CN115170492A - 一种基于ai技术的白内障患者术后视力智能预测评估系统 - Google Patents
一种基于ai技术的白内障患者术后视力智能预测评估系统 Download PDFInfo
- Publication number
- CN115170492A CN115170492A CN202210735202.5A CN202210735202A CN115170492A CN 115170492 A CN115170492 A CN 115170492A CN 202210735202 A CN202210735202 A CN 202210735202A CN 115170492 A CN115170492 A CN 115170492A
- Authority
- CN
- China
- Prior art keywords
- vision
- module
- prediction
- postoperative
- cataract
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/14—Arrangements specially adapted for eye photography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Ophthalmology & Optometry (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种基于AI技术的白内障患者术后视力智能预测评估系统,包括信息采集模块、黄斑OCT图像采集模块、图像分析模块、模型训练模块、视力预测模块和诊疗建议模块;信息采集模块用于采集个体用户基本信息;黄斑OCT图像采集模块用于采集患者黄斑OCT图像;图像分析模块用于对黄斑OCT图像采集模块采集的图像中黄斑外部形态特征进行自动提取分析;模型训练模块用于对视力预测模块进行训练;视力预测模块加载模型训练模块获得的最佳模型参数,并用于对白内障患者的术后视力进行预测;诊疗建议模块用于根据视力预测模块获得的预测术后视力,针对性地给出不同的诊疗建议。本发明能够根据患者术前黄斑OCT图像,准确快速地预测白内障患者术后视力。
Description
技术领域
本发明属于医疗图像处理领域,尤其是涉及一种基于AI技术的白内障患者术后视力智能预测评估系统。
背景技术
白内障是全球首位致盲眼病。随着平均寿命的延长和人口老龄化的加剧,白内障的发病率逐年上升。手术是治疗白内障的唯一有效方式。大多数患者在白内障手术后视力恢复良好。部分患者却由于复杂的眼底疾病,术后视力无法得到提高。
计算机视觉技术常用于图像快速智能处理领域,如图像分类、目标检测和目标检索等,计算机视觉模拟了人的视觉机制,具有检测速度快、成本低的优点。近年来,随着深度学习在计算机视觉领域的应用,特别是在医学影像领域取得了突破性的进展,以往依赖医生人工读片的传统阅片模式被打破,以数据驱动为基础的深度学习技术,让计算机通过影像学、医学图像处理技术结合计算机的分析计算,辅助发现病灶,提高诊断的准确率,在此基础上构建计算机辅助诊断系统,已经在很多疾病诊断上达到甚至超越人类医生的水平。
如公开号为CN112016634A的中国专利文献公开了一种医学图像识别方法,包括:将医学图像输入疾病分级网络,获取疾病分级网络输出的类别激活图及其疾病类别和疾病置信度,类别激活图能够表征医学图像中指示相应疾病类别的相关区域,疾病类别的划分与一种或多种病灶相关;将医学图像输入病理体征识别网络,获取病理体征识别网络输出的一个或多个病灶概率图,其中,每一个病灶概率图的每一个像素指示医学图像中相应的一个子区域包括病灶的概率,并且在相应的疾病置信度大于预设置信度的情况下,类别激活图和相关的一个或多个病灶概率图中每一个病灶概率图之间的相似度均大于设定的阈值。
黄斑是视网膜上视力最敏锐的部位,是决定白内障患者术后视力好坏的重要因素。光学相干断层扫描(optical coherence tomography,OCT)是一种无创的视网膜成像方法,有助于眼科医生定性和定量地评估黄斑区的微观结构变化。然而,目前大多数临床医生主要通过经验性分析OCT图像粗略地判断黄斑功能,目前尚无基于大样本的标准化AI评估系统来准确预测白内障患者的术后视力。
在白内障术前预测视力可以帮助医生对术后视力可能无法改善的患者做出合理的手术决策,减轻患者的经济负担,避免医疗资源不必要的浪费,同时有助于患者适当调整预期效果,避免矛盾纠纷的发生。因此,亟需涉及一种可以高效准确预测白内障患者术后视力系统。
发明内容
本发明提供了一种基于AI技术的白内障患者术后视力智能预测评估系统,能够根据患者术前黄斑OCT图像,准确快速地预测白内障患者术后视力,为临床医生为白内障患者制定合理的手术决策提供重要信息,促进医疗资源的合理有效利用。
一种基于AI技术的白内障患者术后视力智能预测评估系统,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中存有信息采集模块、黄斑OCT图像采集模块、图像分析模块、模型训练模块、视力预测模块和诊疗建议模块;
所述的信息采集模块用于采集个体用户基本信息,包括姓名、性别、年龄、眼别和术前视力;
所述的黄斑OCT图像采集模块用于采集患者黄斑OCT图像;
所述的图像分析模块用于对黄斑OCT图像采集模块采集的图像中黄斑外部形态特征进行自动提取分析;具体为:通过快速去噪消除图片噪声,通过膨胀腐蚀过滤离散白点块,通过Canny算子进行边缘检测,进行黄斑 ILM分层,通过分层后的ILM边界线进行角度校准,通过校准后使用U-Net 分割网络进行RPE分层,通过提取的ILM和RPE层进行外部形态特征提取;
所述的模型训练模块用于对视力预测模块进行训练,以图像分析模块中提取的黄斑外部形态特征、图像以及术前视力作为输入,以术后视力作为标签进行深度学习模型训练;
所述的视力预测模块加载模型训练模块获得的最佳模型参数,并用于对白内障患者的术后视力进行预测;
所述的诊疗建议模块用于根据视力预测模块获得的预测术后视力,针对性地给出不同的诊疗建议。
进一步地,所述黄斑OCT图像采集模块采集患者黄斑图像时,能够清楚直观了解眼底黄斑区视网膜各层细胞组织结构和病变分布,清楚地显示黄斑区各种病变的形态大小、边界,具有简单快速的优点。
进一步地,所述的图像分析模块中,U-Net分割网络包括8层卷积层和池化层,其中4层用于下采样,其余4层用于上采样。
进一步地,所述的图像分析模块中,提取的黄斑外部形态特征包括:颞侧视网膜厚度最大值、颞侧最大斜率值、黄斑中心凹厚度、鼻侧视网膜厚度最大值、鼻侧最大斜率值、凹坑深度和中心凹直径。
进一步地,所述的视力预测模块由基于深度学习算法的两个部分组成;第一部分是卷积神经网络,用于从OCT图像中提取全局特征;第二部分是注意力融合网络,用于融合每个模态的嵌入,包括黄斑外部形态特征,图像特征和术前视力特征,通过Transformer层进行模态融合,并预测术后视力。
进一步地,第一部分的卷积神经网络中,包括四个stage,每个stage 由3个残差块组成,每个残差块由2个1x1卷积、1个3*3卷积、1个池化层和1个激活层组成。
进一步地,第二部分的注意力融合网络中,包括20层Transformer和 1层Head,每层Transformer由两个归一层、一个注意力层和一个前馈网络层组成;Head层由两层全连接层组成。
进一步地,所述的模型训练模块对视力预测模块进行训练时,使用 SGD对模型进行优化,以最小化均方根误差RMSE计算损失函数;最大训练次数设定为1200次,初始学习率设置为0.01。
原始数据集以6:2:2的比例被随机划分为训练集、验证集、测试集三部分。每训练一轮后,用验证集对模型进行验证,待训练次数全部完成后,用测试集对训练完成后的最终模型进行测试,以此评价分类模型的性能。
进一步地,所述的诊疗建议模块根据视力预测模块得到的白内障患者的术后视力,通过与信息采集模块采集的术前视力比较,判断是否需要白内障手术,其判断标准是:术后视力提高≥0.2logMAR时建议患者手术。
与现有技术相比,本发明具有以下有益效果:
1、本发明对患者术前黄斑OCT图像特征进行提取分析,然后采用深度学习算法进行模型训练,能够准确快速地预测白内障患者术后视力,针对性地给出不同的诊疗建议。
2、本发明能简单快速地根据白内障患者术前黄斑OCT图像预测患者术后视力的恢复程度,利用深度学习人工智能系统进行模型训练,并构建了诊疗建议模块,为临床医生为白内障患者制定合理的手术决策提供重要信息,促进医疗资源的合理有效应用。
附图说明
图1为本发明一种基于AI技术的白内障患者术后视力智能预测评估系统的整体流程图;
图2为本发明中图像分析模块中U-Net网络的结构示意图;
图3为黄斑外部形态特征提取示意图;
图4为本发明中模型训练模块对视力预测模块进行训练的示意图;
图5为本发明中诊疗建议模块的示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于AI技术的白内障患者术后视力智能预测系统,包括信息采集模块、黄斑OCT图像采集模块、图像分析模块、模型训练模块、视力预测模块、诊疗建议模块。
信息采集模块用于采集个体用户基本信息,包括:姓名、性别、年龄、眼别、术前视力等信息。黄斑OCT图像采集模块用于采集患者黄斑OCT 图像,通过OCT设备进行采集,该设备的品牌可为海德堡、蔡司、科林等临床常用仪器。
图像分析模块是提取黄斑中心凹的形态,先通过opencv中的fastNlMeansDenoising函数进行去噪,然后使用膨胀和腐蚀操作进行边界增强和离散白点消除,再通过canny算法进行边缘检测获取ILM边界。获得检测的ILM边界后通过校准使ILM边界平行,再使用训练好的U-Net 网络进行RPE边界分割。如图2所示,U-Net网络会通过对图像进行先下采样进行特征编码,然后在上采样过程中引入跳入链接复制下采样的特征再进行上采样,使得特征在多个维度拼接,上采样后对每个像素进行前景和后景的预测。最后通过对ILM层和RPE层联合分析,通过计算获得黄斑特征,包括鼻侧视网膜厚度最大值、颞侧视网膜厚度最大值、黄斑中心凹深度、直径、厚度等5个特异性指标。
如图3所示,黄斑中心凹的形态特征被算法自动提取,五个标志点A、 B、C、D、E被自动识别。A点及E点分别代表ILM层颞侧和鼻侧斜率为0点,C点为黄斑中心凹凹坑斜率为0点,B点及D点分别代表ILM 层颞侧和鼻侧斜率最大点,从而提取黄斑中心凹的五个基本特征:鼻侧视网膜厚度最大值、颞侧视网膜厚度最大值、黄斑中心凹深度、直径、厚度。
如图4所示,模型训练模块是在图像分析模块提取的黄斑中心凹特异性形态数值的基础上,通过卷积神经网络多尺度的提取图像全局特征,使其更关注病变区域,将提取的2个视图的图像特征映射到256维,联合同样映射到256维的1个术前视力特征和黄斑外部形态特征进行拼接组合成一个4*256维的向量,然后通过注意力融合网络进行融合。注意力网络由多层Transformer构成,每层Transformer会通过自注意力机制对多模态特征进行学习,自注意力机制可以获得全局不同模态之间的依赖性和相关性,使得模型精度更高。通过多层Transformer可以实现多模态特征深度融合,利用术前视力特征和外部形态特征指导图片特征的学习,并通过分类头对学习到的特征进行聚合浓缩,最终根据分类头进行Head层预测最终结果。视力预测模块是根据模型训练模块得到的模型参数,加载到模型中从而实现输入OCT图像后即可对患者的术后视力进行预测。
如图5所示,诊疗建议模块是根据视力预测模块得到的白内障患者的术后视力,通过与信息采集模块采集的术前视力比较,判断是否需要白内障手术,其判断标准是:术后视力提高≥0.2logMAR时建议患者手术。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于AI技术的白内障患者术后视力智能预测评估系统,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于:所述计算机存储器中存有信息采集模块、黄斑OCT图像采集模块、图像分析模块、模型训练模块、视力预测模块和诊疗建议模块;
所述的信息采集模块用于采集个体用户基本信息,包括姓名、性别、年龄、眼别和术前视力;
所述的黄斑OCT图像采集模块用于采集患者黄斑OCT图像;
所述的图像分析模块用于对黄斑OCT图像采集模块采集的图像中黄斑外部形态特征进行自动提取分析,具体为:通过快速去噪消除图片噪声,通过膨胀腐蚀过滤离散白点块,通过Canny算子进行边缘检测,进行黄斑ILM分层,通过分层后的ILM边界线进行角度校准,通过校准后使用U-Net分割网络进行RPE分层,通过提取的ILM和RPE层进行外部形态特征提取;
所述的模型训练模块用于对视力预测模块进行训练,以图像分析模块中提取的黄斑外部形态特征、图像以及术前视力作为输入,以术后视力作为标签进行深度学习模型训练;
所述的视力预测模块加载模型训练模块获得的最佳模型参数,并用于对白内障患者的术后视力进行预测;
所述的诊疗建议模块用于根据视力预测模块获得的预测术后视力,针对性地给出不同的诊疗建议。
2.根据权利要求1所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,所述的图像分析模块中,U-Net分割网络包括8层卷积层和池化层,其中4层用于下采样,其余4层用于上采样。
3.根据权利要求1所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,所述的图像分析模块中,提取的黄斑外部形态特征包括:颞侧视网膜厚度最大值、颞侧最大斜率值、黄斑中心凹厚度、鼻侧视网膜厚度最大值、鼻侧最大斜率值、凹坑深度和中心凹直径。
4.根据权利要求1所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,所述的视力预测模块由基于深度学习算法的两个部分组成;第一部分是卷积神经网络,用于从OCT图像中提取全局特征;第二部分是注意力融合网络,用于融合每个模态的嵌入,包括黄斑外部形态特征,图像特征和术前视力特征,通过Transformer层进行模态融合,并预测术后视力。
5.根据权利要求4所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,第一部分的卷积神经网络中,包括四个stage,每个stage由3个残差块组成,每个残差块由2个1x1卷积、1个3*3卷积、1个池化层和1个激活层组成。
6.根据权利要求4所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,第二部分的注意力融合网络中,包括20层Transformer和1层Head,每层Transformer由两个归一层、一个注意力层和一个前馈网络层组成;Head层由两层全连接层组成。
7.根据权利要求1所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,所述的模型训练模块对视力预测模块进行训练时,使用SGD对模型进行优化,以最小化均方根误差RMSE计算损失函数;最大训练次数设定为1200次,初始学习率设置为0.01。
8.根据权利要求1所述的基于AI技术的白内障患者术后视力智能预测评估系统,其特征在于,所述的诊疗建议模块根据视力预测模块得到的白内障患者的术后视力,通过与信息采集模块采集的术前视力比较,判断是否需要白内障手术,其判断标准是:术后视力提高≥0.2logMAR时建议患者手术。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210735202.5A CN115170492A (zh) | 2022-06-27 | 2022-06-27 | 一种基于ai技术的白内障患者术后视力智能预测评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210735202.5A CN115170492A (zh) | 2022-06-27 | 2022-06-27 | 一种基于ai技术的白内障患者术后视力智能预测评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170492A true CN115170492A (zh) | 2022-10-11 |
Family
ID=83488027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210735202.5A Pending CN115170492A (zh) | 2022-06-27 | 2022-06-27 | 一种基于ai技术的白内障患者术后视力智能预测评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170492A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206741A (zh) * | 2023-05-05 | 2023-06-02 | 泰安市中心医院(青岛大学附属泰安市中心医院、泰山医养中心) | 一种消化科医疗信息处理系统及方法 |
-
2022
- 2022-06-27 CN CN202210735202.5A patent/CN115170492A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206741A (zh) * | 2023-05-05 | 2023-06-02 | 泰安市中心医院(青岛大学附属泰安市中心医院、泰山医养中心) | 一种消化科医疗信息处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11666210B2 (en) | System for recognizing diabetic retinopathy | |
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 | |
Du et al. | Application of artificial intelligence in ophthalmology | |
CN110197493B (zh) | 眼底图像血管分割方法 | |
Sugeno et al. | Simple methods for the lesion detection and severity grading of diabetic retinopathy by image processing and transfer learning | |
CN109635862B (zh) | 早产儿视网膜病plus病变分类方法 | |
Xiong et al. | An approach to evaluate blurriness in retinal images with vitreous opacity for cataract diagnosis | |
CN111986211A (zh) | 一种基于深度学习的眼科超声自动筛查方法及系统 | |
Fang et al. | Adam challenge: Detecting age-related macular degeneration from fundus images | |
Kauppi | Eye fundus image analysis for automatic detection of diabetic retinopathy | |
CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
Xiao et al. | Major automatic diabetic retinopathy screening systems and related core algorithms: a review | |
CN113689954A (zh) | 高血压风险预测方法、装置、设备及介质 | |
Kumar et al. | Automated detection of eye related diseases using digital image processing | |
CN116758038A (zh) | 基于训练网络的婴幼儿视网膜疾病信息识别方法及系统 | |
Agustin et al. | Implementation of data augmentation to improve performance CNN method for detecting diabetic retinopathy | |
CN115170492A (zh) | 一种基于ai技术的白内障患者术后视力智能预测评估系统 | |
Sengupta et al. | Ophthalmic diagnosis and deep learning–a survey | |
Zhang et al. | Artificial intelligence-assisted diagnosis of ocular surface diseases | |
CN112741651B (zh) | 一种内窥镜超声影像的处理方法及系统 | |
CN111951219B (zh) | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 | |
Pavani et al. | Robust semantic segmentation of retinal fluids from SD-OCT images using FAM-U-Net | |
CN117197145B (zh) | 一种基于深度学习的白内障病变图像识别系统 | |
Ali et al. | Classifying Three Stages of Cataract Disease using CNN | |
Nivetha | Retinal Based Pathology Analysis Using Deep Learning Approaches |
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 |