CN115330714A - 一种荧光素眼底血管造影图像的分期和病变诊断系统 - Google Patents
一种荧光素眼底血管造影图像的分期和病变诊断系统 Download PDFInfo
- Publication number
- CN115330714A CN115330714A CN202210955654.4A CN202210955654A CN115330714A CN 115330714 A CN115330714 A CN 115330714A CN 202210955654 A CN202210955654 A CN 202210955654A CN 115330714 A CN115330714 A CN 115330714A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- network model
- fundus
- staging
- 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
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 238000002583 angiography Methods 0.000 title claims abstract description 27
- 230000003902 lesion Effects 0.000 title claims abstract description 26
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 47
- 210000003462 vein Anatomy 0.000 claims abstract description 46
- 206010038923 Retinopathy Diseases 0.000 claims abstract description 32
- 208000017442 Retinal disease Diseases 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 19
- 206010012689 Diabetic retinopathy Diseases 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000007794 visualization technique Methods 0.000 claims description 7
- 208000004644 retinal vein occlusion Diseases 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- 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
- G06V10/70—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
- G06V10/77—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请属于计算机视觉技术领域，公开了一种荧光素眼底血管造影图像的分期和病变诊断系统，该系统包括：图像预处理模块，用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；图像分期模块，用于通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；病变分类模块，用于获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型。本申请有望减轻临床工作负担，提高诊断效率和准确性。
Description
技术领域
本申请涉及计算机视觉技术领域，尤其涉及一种荧光素眼底血管造影图像的分期和病变诊断系统。
背景技术
荧光素眼底血管造影图像(Fundus Fluorescein Angiography，FFA)从开始拍摄到拍摄结束共包括了以下几个时期的图像：非FFA图像、动脉期图像、动静脉期图像、静脉早期及静脉晚期的图像。但临床上每个患者进入静脉期的时间会有差异，因此，仅从注射造影剂开始计时，难以找到进入静脉期的准确时间点。
然而，目前临床诊断过程中需要医生手动选取静脉期的FFA图像，然后分析诊断患者的视网膜病变情况，临床工作负担大，效率低。同时，对视网膜病变的诊断完全依赖医生的个人经验，诊断结果往往不够准确。综上，现有技术中存在诊断效率低且准确性差的问题。
发明内容
本申请提供了一种荧光素眼底血管造影图像的分期和病变诊断系统，可以自动实现对FFA图像的分期和诊断，减轻临床工作负担，提高诊断效率和准确性。
第一方面，本申请实施例提供了一种荧光素眼底血管造影图像的分期和病变诊断系统，该系统包括：图像预处理模块，用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；
图像分期模块，用于通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；其中，训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的；
病变分类模块，用于获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型；其中，训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
基于上述实施例，在一些实施方式中，视网膜病变类型为正常、轻度糖尿病视网膜病变、中重度糖尿病视网膜病变及视网膜分支静脉阻塞中的任一种。
进一步地，图像预处理模块，具体用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行归一化预处理，得到所有待分期图像；每张待分期图像的图像尺寸等于图像分期网络模型预设的输入图像尺寸。
进一步地，该系统还包括：
第一网络模型训练模块，用于获取第一样本图像集，并基于第一样本图像集对预设的图像分期网络模型进行训练，得到训练好的图像分期网络模型；第一样本图像集包含处于荧光素眼底血管造影过程中不同分期的多张眼底图像。
进一步地，该系统还包括：
第二网络模型训练模块，用于获取第二样本图像集，并基于第二样本图像集对预设的疾病分类网络模型进行训练，得到训练好的疾病分类网络模型；第二样本图像集包含多种视网膜病变类型分别对应的静脉期图像。
进一步地，该系统还包括：
模型监测模块，用于通过类别激活可视化法生成训练好的图像分期网络模型或训练好的疾病分类网络模型对应的目标特征图，并显示目标特征图。
第二方面，本申请另一实施例提供了一种荧光素眼底血管造影图像的分期和病变诊断装置，该装置包括计算机设备，计算机设备包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行如下步骤：
获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；
通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；其中，训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的；
获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型；其中，训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
进一步地，处理器调用存储器中的计算机程序时还执行如下步骤：
获取第一样本图像集，并基于第一样本图像集对预设的图像分期网络模型进行训练，得到训练好的图像分期网络模型；第一样本图像集包含处于荧光素眼底血管造影过程中不同分期的多张眼底图像；以及，获取第二样本图像集，并基于第二样本图像集对预设的疾病分类网络模型进行训练，得到训练好的疾病分类网络模型；第二样本图像集包含多种视网膜病变类型分别对应的静脉期图像。
进一步地，处理器调用存储器中的计算机程序时还执行如下步骤：
通过类别激活可视化法生成训练好的图像分期网络模型或训练好的疾病分类网络模型对应的目标特征图，并显示目标特征图。
第三方面，本申请又一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；
通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；其中，训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的；
获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型；其中，训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
综上所述，与现有技术相比，本申请实施例提供的技术方案带来的有益效果至少包括：
本申请实施例提供的一种荧光素眼底血管造影图像的分期和病变诊断系统，可以获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；并选取其中的静脉期图像，通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型。上述系统能包括两个网络模型，其中一个用于对荧光素眼底血管造影过程中拍摄到的所有眼底图像进行分期，另一个用于对静脉期图像进行病变类型分类，从而可以基于深度学习实现对FFA图像的自动分期和诊断，减轻临床工作负担，提高诊断效率和准确性。
附图说明
图1为本申请一个示例性实施例提供的荧光素眼底血管造影图像的分期和病变诊断系统的结构图。
图2为本申请一个示例性实施例提供的荧光素眼底血管造影图像的分期和病变诊断系统的应用场景图。
图3为本申请一个示例性实施例提供的荧光素眼底血管造影图像的分期和病变诊断装置执行步骤的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
实施例一：
请参见图1，本申请的一个实施例提供了一种荧光素眼底血管造影图像的分期和病变诊断系统，图2为该系统的应用场景图，该系统包括：
图像预处理模块100，用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；
其中，图像预处理模块100与图像分期模块200连接，图像预处理模块100也可以是图像输入设备，例如与眼底照相机连接的图像输入数据接口。
具体地，图像预处理模块100通过对所有眼底图像进行预处理，可以提高图像质量，并筛除低质量的图像，得到图像质量更好的待分期图像，再将预处理后得到的所有待分期图像发送给图像分期模块200。上述图像预处理可采用任一现有技术中成熟的技术。
在本实施例的一些实施方式中，图像预处理模块100具体用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行归一化预处理，得到所有待分期图像；每张待分期图像的图像尺寸等于图像分期网络模型预设的输入图像尺寸，例如512*512。
图像分期模块200，用于通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像(non-FFA)、动脉期图像(arterial phase)及静脉期图像(venous phase)；
其中，训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的，该训练好的图像分期网络模型用于将患者对应的全部眼底图像按荧光素眼底血管造影过程分期为非荧光素眼底血管造影图像(non-FFA)、动脉期图像(arterial phase)及静脉期图像(venous phase)，非荧光素眼底血管造影图像可以是无赤光眼底图像或自发银光眼底图像。
具体地，通过图像分期模块200进行分期后，提取静脉期图像进一步的诊断。
病变分类模块300，用于获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型；其中，训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
在本实施例的一些实施方式中，视网膜病变类型为正常(normal)、轻度糖尿病视网膜病变(DR without NPA)、中重度糖尿病视网膜病变(DR with NPA)及视网膜分支静脉阻塞(Branch Retinal Vein Occlusion，BRVO)中的任一种，其中，糖尿病视网膜病变(diabetic retinopathy,DR)和视网膜分支静脉阻塞(Branch Retinal Vein Occlusion，BRVO)均为常见的视网膜病变。
具体实施时，图像分期网络模型和疾病分类网络模型可以采用现有技术中常用的图像分类网络，例如VGG-16、DenseNet或ResNet等。
在本实施例的一些实施方式中，为了更好地提取特征，可以选择ResNet-152，其具有独特的连接结构，使卷积神经网络(convolutional neural network,CNN)具有更强的特征提取能力。而在训练开始时，可以利用迁移学习方法初始化ResNet-152权值，并在ImageNet数据上进行预训练。其中，采用迁移学习方法可以提高网络模型的收敛速度，并在ResNet-152中通过卷积和池化计算输出分类结果。经过训练迭代，保存性能最好的模型并进行测试，最后得到图像分期网络模型和疾病分类网络模型。同时，本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
具体实施时，图像分期模块200可以为计算机设备；病变分类模块300可以是与图像分期模块200一体的计算机设备，也可以是只与图像分期模块200通信连接的另一台计算机设备；该计算机设备包括但不限于服务器、台式机及笔记本电脑等。
上述实施例提供了一种荧光素眼底血管造影图像的分期和病变诊断系统，可以获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像；通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；并选取其中的静脉期图像，通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型。上述系统能包括两个网络模型，其中一个用于对荧光素眼底血管造影过程中拍摄到的所有眼底图像进行分期，另一个用于对静脉期图像进行病变类型分类，从而可以基于深度学习实现对FFA图像的自动分期和诊断，减轻临床工作负担，提高诊断效率和准确性。
实施例二：
基于上述实施例一，在本实施例中，为了得到训练好的图像分期网络模型和疾病分类网络模型，上述系统还包括：
第一网络模型训练模块，用于获取第一样本图像集，并基于第一样本图像集对预设的图像分期网络模型进行训练，得到训练好的图像分期网络模型。
其中，第一样本图像集包含处于荧光素眼底血管造影过程中不同分期的多张眼底图像，且第一样本图像集中的每张眼底图像均标注有其对应的分期。具体实施时，为了更好地训练图像分期网络模型，第一样本图像集包含的眼底图像的数量应不少于一定数量，比如500张、800张、1000张或更大数值。
具体地，可以按照预设比例将第一样本图像集随机分为第一训练集和第一测试集；先通过训练集中的图像对预设的图像分期网络模型进行训练；然后使用测试集中的图像对训练后的图像分期网络模型进行验证，得到训练好的图像分期网络模型。
第二网络模型训练模块，用于获取第二样本图像集，并基于第二样本图像集对预设的疾病分类网络模型进行训练，得到训练好的疾病分类网络模型。
其中，第二样本图像集包含多种视网膜病变类型分别对应的静脉期图像，且第二样本图像集中的每张静脉期图像均标注有其对应的视网膜病变类型。具体实施时，为了更好地训练疾病分类网络模型，第二样本图像集包含的静脉期图像的数量应不少于一定数量，比如500张、800张、1000张或更大数值。
具体地，可以按照预设比例将第二样本图像集随机分为第二训练集和第二测试集；先通过训练集中的图像对预设的疾病分类网络模型进行训练；然后使用测试集中的图像对训练后的疾病分类网络模型进行验证，得到训练好的疾病分类网络模型。
其中，预设比例还可以是8:2、7:3、9:1等任意大于1的比例值。
综上，本实施例使用了两个模型：图像分期网络模型和疾病分类网络模型。
在本实施例的一些实施方式中，为了验证上述各模型对目标区域是否敏感，该系统还可以包括：
模型监测模块，用于通过类别激活可视化法生成训练好的图像分期网络模型或训练好的疾病分类网络模型对应的目标特征图，并显示目标特征图。
其中，类别激活可视化(Class Activation Mapping，CAM)亦称为类别热力图或显著性图。通过该方法得到的目标特征图为热力图，热力图大小与原始图片一致，且图中像素值表示原始图片的对应区域对预测输出的影响程度，值越大贡献越大。
具体实施时，为了突出ResNet-152中识别的图像的重要区域，可以提取输出模型前最后一层的权值，通过类别激活可视化法使图像可视化，以便验证模型对目标区域是否敏感。以这种方式生成热力图，热力图中红色区域代表系统分类中更重要的特征，有助于用户了解模型对不同图像的识别原理。
上述实施例可以基于第一样本图像集对图像分期网络模型进行训练，得到训练好的图像分期网络模型，并基于第二样本图像集对预设的疾病分类网络模型进行训练，得到训练好的疾病分类网络模型；其中，利用训练集对模型进行训练，再利用测试集对训练后的模型进行验证，进一步保证训练好的模型的识别准确性。
实施例三：
请参见图3，本实施例提供了一种荧光素眼底血管造影图像的分期和病变诊断装置，该装置包括计算机设备，计算机设备包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行如下步骤：
步骤S1，获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所有眼底图像进行预处理，得到所有待分期图像。
步骤S2，通过训练好的图像分期网络模型将所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像。
其中，训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的。
步骤S3，获取静脉期图像，并通过训练好的疾病分类网络模型对静脉期图像进行识别，得到静脉期图像对应的视网膜病变类型。
其中，训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
在本实施例的一些实施方式中，处理器调用存储器中的计算机程序时还执行如下步骤：
获取第一样本图像集，并基于第一样本图像集对预设的图像分期网络模型进行训练，得到训练好的图像分期网络模型；第一样本图像集包含处于荧光素眼底血管造影过程中不同分期的多张眼底图像；以及，获取第二样本图像集，并基于第二样本图像集对预设的疾病分类网络模型进行训练，得到训练好的疾病分类网络模型；第二样本图像集包含多种视网膜病变类型分别对应的静脉期图像。
在本实施例的一些实施方式中，处理器调用存储器中的计算机程序时还执行如下步骤：
通过类别激活可视化法生成训练好的图像分期网络模型或训练好的疾病分类网络模型对应的目标特征图，并显示目标特征图。
对于本实施例中各步骤的说明，请参见上述各系统实施例中对于荧光素眼底血管造影图像的分期和病变诊断系统的说明内容，在此不再加以赘述。
具体地，该计算机设备可以是终端，处理器用于提供计算和控制能力，存储器包括非易失性存储介质和内存储器，非易失性存储介质存储有操作系统和计算机程序，内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
实施例四：
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中荧光素眼底血管造影图像的分期和病变诊断装置执行的步骤。
其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例中提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于荧光素眼底血管造影图像的分期和病变诊断系统的实施例，于此不再赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或装置实施例而言，由于其基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方案及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种荧光素眼底血管造影图像的分期和病变诊断系统，其特征在于，所述系统包括：
图像预处理模块，用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所述所有眼底图像进行预处理，得到所有待分期图像；
图像分期模块，用于通过训练好的图像分期网络模型将所述所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；其中，所述训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的；
病变分类模块，用于获取所述静脉期图像，并通过训练好的疾病分类网络模型对所述静脉期图像进行识别，得到所述静脉期图像对应的视网膜病变类型；其中，所述训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
2.根据权利要求1所述的系统，其特征在于，所述图像预处理模块，具体用于获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所述所有眼底图像进行归一化预处理，得到所有待分期图像；每张所述待分期图像的图像尺寸等于所述图像分期网络模型预设的输入图像尺寸。
3.根据权利要求1所述的系统，其特征在于，所述系统还包括：
第一网络模型训练模块，用于获取第一样本图像集，并基于所述第一样本图像集对预设的图像分期网络模型进行训练，得到所述训练好的图像分期网络模型；所述第一样本图像集包含处于荧光素眼底血管造影过程中不同分期的多张眼底图像。
4.根据权利要求3所述的系统，其特征在于，所述系统还包括：
第二网络模型训练模块，用于获取第二样本图像集，并基于所述第二样本图像集对预设的疾病分类网络模型进行训练，得到所述训练好的疾病分类网络模型；所述第二样本图像集包含多种视网膜病变类型分别对应的静脉期图像。
5.根据权利要求1至4任一项所述的系统，其特征在于，所述系统还包括：
模型监测模块，用于通过类别激活可视化法生成所述训练好的图像分期网络模型或所述训练好的疾病分类网络模型对应的目标特征图，并显示所述目标特征图。
6.根据权利要求1所述的系统，其特征在于，所述视网膜病变类型为正常、轻度糖尿病视网膜病变、中重度糖尿病视网膜病变及视网膜分支静脉阻塞中的任一种。
7.一种荧光素眼底血管造影图像的分期和病变诊断装置，所述装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，其特征在于，所述处理器调用所述存储器中的计算机程序时执行如下步骤：
获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所述所有眼底图像进行预处理，得到所有待分期图像；
通过训练好的图像分期网络模型将所述所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；其中，所述训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的；
获取所述静脉期图像，并通过训练好的疾病分类网络模型对所述静脉期图像进行识别，得到所述静脉期图像对应的视网膜病变类型；其中，所述训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
8.根据权利要求7所述的装置，其特征在于，所述处理器调用所述存储器中的计算机程序时还执行如下步骤：
获取第一样本图像集，并基于所述第一样本图像集对预设的图像分期网络模型进行训练，得到所述训练好的图像分期网络模型；所述第一样本图像集包含处于荧光素眼底血管造影过程中不同分期的多张眼底图像；以及，获取第二样本图像集，并基于所述第二样本图像集对预设的疾病分类网络模型进行训练，得到所述训练好的疾病分类网络模型；所述第二样本图像集包含多种视网膜病变类型分别对应的静脉期图像。
9.根据权利要求7或8所述的装置，其特征在于，所述处理器调用所述存储器中的计算机程序时还执行如下步骤：
通过类别激活可视化法生成所述训练好的图像分期网络模型或所述训练好的疾病分类网络模型对应的目标特征图，并显示所述目标特征图。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
获取眼底照相机在患者的荧光素眼底血管造影过程中拍摄的所有眼底图像，对所述所有眼底图像进行预处理，得到所有待分期图像；
通过训练好的图像分期网络模型将所述所有待分期图像分期为非荧光素眼底血管造影图像、动脉期图像及静脉期图像；其中，所述训练好的图像分期网络模型是基于不同分期的眼底图像训练得到的；
获取所述静脉期图像，并通过训练好的疾病分类网络模型对所述静脉期图像进行识别，得到所述静脉期图像对应的视网膜病变类型；其中，所述训练好的疾病分类网络模型是基于多种视网膜病变类型分别对应的静脉期图像训练得到的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210955654.4A CN115330714A (zh) | 2022-08-10 | 2022-08-10 | 一种荧光素眼底血管造影图像的分期和病变诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210955654.4A CN115330714A (zh) | 2022-08-10 | 2022-08-10 | 一种荧光素眼底血管造影图像的分期和病变诊断系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115330714A true CN115330714A (zh) | 2022-11-11 |
Family
ID=83922266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210955654.4A Pending CN115330714A (zh) | 2022-08-10 | 2022-08-10 | 一种荧光素眼底血管造影图像的分期和病变诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330714A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363740A (zh) * | 2023-05-31 | 2023-06-30 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的眼科疾病类别智能分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829882A (zh) * | 2018-12-18 | 2019-05-31 | 苏州比格威医疗科技有限公司 | 一种糖尿病视网膜病变分期预测方法 |
| AU2019204380B1 (en) * | 2019-06-21 | 2020-07-23 | Curvebeam Ai Limited | A Method and System for Machine Learning Classification Based on Structure or Material Segmentation in an Image |
| CN112869697A (zh) * | 2021-01-20 | 2021-06-01 | 深圳硅基智能科技有限公司 | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 |
| CN114782338A (zh) * | 2022-04-09 | 2022-07-22 | 中山大学中山眼科中心 | 一种眼底彩照的视网膜动静脉及毛细血管自动标注方法 |
| CN114782452A (zh) * | 2022-06-23 | 2022-07-22 | 中山大学中山眼科中心 | 一种荧光素眼底血管造影图像的处理系统及装置 |
-
2022
- 2022-08-10 CN CN202210955654.4A patent/CN115330714A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829882A (zh) * | 2018-12-18 | 2019-05-31 | 苏州比格威医疗科技有限公司 | 一种糖尿病视网膜病变分期预测方法 |
| AU2019204380B1 (en) * | 2019-06-21 | 2020-07-23 | Curvebeam Ai Limited | A Method and System for Machine Learning Classification Based on Structure or Material Segmentation in an Image |
| CN112869697A (zh) * | 2021-01-20 | 2021-06-01 | 深圳硅基智能科技有限公司 | 同时识别糖尿病视网膜病变的分期和病变特征的判断方法 |
| CN114782338A (zh) * | 2022-04-09 | 2022-07-22 | 中山大学中山眼科中心 | 一种眼底彩照的视网膜动静脉及毛细血管自动标注方法 |
| CN114782452A (zh) * | 2022-06-23 | 2022-07-22 | 中山大学中山眼科中心 | 一种荧光素眼底血管造影图像的处理系统及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 李俊英 等: "眼科检查技术与疾病治疗", 长春：吉林科学技术出版社, pages: 324 - 328 * |
| 林铎儒 等: "眼科开展医学人工智能研究的学科优势", vol. 13, no. 13, pages 127 - 129 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363740A (zh) * | 2023-05-31 | 2023-06-30 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的眼科疾病类别智能分析方法及装置 |
| CN116363740B (zh) * | 2023-05-31 | 2023-08-01 | 武汉大学人民医院（湖北省人民医院） | 基于深度学习的眼科疾病类别智能分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11880972B2 (en) | Tissue nodule detection and tissue nodule detection model training method, apparatus, device, and system | |
| CN110197493B (zh) | 眼底图像血管分割方法 | |
| US20220051405A1 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
| CN109886933B (zh) | 一种医学图像识别方法、装置和存储介质 | |
| JP2021536057A (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 | |
| CN111507381B (zh) | 图像识别方法及相关装置、设备 | |
| CN111310841B (zh) | 医学图像分类方法、装置、设备、计算机设备和存储介质 | |
| JP7524932B2 (ja) | 診断支援方法および診断支援装置 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN105249922A (zh) | 断层图像拍摄设备和断层图像拍摄方法 | |
| US11315241B2 (en) | Method, computer device and storage medium of fundus oculi image analysis | |
| US20220366562A1 (en) | Medical image analysis apparatus and method, and medical image visualization apparatus and method | |
| CN111814768B (zh) | 基于ai复合模型的图像识别方法、装置、介质和设备 | |
| CN112926537B (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| US11010893B2 (en) | Image identifying method and image identifying device | |
| CN111402406A (zh) | 血管三维重建方法、装置及医疗设备 | |
| US20210391078A1 (en) | Deep learning model learning device and method for cancer region | |
| CN112101424A (zh) | 一种视网膜病变识别模型的生成方法、识别装置及设备 | |
| CN110599480A (zh) | 多源输入的眼底图像分类方法和设备 | |
| CN111782529B (zh) | 辅助诊断系统的测试方法、装置、计算机设备及存储介质 | |
| KR20190082149A (ko) | 녹내장 발생 예측 방법 | |
| CN115330714A (zh) | 一种荧光素眼底血管造影图像的分期和病变诊断系统 | |
| CN110610480B (zh) | 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型 | |
| CN111340794A (zh) | 冠状动脉狭窄的量化方法及装置 | |
| Furtado et al. | Segmentation of Diabetic Retinopathy Lesions by Deep Learning: Achievements and Limitations. |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221111 |
|
| RJ01 | Rejection of invention patent application after publication |