CN115147273A - 一种基于域适应的眼科oct术后轮廓图生成方法及系统 - Google Patents
一种基于域适应的眼科oct术后轮廓图生成方法及系统 Download PDFInfo
- Publication number
- CN115147273A CN115147273A CN202210487626.4A CN202210487626A CN115147273A CN 115147273 A CN115147273 A CN 115147273A CN 202210487626 A CN202210487626 A CN 202210487626A CN 115147273 A CN115147273 A CN 115147273A
- Authority
- CN
- China
- Prior art keywords
- oct
- profile
- real
- image
- postoperative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012014 optical coherence tomography Methods 0.000 title claims description 292
- 230000002980 postoperative effect Effects 0.000 title claims description 140
- 230000006978 adaptation Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 40
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 7
- 239000012792 core layer Substances 0.000 claims description 6
- 239000010410 layer Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 210000004126 nerve fiber Anatomy 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 5
- 238000005516 engineering process Methods 0.000 abstract description 7
- 210000001525 retina Anatomy 0.000 abstract description 6
- 238000013526 transfer learning Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 13
- 230000001575 pathological effect Effects 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 206010038848 Retinal detachment Diseases 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 208000030533 eye disease Diseases 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000002301 subretinal fluid Anatomy 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000001351 Epiretinal Membrane Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 208000031471 Macular fibrosis Diseases 0.000 description 1
- 208000035719 Maculopathy Diseases 0.000 description 1
- 208000002367 Retinal Perforations Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 208000038015 macular disease Diseases 0.000 description 1
- 208000029233 macular holes Diseases 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 208000020911 optic nerve disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
- 210000004911 serous fluid Anatomy 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及视网膜图像仿真生成技术领域，公开了一种基于域适应的眼科OCT术后轮廓图生成方法，通过获得术前OCT图像对应的术前OCT轮廓图，根据术前OCT轮廓图通过基于域适应的眼科OCT术后轮廓图生成模型生成术后OCT轮廓图，简单高效，且生成的轮廓图的准确度高，利用术后OCT轮廓图，即可测量部分关键的病理指标，并不需要术后OCT图像辅助，医生也能一定程度上评估患者的术后恢复效果，实用性强；并且本发明有效融合深度学习和迁移学习技术，充分利用术前OCT图像及其特征，使得生成的术后OCT轮廓图更准确，特征细节更丰富。另外，本发明还提供一种基于上述方法的系统。
Description
技术领域
本发明涉及视网膜图像仿真生成技术领域，特别是涉及一种基于域适应的眼科OCT术后轮廓图生成方法及系统。
背景技术
眼科OCT检查，是光学相干断层扫描(optical coherence tomography)的缩写，它是一种利用光的干涉现象成像的断层扫描技术，并结合计算机图像技术，可以观察眼内的超微组织结构的横断面图像。它是一种分辨率高、成像快的非侵入性、非接触性的检查，被称为眼科的CT。OCT在视网膜疾病、黄斑疾病、视神经疾病、青光眼等临床研究方面有重要价值。它可为视网膜疾病，尤其是黄斑病的诊断及鉴别诊断提供有价值的的依据，可以观察细微病变的形态学改变，可直接进行组织测量，对眼底病变进行定量分析，可以发现一些极微小的眼底病变，可以鉴别血性与浆液性脱离；可为黄斑前膜、黄斑裂孔、黄斑下脉络膜新生血管膜、玻璃体黄斑牵引综合征等的手术适应症的选择提供有价值的资料，亦可作为评价手术治疗是否成功的依据之一；可以追踪某些病变的变化及治疗效果。
OCT在眼病诊断上效果有效，但费用却相对较高，某些眼病患者在术后需要随访，例如孔源性视网膜脱离(RRD)术后持续视网膜下积液(SRF)，包括术前、术后1个月和术后3个月均需要对患者进行相关的临床检查，期间需要进行多次OCT扫描，将给患者造成不小的经济负担。为了解决这个问题，有部分研究指出可以利用深度学习技术，根据术前OCT图像直接生成术后OCT图像，但由于OCT图像分辨率高以及配对标注数据有限，导致图像生成难度大且效果差，容易出现重影、模糊等问题，难以准确评估手术治疗效果。
现有技术公开了一种具有可行性和有效性的视网膜OCT疾病影像生成的方法，生成的OCT影像可用于扩充OCT疾病影像分类算法的训练数据集；该方法以条件生成对抗网络cGAN为基础，网络结构由生成器与判别器组成，通过将生成对抗损失函数cGAN loss与一种新型结构相似性损失函数SSIM loss相结合，将正常视网膜OCT影像转化成可用于补充分类模型训练集的OCT疾病影像。该专利通过训练生成对抗网络，根据已有的OCT影像自动生成多种病变的视网膜OCT影像，由于OCT图像分辨率高以及配对标注数据有限，导致图像生成难度大且效果差。
发明内容
本发明的目的是提供一种简单高效、准确率高的基于域适应的眼科OCT术后轮廓图生成方法及系统。
为了实现上述目的，本发明提供了一种基于域适应的眼科OCT术后轮廓图生成方法，包括如下步骤：
S1、收集不同眼底疾病的术前OCT图像A和术后OCT图像B作为数据集；
S2、根据眼底疾病的种类，将数据集分为不同领域；
S3、根据术前OCT图像A，获得术前OCT轮廓图AL；根据与术前OCT图像A相对应的术后OCT图像B，获取术后真实轮廓图real_BL，构成新的数据集；
S4、构建基于域适应的眼科OCT术后轮廓图生成模型，基于域适应的眼科OCT术后轮廓图生成模型包括生成器G1、判别器D1和域分类器C，将S3获得的数据集送入基于域适应的眼科OCT术后轮廓图生成模型进行训练，包括：
S4.1通过卷积神经网络对术前OCT轮廓图AL进行特征提取，并转化为张量表示；之后输入生成器G1，得到预测生成的术后生成轮廓图fake_BL；
S4.2、将术前OCT轮廓图AL、术后真实轮廓图real_BL和术后生成轮廓图fake_BL输入判别器D1，根据判别结果计算判别器损失loss_D1并更新判别器D1的参数；
S4.3、将术前OCT轮廓图AL、术后真实OCT轮廓图real_BL和术后生成轮廓图fake_BL输入域分类器C，根据对领域的判别结果计算域分类器损失loss_C并更新域分类器C的参数；
S4.4、计算生成器损失loss_G1并更新生成器G1的参数，其中，判别器D1和域分类器C的判别结果参与生成器损失loss_G；
S4.5、重复步骤S4.2、S4.3和S4.4，直至训练结束，得到训练好的基于域适应的眼科OCT术后轮廓图生成模型；
S5、获取新拍摄的术前OCT图像对应的术前OCT轮廓图，将新拍摄的术前OCT图像对应的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，输出相应的术后生成OCT轮廓图。
作为优选方案，在步骤S4.2中，将术前OCT轮廓图AL和术后生成轮廓图fake_BL拼接起来，得到negative_img_D1，再将negative_img_D1送入判别器D1，得到张量pred_fake_D1，判别器D1为其打上标签0，即判别器D1认为这张图是假的，计算pred_fake_D1的GAN损失loss_D1_fake；
将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL拼接起来，得到positive_img_D1，再将positive_img_D1送入判别器D1，得到pred_real_D1，判别器D1为其打上标签1，即判别器D1认为这张图是真的，计算pred_real_D1的GAN损失loss_D1_real；
将loss_D1_fake和loss_D1_real的GAN损失相加，得到判别器损失loss_D1。
作为优选方案，在步骤S4.3中，将术前OCT轮廓图AL和术后生成轮廓图fake_BL拼接起来，得到negative_img_C，再将negative_img_C送入域分类器C，得到张量pred_fake_C，域分类器C打上的标签不为其所在领域对应的标签，即域分类器C未判别出这张图所在正确的领域，计算pred_fake_C的GAN损失loss_C_fake；
将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL拼接起来，得到positive_img_C，再将positive_img_C送入域分类器C，得到pred_real_C，域分类器C打上其所在领域对应的标签，即域分类器C判别出这张图所在的领域，计算pred_real_C的GAN损失loss_C_real；
将loss_C_fake和loss_C_real的GAN损失相加，得到域分类器损失loss_C。
作为优选方案，在步骤S4.4中，包括：
S4.4.1、获取步骤S4.2中的pred_real_D1的GAN损失loss_D1_real；
S4.4.2、获取步骤4.3中的pred_fake_C的GAN损失loss_C_fake；
S4.4.3、计算步骤S4.2中的pred_fake_D1和pred_real_D1的逐像素损失L1；
S4.4.3、计算步骤S4.3中的pred_fake_C和pred_real_C的逐像素损失L2；
S4.4.5、计算术前OCT图像A和术后生成轮廓图fake_BL的VGG特征损失，记为loss_G_VGG；
S4.4.6、将loss_D1_real、loss_C_fake、L1、L2和loss_G_VGG相加，得到生成器损失loss_G。
作为优选方案，判别器D1和域分类器C均为多尺度判别器。
作为优选方案，生成器G1包括全局生成器网络G1.1和局部增强网络G1.2，全局生成器网络G1.1的输入和输出的分辨率一致，局部增强网络G1.2的输出尺寸是输入尺寸的4倍；局部增强网络G1.2用于将全局生成器网络G1.1生成的图像的分辨率扩大，在训练时，将术前OCT轮廓图AL输入全局生成器网络G1.1，将全局生成器网络G1输出的图像输入局部增强网络G1.2。
作为优选方案，全局生成器网络G1.1的网络结构为U-Net，负责图像特征的编码解码。
作为优选方案，在步骤S2中，通过对术前OCT图像A和术后OCT图像B中的神经纤维层内表面、内核层内表面、外核层内表面、椭圆体带以及RPE外表面进行描边得到术前OCT轮廓图AL和术后真实轮廓图real_BL。
作为优选方案，在步骤S2中，将术前OCT图像A输入术前OCT轮廓图生成模型，输出术前OCT轮廓图AL；术前轮廓图生成模型为生成对抗网络；术前轮廓图生成模型包括生成器G2和判别器D2。
本发明还提供一种基于域适应的眼科OCT术后轮廓图生成系统，包括：
数据获取模块，用于获取不同眼底疾病的术前OCT图像和术后OCT图像以构成数据集；
分类模块，用于根据眼底疾病的种类将数据集分为不同领域；
轮廓图像获取模块，用于根据术前OCT图像A，获得术前OCT轮廓图AL；根据与术前OCT图像A相对应的术后OCT图像B，获取术后真实轮廓图real_BL；
模型构建模块，用于构建基于域适应的眼科OCT术后轮廓图生成模型，基于域适应的眼科OCT术后轮廓图生成模型包括生成器G1、判别器D1和域分类器C，生成器G1用于根据术前OCT图像A生成术后生成轮廓图fake_BL，判别器D1用于对术后生成轮廓图fake_BL和术后真实OCT轮廓图real_BL进行判别，域分类器C用于对术后生成轮廓图fake_BL和术后真实OCT轮廓图real_BL的领域进行判别；
损失函数构建模块，用于构建多目标损失函数；多目标损失函数包括生成器G1的损失函数、判别器D1的损失函数和域分类器C的损失函数；
训练模块，用于将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL构成的样本作为基于域适应的眼科OCT术后轮廓图生成模型的输入，基于多目标损失函数对基于域适应的眼科OCT术后轮廓图生成模型进行迭代训练，得到训练好的基于域适应的眼科OCT术后轮廓图生成模型；
应用模块，用于将新拍摄的术前OCT图像对应的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，得到相应的术后生成OCT轮廓图。
与现有技术相比，本发明的有益效果在于：
本发明通过获得术前OCT图像对应的术前OCT轮廓图，根据术前OCT轮廓图通过基于域适应的眼科OCT术后轮廓图生成模型生成术后OCT轮廓图，相比直接生成高分辨率、纹理信息复杂的术后OCT图像，其技术难度明显降低，简单高效，且生成的轮廓图噪声极小，使生成的轮廓图的准确度高，利用术后OCT轮廓图，即可测量部分关键的病理指标，并不需要术后OCT图像辅助，医生也能一定程度上评估患者的术后恢复效果，实用性强；并且，不同眼底疾病的术前OCT图像及其术后OCT轮廓图之间内在联系具有一定相似性，本发明利用迁移学习技术整合源领域和目标领域多个来源的数据，有效扩大训练数据规模，改善了深度学习模型训练效果。
附图说明
图1是本发明实施例的基于域适应的眼科OCT术后轮廓图生成方法的流程图。
图2是本发明实施例的基于域适应的眼科OCT术后轮廓图生成模型的框架图。
图3是本发明实施例的基于域适应的眼科OCT术后轮廓图生成模型的判别器D1的框架图。
图4是本发明实施例的基于域适应的眼科OCT术后轮廓图生成模型的域分类器C的框架图。
图5是本发明实施例的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1框架图。
图6是本发明实施例的基于域适应的眼科OCT术后轮廓图生成模型的全局生成器网络G1.1框架图。
图7是本发明实施例的基于域适应的眼科OCT术后轮廓图生成系统的原理框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例一
如图1至图6所示，本发明优选实施例的一种基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，包括如下步骤：
S1、收集不同眼底疾病的术前OCT图像A和术后OCT图像B作为数据集；
S2、根据眼底疾病的种类，将数据集分为不同领域；
S3、根据术前OCT图像A，获得术前OCT轮廓图AL；根据与术前OCT图像A相对应的术后OCT图像B，获取术后真实轮廓图real_BL，构成新的数据集；
S4、构建基于域适应的眼科OCT术后轮廓图生成模型，基于域适应的眼科OCT术后轮廓图生成模型包括生成器G1、判别器D1和域分类器C，将S3获得的数据集送入基于域适应的眼科OCT术后轮廓图生成模型进行训练，包括：
S4.1通过卷积神经网络对术前OCT轮廓图AL进行特征提取，并转化为张量(多维向量)表示；之后输入生成器G1，得到预测生成的术后生成轮廓图fake_BL；
S4.2、将术前OCT轮廓图AL、术后真实轮廓图real_BL和术后生成轮廓图fake_BL输入判别器D1，根据判别结果计算判别器损失loss_D1并更新判别器D1的参数；
S4.3、将术前OCT轮廓图AL、术后真实OCT轮廓图real_BL和术后生成轮廓图fake_BL输入域分类器C，根据对领域的判别结果计算域分类器损失loss_C并更新域分类器C的参数；
S4.4、计算生成器损失loss_G1并更新生成器G1的参数，其中，判别器D1和域分类器C的判别结果参与生成器损失loss_G；
S4.5、重复步骤S4.2、S4.3和S4.4，直至训练结束，得到训练好的基于域适应的眼科OCT术后轮廓图生成模型；本实施例的训练直至验证集指标趋于最优，即可停止训练，防止过拟合；
S5、获取新拍摄的术前OCT图像对应的术前OCT轮廓图，将新拍摄的术前OCT图像对应的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，输出相应的术后生成OCT轮廓图。
本实施例通过获得术前OCT图像对应的术前OCT轮廓图，根据术前OCT轮廓图通过基于域适应的眼科OCT术后轮廓图生成模型生成术后OCT轮廓图，相比直接生成高分辨率、纹理信息复杂的术后OCT图像，其技术难度明显降低，简单高效，且生成的轮廓图噪声极小，使生成的轮廓图的准确度高，利用术后OCT轮廓图，即可测量部分关键的病理指标，并不需要术后OCT图像辅助，医生也能一定程度上评估患者的术后恢复效果，实用性强；并且，不同眼底疾病的术前OCT图像及其术后OCT轮廓图之间内在联系具有一定相似性，本实施例利用迁移学习技术整合源领域和目标领域多个来源的数据，有效扩大训练数据规模，改善了深度学习模型训练效果。本实施例有效融合深度学习和迁移学习技术，充分利用术前OCT图像及其特征，预测并生成患者的术后OCT轮廓图，进而计算相关病理指标，有效辅助医生评估患者术后恢复效果。通过迁移学习，使本发明所提出的模型考虑多模态数据，训练数据来自多个领域，而非单一模态数据，综合考虑多个因素，使得生成的术后OCT轮廓图更准确，特征细节更丰富。
本实施例的轮廓图是对神经纤维层内表面、内核层内表面、外核层内表面、椭圆体带以及RPE外表面描边获得的。
在实施例中，基于域适应的眼科OCT术后轮廓图生成模型为生成对抗网络。步骤S2中，术前OCT轮廓图AL是眼科医生对术前OCT图像A进行轮廓标注获得的。将术前OCT轮廓图AL与其对应的术后真实OCT轮廓图real_BL进行配对，作为标注样本训练网络，实现由术前OCT轮廓图AL自动生成术后生成轮廓图fake_BL。基于域适应的眼科OCT术后轮廓图生成模型主要由三部分组成：生成器G1、判别器D1和域分类器C。训练用的数据包括源领域和目标领域，所谓领域指的是OCT图像对应患病种类的数据集，为了使生成的OCT轮廓图拥有准确的目标特征，将数据集划分为源领域和目标领域，输入术前OCT轮廓图AL和术后真实OCT轮廓图real_BL配对数据可能来自源领域或目标领域。在对抗训练过程中，模型首先提取术前OCT轮廓图AL和术后真实OCT轮廓图real_BL配对数据的图像特征，之后分别送入判别器D1和域分类器C，对其进行损失计算并迭代判别器D1和域分类器C的网络参数，使得判别器D1能够辨别术后真实OCT轮廓图real_BL和术后生成轮廓图fake_BL，而域分类器C无法识别术前OCT轮廓图AL的来源领域，最后固定判别器D1和域分类器C网络参数，由生成器G1生成准确的术后生成轮廓图fake_BL。
可选地，本实施例的判别器D1和域分类器C均为多尺度判别器。
具体地，在步骤S2中，通过眼科医生对术前OCT图像A和术后OCT图像B中的神经纤维层内表面、内核层内表面、外核层内表面、椭圆体带以及RPE外表面进行描边得到术前OCT轮廓图AL和术后真实轮廓图real_BL。
更新判别器D1，可降低其损失函数计算得到的损失值，即判别器D1能准确区分由眼科医生标注得到的术后真实轮廓图real_BL和术后生成轮廓图fake_BL，对抗训练完成后的判别器D1却对术后真实轮廓图real_BL和术后生成轮廓图fake_BL区分困难，即说明术后生成轮廓图fake_BL拥有术后真实轮廓图real_BL的图像特征，可视为生成图像准确。本实施例在步骤S4.2中，将术前OCT轮廓图AL和术后生成轮廓图fake_BL拼接起来，得到negative_img_D1，再将negative_img_D1送入判别器D1，得到张量pred_fake_D1，判别器D1为其打上标签0，即判别器D1认为这张图是假的，计算pred_fake_D1的GAN损失loss_D1_fake；将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL拼接起来，得到positive_img_D1，再将positive_img_D1送入判别器D1，得到pred_real_D1，判别器D1为其打上标签1，即判别器D1认为这张图是真的，计算pred_real_D1的GAN损失loss_D1_real；将loss_D1_fake和loss_D1_real的GAN损失相加，得到判别器损失loss_D1。
另外，更新域分类器C，降低其损失函数计算得到的损失值，即域分类器C能准确区分图像领域来源，对生成器G1生成的术后生成轮廓图fake_BL的领域进行判别，当训练优化后的域分类器C无法识别术后生成轮廓图fake_BL的领域，即表示生成器G1生成的术后生成轮廓图fake_BL学习到了各个目标领域中术后真实轮廓图real_BL的共同特征，也就是所要生成的目标特征。本实施例在步骤S4.3中，将术前OCT轮廓图AL和术后生成轮廓图fake_BL拼接起来，得到negative_img_C，再将negative_img_C送入域分类器C，得到张量pred_fake_C，域分类器C打上的标签不为其所在领域对应的标签，即域分类器C未判别出这张图所在正确的领域，计算pred_fake_C的GAN损失loss_C_fake；将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL拼接起来，得到positive_img_C，再将positive_img_C送入域分类器C，得到pred_real_C，域分类器C打上其所在领域对应的标签，即域分类器C判别出这张图所在的领域，计算pred_real_C的GAN损失loss_C_real；将loss_C_fake和loss_C_real的GAN损失相加，得到域分类器损失loss_C。
此外，更新生成器G1，降低其损失函数计算得到的损失值，使其生成的图像足够真实，且拥有目标生成图像的主要特征。生成器G1包括全局生成器网络G1.1和局部增强网络G1.2，全局生成器网络G1.1的输入和输出的分辨率一致(如1024*512)，局部增强网络G1.2的输出尺寸(2048*1024)是输入尺寸(1024*512)的4倍，即局部增强网络G1.2输出图像的高度和宽度均为输入图像的2倍；局部增强网络G1.2用于将全局生成器网络G1.1生成的图像的分辨率扩大，在训练时，将术前OCT轮廓图AL输入全局生成器网络G1.1，将全局生成器网络G1输出的图像输入局部增强网络G1.2。全局生成器网络G1.1的网络结构为U-Net，负责图像特征的编码解码；局部增强网络G1.2则使模型可以生成分辨率更高的图像。
本实施例在步骤S4.4中，包括：
S4.4.1、获取步骤S4.2中的pred_real_D1的GAN损失loss_D1_real；
S4.4.2、获取步骤4.3中的pred_fake_C的GAN损失loss_C_fake；
S4.4.3、计算步骤S4.2中的pred_fake_D1和pred_real_D1的逐像素损失L1；
S4.4.3、计算步骤S4.3中的pred_fake_C和pred_real_C的逐像素损失L2；
S4.4.5、计算术前OCT图像A和术后生成轮廓图fake_BL的VGG特征损失，记为loss_G_VGG；
S4.4.6、将loss_D1_real、loss_C_fake、L1、L2和loss_G_VGG相加，得到生成器损失loss_G。
生成器G1的损失函数由GAN损失、逐像素损失和VGG损失三部分组成，有利于模型参数优化。可选地，可使用MSE函数、BCE函数等计算GAN损失。
因此，本实施例首先收集收集患者的术前OCT图像A和配对的术后OCT图像B，收集的图像包含多种眼底疾病，要求图像清晰且分辨率高，用以训练深度迁移学习模型——基于域适应的眼科OCT术后轮廓图生成模型，并且采用医学专业处理过的数据集对该模型进行训练，使得优化后的模型权重参数能够带来更好的图像生成效果；本实施例是采用由糖网、RVO和AMD的OCT图像构成的三个数据集对模型进行训练的；然后将收集到的OCT图像数据集进行分类并打上领域标签，之后进行OCT轮廓图标注，并进行预处理操作，保留512*512的图像数据；接着对基于域适应的眼科OCT术后轮廓图生成模型进行训练，将术后真实轮廓图real_BL经卷积神经网络提取特征后，送入判别器D1与域分类器C训练；术前OCT轮廓图AL分别输入生成器G1、判别器D1及域分类器C进行训练，并在验证集指标出现过拟合前停止迭代并保留各自模型权重。并且进行损失函数的计算，依据计算得到的损失函数值对模型的权重参数值进行调整，使其函数值最小，得到更小的损失函数结果以及优化后的模型权重，由此迭代生成器G1、判别器D1和域分类器C的网络参数，使生成器G1能准确生成OCT术后轮廓图。本实施例融合深度学习和迁移学习，通过扩大训练数据规模，更准确地提取多种眼病OCT图像的特征，改善术后OCT轮廓图生成结果，有效提升模型预测能力。
实施例二
本实施例与实施例一的区别在于，在实施例一的基础上，本实施例还包括术前OCT轮廓图生成模型
在步骤S2中，将术前OCT图像A输入术前轮廓图生成模型，输出术前OCT轮廓图AL；术前轮廓图生成模型为生成对抗网络；术前轮廓图生成模型包括生成器G2和判别器D2。由术前轮廓图生成模型根据术前OCT图像A生成的术前OCT轮廓图AL对基于域适应的眼科OCT术后轮廓图生成模型进行训练，能够减轻标注的工作量。
在步骤S5中，将新拍摄的术前OCT图像输入训练好的术前轮廓图生成模型后，输出相应的术前OCT轮廓图。再将术前轮廓图生成模型输出的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，输出相应的术后生成OCT轮廓图。
因此，本实施例的方法包括两个阶段，第一阶段，训练术前轮廓图生成模型，使术前轮廓图生成模型能够生成准确的术前OCT轮廓图；第二阶段，训练基于域适应的眼科OCT术后轮廓图生成模型，使基于域适应的眼科OCT术后轮廓图生成模型能够根据术前OCT轮廓图生成准确的术后OCT轮廓图。
可选地，本实施例的术前轮廓图生成模型可采用经典pix2pix、pix2pixHD和SPADE等模型，实现术前OCT图像到术前OCT轮廓图的转换。
本实施例的其他步骤与实施例一相同，此处不再赘述。
实施例三
本实施例提出一种基于实施例一或实施例二的基于域适应的眼科OCT术后轮廓图生成方法的系统，包括：
数据获取模块，用于获取不同眼底疾病的术前OCT图像和术后OCT图像以构成数据集；
分类模块，用于根据眼底疾病的种类将数据集分为不同领域；
轮廓图像获取模块，用于根据术前OCT图像A，获得术前OCT轮廓图AL；根据与术前OCT图像A相对应的术后OCT图像B，获取术后真实轮廓图real_BL；
模型构建模块，用于构建基于域适应的眼科OCT术后轮廓图生成模型，基于域适应的眼科OCT术后轮廓图生成模型包括生成器G1、判别器D1和域分类器C，生成器G1用于根据术前OCT图像A生成术后生成轮廓图fake_BL，判别器D1用于对术后生成轮廓图fake_BL和术后真实OCT轮廓图real_BL进行判别，域分类器C用于对术后生成轮廓图fake_BL和术后真实OCT轮廓图real_BL的领域进行判别；
损失函数构建模块，用于构建多目标损失函数；多目标损失函数包括生成器G1的损失函数、判别器D1的损失函数和域分类器C的损失函数；
训练模块，用于将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL构成的样本作为基于域适应的眼科OCT术后轮廓图生成模型的输入，基于多目标损失函数对基于域适应的眼科OCT术后轮廓图生成模型进行迭代训练，得到训练好的基于域适应的眼科OCT术后轮廓图生成模型；
应用模块，用于将新拍摄的术前OCT图像对应的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，得到相应的术后生成OCT轮廓图。
综上，本发明实施例提供一种基于域适应的眼科OCT术后轮廓图生成方法，其通过获得术前OCT图像对应的术前OCT轮廓图，根据术前OCT轮廓图通过基于域适应的眼科OCT术后轮廓图生成模型生成术后OCT轮廓图，相比直接生成高分辨率、纹理信息复杂的术后OCT图像，其技术难度明显降低，简单高效，且生成的轮廓图噪声极小，使生成的轮廓图的准确度高，利用术后OCT轮廓图，即可测量部分关键的病理指标，并不需要术后OCT图像辅助，医生也能一定程度上评估患者的术后恢复效果，实用性强；并且，不同眼底疾病的术前OCT图像及其术后OCT轮廓图之间内在联系具有一定相似性，本实施例利用迁移学习技术整合源领域和目标领域多个来源的数据，有效扩大训练数据规模，改善了深度学习模型训练效果。本实施例有效融合深度学习和迁移学习技术，充分利用术前OCT图像及其特征，预测并生成患者的术后OCT轮廓图，进而计算相关病理指标，有效辅助医生评估患者术后恢复效果。通过迁移学习，使本发明所提出的模型考虑多模态数据，训练数据来自多个领域，而非单一模态数据，综合考虑多个因素，使得生成的术后OCT轮廓图更准确，特征细节更丰富。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，包括如下步骤：
S1、收集不同眼底疾病的术前OCT图像A和术后OCT图像B作为数据集；
S2、根据眼底疾病的种类，将数据集分为不同领域；
S3、根据术前OCT图像A，获得术前OCT轮廓图AL；根据与术前OCT图像A相对应的术后OCT图像B，获取术后真实轮廓图real_BL，构成新的数据集；
S4、构建基于域适应的眼科OCT术后轮廓图生成模型，基于域适应的眼科OCT术后轮廓图生成模型包括生成器G1、判别器D1和域分类器C，将S3获得的数据集送入基于域适应的眼科OCT术后轮廓图生成模型进行训练，包括：
S4.1通过卷积神经网络对术前OCT轮廓图AL进行特征提取，并转化为张量表示；之后输入生成器G1，得到预测生成的术后生成轮廓图fake_BL；
S4.2、将术前OCT轮廓图AL、术后真实轮廓图real_BL和术后生成轮廓图fake_BL输入判别器D1，根据判别结果计算判别器损失loss_D1并更新判别器D1的参数；
S4.3、将术前OCT轮廓图AL、术后真实OCT轮廓图real_BL和术后生成轮廓图fake_BL输入域分类器C，根据对领域的判别结果计算域分类器损失loss_C并更新域分类器C的参数；
S4.4、计算生成器损失loss_G1并更新生成器G1的参数，其中，判别器D1和域分类器C的判别结果参与生成器损失loss_G；
S4.5、重复步骤S4.2、S4.3和S4.4，直至训练结束，得到训练好的基于域适应的眼科OCT术后轮廓图生成模型；
S5、获取新拍摄的术前OCT图像对应的术前OCT轮廓图，将新拍摄的术前OCT图像对应的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，输出相应的术后生成OCT轮廓图。
2.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，在步骤S4.2中，将术前OCT轮廓图AL和术后生成轮廓图fake_BL拼接起来，得到negative_img_D1，再将negative_img_D1送入判别器D1，得到张量pred_fake_D1，判别器D1为其打上标签0，即判别器D1认为这张图是假的，计算pred_fake_D1的GAN损失loss_D1_fake；
将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL拼接起来，得到positive_img_D1，再将positive_img_D1送入判别器D1，得到pred_real_D1，判别器D1为其打上标签1，即判别器D1认为这张图是真的，计算pred_real_D1的GAN损失loss_D1_real；
将loss_D1_fake和loss_D1_real的GAN损失相加，得到判别器损失loss_D1。
3.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，在步骤S4.3中，将术前OCT轮廓图AL和术后生成轮廓图fake_BL拼接起来，得到negative_img_C，再将negative_img_C送入域分类器C，得到张量pred_fake_C，域分类器C打上的标签不为其所在领域对应的标签，即域分类器C未判别出这张图所在正确的领域，计算pred_fake_C的GAN损失loss_C_fake；
将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL拼接起来，得到positive_img_C，再将positive_img_C送入域分类器C，得到pred_real_C，域分类器C打上其所在领域对应的标签，即域分类器C判别出这张图所在的领域，计算pred_real_C的GAN损失loss_C_real；
将loss_C_fake和loss_C_real的GAN损失相加，得到域分类器损失loss_C。
4.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，在步骤S4.4中，包括：
S4.4.1、获取步骤S4.2中的pred_real_D1的GAN损失loss_D1_real；
S4.4.2、获取步骤4.3中的pred_fake_C的GAN损失loss_C_fake；
S4.4.3、计算步骤S4.2中的pred_fake_D1和pred_real_D1的逐像素损失L1；
S4.4.3、计算步骤S4.3中的pred_fake_C和pred_real_C的逐像素损失L2；
S4.4.5、计算术前OCT图像A和术后生成轮廓图fake_BL的VGG特征损失，记为loss_G_VGG；
S4.4.6、将loss_D1_real、loss_C_fake、L1、L2和loss_G_VGG相加，得到生成器损失loss_G。
5.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，判别器D1和域分类器C均为多尺度判别器。
6.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，生成器G1包括全局生成器网络G1.1和局部增强网络G1.2，全局生成器网络G1.1的输入和输出的分辨率一致，局部增强网络G1.2的输出尺寸是输入尺寸的4倍；局部增强网络G1.2用于将全局生成器网络G1.1生成的图像的分辨率扩大，在训练时，将术前OCT轮廓图AL输入全局生成器网络G1.1，将全局生成器网络G1输出的图像输入局部增强网络G1.2。
7.根据权利要求6述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，全局生成器网络G1.1的网络结构为U-Net，负责图像特征的编码解码。
8.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，在步骤S2中，通过对术前OCT图像A和术后OCT图像B中的神经纤维层内表面、内核层内表面、外核层内表面、椭圆体带以及RPE外表面进行描边得到术前OCT轮廓图AL和术后真实轮廓图real_BL。
9.根据权利要求1所述的基于域适应的眼科OCT术后轮廓图生成方法，其特征在于，在步骤S2中，将术前OCT图像A输入术前OCT轮廓图生成模型，输出术前OCT轮廓图AL；术前轮廓图生成模型为生成对抗网络；术前轮廓图生成模型包括生成器G2和判别器D2。
10.一种基于域适应的眼科OCT术后轮廓图生成系统，其特征在于，包括：
数据获取模块，用于获取不同眼底疾病的术前OCT图像和术后OCT图像以构成数据集；
分类模块，用于根据眼底疾病的种类将数据集分为不同领域；
轮廓图像获取模块，用于根据术前OCT图像A，获得术前OCT轮廓图AL；根据与术前OCT图像A相对应的术后OCT图像B，获取术后真实轮廓图real_BL；
模型构建模块，用于构建基于域适应的眼科OCT术后轮廓图生成模型，基于域适应的眼科OCT术后轮廓图生成模型包括生成器G1、判别器D1和域分类器C，生成器G1用于根据术前OCT图像A生成术后生成轮廓图fake_BL，判别器D1用于对术后生成轮廓图fake_BL和术后真实OCT轮廓图real_BL进行判别，域分类器C用于对术后生成轮廓图fake_BL和术后真实OCT轮廓图real_BL的领域进行判别；
损失函数构建模块，用于构建多目标损失函数；多目标损失函数包括生成器G1的损失函数、判别器D1的损失函数和域分类器C的损失函数；
训练模块，用于将术前OCT轮廓图AL和术后真实OCT轮廓图real_BL构成的样本作为基于域适应的眼科OCT术后轮廓图生成模型的输入，基于多目标损失函数对基于域适应的眼科OCT术后轮廓图生成模型进行迭代训练，得到训练好的基于域适应的眼科OCT术后轮廓图生成模型；
应用模块，用于将新拍摄的术前OCT图像对应的术前OCT轮廓图输入训练好的基于域适应的眼科OCT术后轮廓图生成模型的生成器G1，得到相应的术后生成OCT轮廓图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487626.4A CN115147273A (zh) | 2022-05-06 | 2022-05-06 | 一种基于域适应的眼科oct术后轮廓图生成方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487626.4A CN115147273A (zh) | 2022-05-06 | 2022-05-06 | 一种基于域适应的眼科oct术后轮廓图生成方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115147273A true CN115147273A (zh) | 2022-10-04 |
Family
ID=83406851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210487626.4A Pending CN115147273A (zh) | 2022-05-06 | 2022-05-06 | 一种基于域适应的眼科oct术后轮廓图生成方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115147273A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2022
- 2022-05-06 CN CN202210487626.4A patent/CN115147273A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Imran et al. | Comparative analysis of vessel segmentation techniques in retinal images | |
| CN110010219B (zh) | 光学相干层析图像视网膜病变智能检测系统及检测方法 | |
| Köse et al. | Automatic segmentation of age-related macular degeneration in retinal fundus images | |
| CN102112044A (zh) | 自动杯盘比测量系统 | |
| EP3944185A1 (en) | Computer-implemented method, system and computer program product for detecting a retinal condition from eye fundus images | |
| Wu et al. | Gamma challenge: glaucoma grading from multi-modality images | |
| Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
| CN108618749B (zh) | 基于便携式数字化眼底照相机的视网膜血管三维重建方法 | |
| CN108416793B (zh) | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 | |
| ElTanboly et al. | An integrated framework for automatic clinical assessment of diabetic retinopathy grade using spectral domain OCT images | |
| CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
| Khandouzi et al. | Retinal vessel segmentation, a review of classic and deep methods | |
| CN113243887B (zh) | 一种老年黄斑变性智能诊疗仪 | |
| Manikandan et al. | Glaucoma Disease Detection Using Hybrid Deep Learning Model | |
| Abdelhafeez et al. | Skin cancer detection using neutrosophic c-means and fuzzy c-means clustering algorithms | |
| Jeevakala et al. | Artificial intelligence in detection and segmentation of internal auditory canal and its nerves using deep learning techniques | |
| Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
| CN115147273A (zh) | 一种基于域适应的眼科oct术后轮廓图生成方法及系统 | |
| Shaban et al. | Low-complexity computer-aided diagnosis for diabetic retinopathy | |
| Kumar et al. | Computational intelligence in eye disease diagnosis: a comparative study | |
| Hassan et al. | Automated segmentation and extraction of posterior eye segment using OCT scans | |
| Krishnamoorthi et al. | Hybrid feature vector based detection of Glaucoma | |
| Matsopoulos et al. | Detection of glaucomatous change based on vessel shape analysis | |
| Kugelman et al. | A review of generative adversarial network applications in optical coherence tomography image analysis | |
| Acosta-Mesa et al. | Cervical cancer detection using colposcopic images: a temporal approach |
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 |