预测疾病类型，在第一疾病修正结果中删除不相关的预测疾病类型，以作为第二疾病修正结果；响应于病灶修正结果中存在与第一疾病修正结果不相关的预测病灶，将与预测病灶相关的疾病类型添加到第一疾病修正结果中，以作为第二疾病修正结果。
在本公开的又一个实施例中，根据第二疾病修正结果，确定最终预测结果可以包括：根据第二先验信息和历史疾病分类结果，对第二疾病修正结果中的预测疾病类型进行第二验证，以确定待测眼底图像的最终预测结果，其中第二先验信息包括多种疾病的发展规律信息。
在本公开的一个实施例中，对第二疾病修正结果中的预测疾病类型进行第二验证可以包括以下中的至少一项：响应于第二疾病修正结果与历史疾病分类结果之间的发展进程符合第二先验信息，将第二疾病修正结果确定为最终预测结果；响应于第二疾病修正结果与历史疾病分类结果之间的发展进程不符合第二先验信息，删除第二疾病修正结果中不符合的预测疾病类型，以确定最终预测结果；响应于历史疾病分类结果中存在第二疾病修正结果中不存在的历史疾病类型，且历史疾病类型在第二先验信息中属于不可逆的疾病类型，将历史疾病类型和第二疾病修正结果共同确定为最终预测结果。
本公开实施例的方法在前文中已经结合图1-图3描述的装置进行了详细的描述和解释，这里将不再赘述。
还应当理解，当本公开的方案还可以借助于计算机指令来实现，该计算机指令可以存储于计算机可读介质中。根据不同的实现方式，该计算机可读介质，诸如存储介质、计算机存储介质或数据存储设备（可移除的）和/或不可移动的）例如磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息的任何方法或技术实现的易失性和非易失性，可移动和不可移动介质，例如计算机可读指令、数据结构、程序模块或其他数据。
基于上文，本公开还公开了一种计算机可读存储介质，其中存储有程序指令，所述程序指令适于由处理器加载并执行：获取基于待测眼底图像进行疾病预测的初始预测结果；获取基于历史眼底图像进行疾病预测的历史预测结果；以及根据初始预测结果和历史预测结果，确定基于待测眼底图像的最终预测结果。换句话说，该程序指令的执行可以实现结合图1-图3以及图5所描述的本公开的方案。
上述的计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive Random Access Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-AccessMemory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是本公开的设备的一部分或可访问或可连接到设备。本公开描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
通过上面对本公开的基于眼底图像进行疾病预测的技术方案以及多个实施例的描述，本领域技术人员可以理解的是，本公开的装置可以结合初始待测眼底图像的初始预测结果和历史预测结果来确定最终预测结果，能够避免脱离历史信息而得到明显错误的预测结果，从而有利于显著提高最终预测结果的准确性和合理性。
虽然本公开的实施例如上，但所述内容只是为便于理解本公开而采用的实施例，并非用以限定本公开的范围和应用场景。任何本公开所述技术领域内的技术人员，在不脱离本公开所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本公开的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (17)
1.一种基于眼底图像进行疾病预测的装置，其特征在于，包括：
处理器；以及
存储器，其存储有基于眼底图像进行疾病预测的程序指令，当所述程序指令由处理器运行时，使得所述装置执行以下操作：
获取基于待测眼底图像进行疾病预测的初始预测结果；
获取基于历史眼底图像进行疾病预测的历史预测结果；以及
根据初始预测结果和历史预测结果，确定基于所述待测眼底图像的最终预测结果。
2.根据权利要求1所述的装置，其特征在于，所述初始预测结果包括初始病灶分割结果和初始疾病分类结果，历史预测结果包括历史病灶分割结果和历史疾病分类结果，当所述程序指令由处理器运行时，还使得所述装置在确定待测眼底图像的最终预测结果中执行以下操作：
基于初始病灶分割结果和历史病灶分割结果，确定所述待测眼底图像的病灶修正结果；
基于初始疾病分类结果和历史疾病分类结果，确定所述待测眼底图像的第一疾病修正结果；以及
根据病灶修正结果和第一疾病修正结果，确定所述最终预测结果。
3.根据权利要求2所述的装置，其特征在于，当所述程序指令由处理器运行时，还使得所述装置在确定待测眼底图像的病灶修正结果中执行以下操作：
对初始病灶分割结果和历史病灶分割结果进行平滑处理，以得到所述病灶修正结果。
4.根据权利要求2所述的装置，其特征在于，当所述程序指令由处理器运行时，还使得所述装置在确定待测眼底图像的第一疾病修正结果中执行以下操作：
根据初始疾病分类结果和历史疾病分类结果，形成包括各预测疾病类型的预测概率的多维向量；以及
使用修正模型对所述多维向量进行修正，以得到所述第一疾病修正结果。
5.根据权利要求2-4任一所述的装置，其特征在于，当所述程序指令由处理器运行时，还使得所述装置在根据病灶修正结果和第一疾病修正结果，确定最终预测结果中执行以下操作：
根据第一先验信息和病灶修正结果，对第一疾病修正结果进行第一验证，以得到待测眼底图像的第二疾病修正结果，其中所述第一先验信息包括病灶与疾病的对应关系；以及
根据第二疾病修正结果，确定待测眼底图像的最终预测结果。
6.根据权利要求5所述的装置，其特征在于，当所述程序指令由处理器运行时，还使得所述装置在得到第二疾病修正结果中执行以下操作中的至少一项：
响应于所述病灶修正结果和所述第一疾病修正结果之间的关系符合所述第一先验信息，将第一疾病修正结果确定为第二疾病修正结果；
响应于所述第一疾病修正结果中存在与病灶修正结果不相关的预测疾病类型，在第一疾病修正结果中删除所述不相关的预测疾病类型，以作为第二疾病修正结果；
响应于所述病灶修正结果中存在与第一疾病修正结果不相关的预测病灶，将与预测病灶相关的疾病类型添加到第一疾病修正结果中，以作为第二疾病修正结果。
7.根据权利要求5所述的装置，其特征在于，当所述程序指令由处理器运行时，还使得所述装置在根据第二疾病修正结果，确定最终预测结果中执行以下操作：
根据第二先验信息和历史疾病分类结果，对第二疾病修正结果中的预测疾病类型进行第二验证，以确定待测眼底图像的最终预测结果，其中所述第二先验信息包括多种疾病的发展规律信息。
8.根据权利要求7所述的装置，其特征在于，当所述程序指令由处理器运行时，还使得所述装置在对第二疾病修正结果中的预测疾病类型进行第二验证中执行以下操作中的至少一项：
响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程符合所述第二先验信息，将所述第二疾病修正结果确定为最终预测结果；
响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程不符合所述第二先验信息，删除所述第二疾病修正结果中不符合的预测疾病类型，以确定最终预测结果；
响应于所述历史疾病分类结果中存在所述第二疾病修正结果中不存在的历史疾病类型，且所述历史疾病类型在所述第二先验信息中属于不可逆的疾病类型，将所述历史疾病类型和所述第二疾病修正结果共同确定为最终预测结果。
9.一种基于眼底图像进行疾病预测的方法，其特征在于，包括：
获取基于待测眼底图像进行疾病预测的初始预测结果；
获取基于历史眼底图像进行疾病预测的历史预测结果；以及
根据初始预测结果和历史预测结果，确定基于所述待测眼底图像的最终预测结果。
10.根据权利要求9所述的方法，其特征在于，所述初始预测结果包括初始病灶分割结果和初始疾病分类结果，历史预测结果包括历史病灶分割结果和历史疾病分类结果，并且确定待测眼底图像的最终预测结果包括：
基于初始病灶分割结果和历史病灶分割结果，确定所述待测眼底图像的病灶修正结果；
基于初始疾病分类结果和历史疾病分类结果，确定所述待测眼底图像的第一疾病修正结果；以及
根据病灶修正结果和第一疾病修正结果，确定所述最终预测结果。
11.根据权利要求10所述的方法，其特征在于，确定待测眼底图像的病灶修正结果包括：
对初始病灶分割结果和历史病灶分割结果进行平滑处理，以得到所述病灶修正结果。
12.根据权利要求10所述的方法，其特征在于，确定待测眼底图像的第一疾病修正结果包括：
根据初始疾病分类结果和历史疾病分类结果，形成包括各预测疾病类型的预测概率的多维向量；以及
使用修正模型对所述多维向量进行修正，以得到所述第一疾病修正结果。
13.根据权利要求10-12任一所述的方法，其特征在于，根据病灶修正结果和第一疾病修正结果，确定最终预测结果包括：
根据第一先验信息和病灶修正结果，对第一疾病修正结果进行第一验证，以得到待测眼底图像的第二疾病修正结果，其中所述第一先验信息包括病灶与疾病的对应关系；以及
根据第二疾病修正结果，确定待测眼底图像的最终预测结果。
14.根据权利要求13所述的方法，其特征在于，对第一疾病修正结果进行第一验证，以得到第二疾病修正结果包括以下中的至少一项：
响应于所述病灶修正结果和所述第一疾病修正结果之间的关系符合所述第一先验信息，将第一疾病修正结果确定为第二疾病修正结果；
响应于所述第一疾病修正结果中存在与病灶修正结果不相关的预测疾病类型，在第一疾病修正结果中删除所述不相关的预测疾病类型，以作为第二疾病修正结果；
响应于所述病灶修正结果中存在与第一疾病修正结果不相关的预测病灶，将与预测病灶相关的疾病类型添加到第一疾病修正结果中，以作为第二疾病修正结果。
15.根据权利要求13所述的方法，其特征在于，根据第二疾病修正结果，确定最终预测结果包括：
根据第二先验信息和历史疾病分类结果，对第二疾病修正结果中的预测疾病类型进行第二验证，以确定待测眼底图像的最终预测结果，其中所述第二先验信息包括多种疾病的发展规律信息。
16.根据权利要求15所述的方法，其特征在于，对第二疾病修正结果中的预测疾病类型进行第二验证包括以下中的至少一项：
响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程符合所述第二先验信息，将所述第二疾病修正结果确定为最终预测结果；
响应于所述第二疾病修正结果与所述历史疾病分类结果之间的发展进程不符合所述第二先验信息，删除所述第二疾病修正结果中不符合的预测疾病类型，以确定最终预测结果；
响应于所述历史疾病分类结果中存在所述第二疾病修正结果中不存在的历史疾病类型，且所述历史疾病类型在所述第二先验信息中属于不可逆的疾病类型，将所述历史疾病类型和所述第二疾病修正结果共同确定为最终预测结果。
17.一种计算机可读存储介质，其特征在于，其上存储有基于眼底图像进行疾病预测的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求9-16中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210778428.3A CN114864093B (zh) | 2022-07-04 | 2022-07-04 | 基于眼底图像进行疾病预测的装置、方法及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210778428.3A CN114864093B (zh) | 2022-07-04 | 2022-07-04 | 基于眼底图像进行疾病预测的装置、方法及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114864093A true CN114864093A (zh) | 2022-08-05 |
| CN114864093B CN114864093B (zh) | 2022-11-01 |
Family
ID=82625828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210778428.3A Active CN114864093B (zh) | 2022-07-04 | 2022-07-04 | 基于眼底图像进行疾病预测的装置、方法及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114864093B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115148323A (zh) * | 2022-09-06 | 2022-10-04 | 北京鹰瞳科技发展股份有限公司 | 基于医学图像进行疾病预测的装置、方法和可读存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729929A (zh) * | 2017-09-30 | 2018-02-23 | 百度在线网络技术（北京）有限公司 | 用于获取信息的方法及装置 |
| CN109686440A (zh) * | 2018-12-20 | 2019-04-26 | 深圳市新产业眼科新技术有限公司 | 一种在线智能诊断云平台及其运行方法和可读存储介质 |
| CN109829490A (zh) * | 2019-01-22 | 2019-05-31 | 上海鹰瞳医疗科技有限公司 | 修正向量搜索方法、目标分类方法及设备 |
| CN110097966A (zh) * | 2018-01-30 | 2019-08-06 | 中国移动通信有限公司研究院 | 一种信息提醒方法、装置及终端设备 |
| US20200260944A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for recognizing macular region, and computer-readable storage medium |
| CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
| CN112016634A (zh) * | 2020-09-30 | 2020-12-01 | 北京百度网讯科技有限公司 | 医学图像识别方法、装置、设备以及存储介质 |
| CN113870270A (zh) * | 2021-08-30 | 2021-12-31 | 北京工业大学 | 一种统一框架下的眼底影像视杯、视盘分割方法 |
| CN114549541A (zh) * | 2020-11-10 | 2022-05-27 | 骞保民 | 一种基于眼底图像的心脑血管疾病发生种类及风险预测方法、系统、计算机设备及存储介质 |
-
2022
- 2022-07-04 CN CN202210778428.3A patent/CN114864093B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729929A (zh) * | 2017-09-30 | 2018-02-23 | 百度在线网络技术（北京）有限公司 | 用于获取信息的方法及装置 |
| CN110097966A (zh) * | 2018-01-30 | 2019-08-06 | 中国移动通信有限公司研究院 | 一种信息提醒方法、装置及终端设备 |
| CN109686440A (zh) * | 2018-12-20 | 2019-04-26 | 深圳市新产业眼科新技术有限公司 | 一种在线智能诊断云平台及其运行方法和可读存储介质 |
| CN109829490A (zh) * | 2019-01-22 | 2019-05-31 | 上海鹰瞳医疗科技有限公司 | 修正向量搜索方法、目标分类方法及设备 |
| US20200260944A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and device for recognizing macular region, and computer-readable storage medium |
| CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
| CN112016634A (zh) * | 2020-09-30 | 2020-12-01 | 北京百度网讯科技有限公司 | 医学图像识别方法、装置、设备以及存储介质 |
| CN114549541A (zh) * | 2020-11-10 | 2022-05-27 | 骞保民 | 一种基于眼底图像的心脑血管疾病发生种类及风险预测方法、系统、计算机设备及存储介质 |
| CN113870270A (zh) * | 2021-08-30 | 2021-12-31 | 北京工业大学 | 一种统一框架下的眼底影像视杯、视盘分割方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115148323A (zh) * | 2022-09-06 | 2022-10-04 | 北京鹰瞳科技发展股份有限公司 | 基于医学图像进行疾病预测的装置、方法和可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114864093B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7058373B2 (ja) | 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体 | |
| KR102014364B1 (ko) | 수술영상을 이용한 출혈 평가 방법 및 장치 | |
| US20240062369A1 (en) | Detection model training method and apparatus, computer device and storage medium | |
| WO2021008328A1 (zh) | 图像处理方法、装置、终端及存储介质 | |
| US11200483B2 (en) | Machine learning method and apparatus based on weakly supervised learning | |
| US20190191988A1 (en) | Screening method for automated detection of vision-degenerative diseases from color fundus images | |
| JP2021520568A (ja) | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム | |
| CN110163844B (zh) | 眼底病灶检测方法、装置、计算机设备及存储介质 | |
| CN111832581B (zh) | 肺部特征识别方法、装置、计算机设备及存储介质 | |
| WO2021190656A1 (zh) | 眼底图像黄斑中心定位方法及装置、服务器、存储介质 | |
| CN117392470B (zh) | 基于知识图谱的眼底图像多标签分类模型生成方法及系统 | |
| Xie et al. | Optic disc and cup image segmentation utilizing contour-based transformation and sequence labeling networks | |
| CN114864093B (zh) | 基于眼底图像进行疾病预测的装置、方法及存储介质 | |
| CN116452851A (zh) | 病症分类模型的训练方法、装置、终端及可读存储介质 | |
| CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
| CN115578783A (zh) | 基于眼部图像进行眼部疾病识别的装置、方法及相关产品 | |
| CN116958679A (zh) | 一种基于弱监督的目标检测方法及相关设备 | |
| WO2021093744A1 (zh) | 一种瞳孔直径的测量方法、装置及计算机可读存储介质 | |
| CN112541900A (zh) | 基于卷积神经网络的检测方法、装置、计算机设备及存储介质 | |
| US20220351533A1 (en) | Methods and systems for the automated quality assurance of annotated images | |
| CN114201613B (zh) | 试题生成方法、试题生成装置、电子设备以及存储介质 | |
| KR102591395B1 (ko) | 딥러닝 기반의 입천장심장얼굴 증후군(vcfs) 진단 지원 시스템 및 방법 | |
| CN114092427B (zh) | 一种基于多序列mri图像的克罗病与肠结核分类方法 | |
| Tripathi et al. | Generating OCT B-Scan DME images using optimized Generative Adversarial Networks (GANs) | |
| CN113222989A (zh) | 一种图像分级方法、装置、存储介质及电子设备 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240712 Address after: Room 01, 8th Floor, Building 1, No. 180 Yizhou Road, Xuhui District, Shanghai, 200233 Patentee after: SHANGHAI EAGLEVISION MEDICAL TECHNOLOGY Co.,Ltd. Country or region after: China Address before: 100081 room 21, 4th floor, building 2, National Defense Science Park, beiligong, Haidian District, Beijing Patentee before: Beijing Yingtong Technology Development Co.,Ltd. Country or region before: China |