CN116110589B - 一种基于回顾性校正的糖尿病视网膜病变的预测方法 - Google Patents

一种基于回顾性校正的糖尿病视网膜病变的预测方法 Download PDF

Info

Publication number
CN116110589B
CN116110589B CN202211578566.3A CN202211578566A CN116110589B CN 116110589 B CN116110589 B CN 116110589B CN 202211578566 A CN202211578566 A CN 202211578566A CN 116110589 B CN116110589 B CN 116110589B
Authority
CN
China
Prior art keywords
years
retrospective
queue
fundus image
baseline
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.)
Active
Application number
CN202211578566.3A
Other languages
English (en)
Other versions
CN116110589A (zh
Inventor
谢怡宁
张宇航
齐鹤
单丹丹
龙俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Forestry University
Original Assignee
Northeast Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Forestry University filed Critical Northeast Forestry University
Priority to CN202211578566.3A priority Critical patent/CN116110589B/zh
Publication of CN116110589A publication Critical patent/CN116110589A/zh
Application granted granted Critical
Publication of CN116110589B publication Critical patent/CN116110589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Eye Examination Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

一种基于回顾性校正的糖尿病视网膜病变预测方法，本发明涉及智慧医疗诊断技术中，对未患糖尿病视网膜病变(diabetes retinopathy，DR)的糖尿病患者追踪随访困难、难以尽早预防治疗DR的问题。由糖尿病引起的微血管并发症——DR是导致视力受损甚至失明的主要原因。虽然有研究表明，对DR的早期诊断和及时治疗有助于预防失明。但是由于我国糖尿病患者数量庞大，且还在迅速增长，再加上患者缺乏相应的防范意识，难以实现早发现早治疗。为解决这一问题，本发明提出了一种基于回顾性校正的糖尿病视网膜病变预测方法。实验表明，该方法能够准确地预测未患DR的糖尿病患者2年内患DR的风险，以据此针对高风险患者追踪随访，减少DR发病率。本发明应用于DR的风险预测。

Description

一种基于回顾性校正的糖尿病视网膜病变的预测方法
技术领域
本发明涉及智慧医疗诊断技术领域，具体涉及一种基于回顾性校正的糖尿病视网膜病变的预测方法。
背景技术
糖尿病视网膜病变(diabetes retinopathy，DR)作为糖尿病的微血管并发症之一，是导致视力受损甚至失明的主要原因。
到目前为止，还没有有效的治疗方法来彻底治愈这种疾病。有研究表明，DR的早期诊断和及时治疗有助于预防失明。这一目标可以通过定期筛查项目来实现。但是由于糖尿病患者数量庞大，想要对所有确诊糖尿病时未患DR的患者进行定期的追踪随访，以达到尽早发现DR并进行干预治疗的目的非常困难，需要庞大的社会资源以及医疗资源支出。而由于缺乏对DR的认知等种种原因，糖尿病患者通常是在发生了明显的眼部症状或者视力下降的情况，才去诊治，往往为时已晚。有调查发现，糖尿病患者眼部不适或者视力严重衰退就诊时，有超过70％的已经因严重的眼部病变导致了不可逆转的视力障碍，甚至失明。因此本文提出了一种基于回顾性校正的糖尿病视网膜病变的预测方法，用于对未患DR的糖尿病患者进行未来患DR的风险预测，给出糖尿病患者患DR的风险，从而可以针对高风险患者进行追踪随访，并采取对应的措施预防DR。
发明内容
本发明的目的是为了解决对未患DR的糖尿病患者追踪随访困难、难以尽早预防治疗DR的问题，而提出的一种基于回顾性校正的糖尿病视网膜病变的预测方法。
上述发明目的主要是通过以下技术方案实现的：
S1、创建DR回顾性队列，并对其进行相应标注，其步骤为：
(1)基线时，将符合入选标准的未患DR的糖尿病患者纳入队列，收集其临床信息和视网膜眼底图像；
(2)基线的2年后，对队列中的患者进行随访，收集其视网膜眼底图像和是否患DR的信息；
基线和2年后的视网膜眼底图像均采用同一眼底相机从同一角度拍摄以视盘为中心的图像。
(3)根据基线2年后患者是否患DR对其基线的视网膜眼底图像进行标注，患DR标注为1，否则标注为0；
(4)由专家级眼科医生对基线2年后患DR患者的视网膜眼底图像进行像素级标注，标注出图像中的病变区域，得到所需的数据集；
S2、利用所述标注好的回顾性队列作为数据集，训练得到预测DR发生的基于多模态的分类模型，其训练步骤为：
(1)利用所述标注好的回顾性队列作为数据集，预训练预测DR发生的分类网络，其步骤为：
①将所述未患DR的糖尿病患者基线时的视网膜眼底图像输入到分类网络中，输出对DR发生的预测结果，同时生成对预测发生DR的贡献热图；
②根据预测结果和所述2年后是否发生DR的标注计算交叉熵损失L1；
③根据所述2年后眼底图像的像素级标注得到其Mask；
④根据所述热图以及2年后视网膜眼底图像的Mask，计算患病区域预测损失L2，以此进行回顾性校正，使网络中的特征提取模块更加关注未来可能发生病变的区域，L2计算公式如下：
上式中，B代表2年后视网膜眼底图像的mask，H代表所述贡献热图，||E代表按元素取绝对值，M为图像的像素数量；
⑤将交叉熵损失L1和患病区域预测损失L2加权相加得到总损失函数L如下：
L＝αL1+βL2 (2)
上式中，α、β分别为L1和L2对应的权重；
⑥调整所述分类网络的参数，直至所述总损失函数L的值小于预设的阈值，完成预训练；
(2)利用所述预训练好的分类网络中的特征提取模块提取基线时视网膜眼底图像的特征；
(3)利用所述数据集中基线时视网膜眼底图像计算生物指标特征；
(4)将所述计算得到的生物指标特征及基线时收集到的临床信息特征进行特征编码，并与提取到的视网膜眼底图像的特征进行多模态特征融合；
(5)利用全连接层对融合得到的特征进行分类，得到对DR发生的预测结果，并据此与所述2年后是否发生DR的标注计算损失值；
(6)根据所述损失值调整全连接层的参数，直至其小于预设的阈值，完成所述基于多模态的分类模型的训练；
S3、利用所述分类模型使用未患DR的糖尿病患者的视网膜眼底图像进行预测，预测结果为其未来2年内发生DR的概率，并按照一定的阈值划分患病风险为高风险、中风险和低风险。
预测结果为0到1之间的数字，代表了患者的眼睛在2年内发生DR的可能性，越接近1说明发生病变的可能性越大。
发明效果
本发明提供了一种基于回顾性校正的糖尿病视网膜病变的预测方法。本方法首先利用基线时以及2年后糖尿病患者的眼底图像以及对应的标签对预测DR发生的分类网络进行预训练。然后利用预训练好的分类网络的特征提取模块提取患者基线眼底图像的特征，将其和特征编码之后的临床特征及生物指标特征进行特征融合。最后利用全连接层对融合后的特征进行分类，得到DR发生的预测结果，并调整其参数直到损失函数小于预设的阈值。实验表明，该方法中的预训练模块可以使特征提取器更容易注意到未来更可能发展为病变的区域，从而提取到更加有效的特征；同时将眼底图像提取的特征、临床特征及生物指标特征进行融合，可以利用特征之间的互补性，获取到更多关于DR的信息，使模型的预测性能更好。
附图说明
图1本文算法的总体实现过程图；
图2DR回顾性队列构建过程图；
图3分类网络预训练过程示意图；
具体实施方法
具体实施方式一：
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示本文提供的一种基于回顾性校正的糖尿病视网膜病变预测方法，包含如下步骤：
S1、创建DR回顾性队列，并对其进行相应标注；
S2、利用所述标注好的回顾性队列作为数据集，预训练预测DR发生的分类网络Inception-v3；
S3、利用所述分类网络Inception-v3的特征提取模块，以及回顾性队列中标注好的基线视网膜眼底图像和临床信息训练基于多模态的分类模型；
S3、利用所述分类模型使用未患DR的2型糖尿病患者的视网膜眼底图像进行预测，预测结果为其未来2年内发生DR的概率，按照阈值0.7和0.4将患病风险划分为高风险、中风险、低风险。
下面对本发明实施例进行详细的说明：
本发明实施例具体实现如下。
S1、如图2所示，创建DR回顾性队列，并对其进行相应标注，步骤如下：
(1)基线时，将符合入选标准的未患DR的糖尿病患者纳入队列，收集其临床信息和视网膜眼底图像；
糖尿病视网膜病变的分类依据为国际分类标准，DR被分为五个级别。分别是0级(无糖尿病视网膜病变)、1级(轻度非增殖性糖尿病视网膜病变)、2级(中度非增殖性糖尿病视网膜病变)、3级(重度非增殖性糖尿病视网膜病变)和4级(增殖性糖尿病视网膜病变)。
队列入选标准为：18-70周岁，既往诊断为2型糖尿病患者(判定标准遵循2020版《中国2型糖尿病防治指南》)，且在基线时视网膜眼底图像显示DR等级为0级。采集的临床信息包括年龄、性别、是否吸烟、BMI。
(2)基线的2年后，对队列中的患者进行随访，收集其视网膜眼底图像和是否患DR的信息；
基线时及2年后的眼底图像均为同一眼底相机拍摄的以视盘为中心的45°眼底图像。
(3)根据基线2年后患者是否患DR对其基线的视网膜眼底图像进行标注，患DR等级为1级及以上标注为1，DR等级仍然为0级则标注为0；
(4)由专家级眼科医生对基线2年后患DR患者的视网膜眼底图像进行像素级标注，标注出图像中的病变区域，得到所需的数据集；
S2、如图3所示，利用所述标注好的回顾性队列作为数据集，预训练预测DR发生的分类网络Inception-v3，步骤如下：
(1)将所述未患DR的糖尿病患者基线时的视网膜眼底图像输入到Inception-v3中，输出对DR发生的预测结果同时利用梯度集成技术生成对预测发生DR的贡献热图；
预测结果为0到1之间的数字，代表了患者的眼睛在2年内发生DR的可能性，越接近1说明发生病变的可能性越大。
(2)根据预测结果和所述2年后是否发生DR的标注y计算交叉熵损失L1：
(3)根据所述2年后眼底图像的像素级标注得到其Mask；
(4)根据所述热图以及2年后视网膜眼底图像的Mask，计算患病区域预测损失L2，以此进行回顾性校正，使网络中的特征提取模块更加关注未来可能发生病变的区域，L2计算公式如下：
上式中，B代表2年后视网膜眼底图像的mask，H代表所述贡献热图，||E代表按元素取绝对值，M为图像的像素数量；
(5)将交叉熵损失L1和患病区域预测损失L2加权相加得到总损失函数L如下：
L＝αL1+βL2 (5)
上式中，α、β分别为L1和L2对应的权重；
(6)调整所述分类网络的参数，直至所述总损失函数L的值小于预设的阈值，完成预训练；
S3、利用所述分类网络Inception-v3的特征提取模块，以及回顾性队列中标注好的基线视网膜眼底图像和临床信息训练基于多模态的分类模型，步骤如下：
(1)利用所述预训练好的Inception-v3中的特征提取模块提取基线时视网膜眼底图像的特征；
(2)利用所述数据集中基线时视网膜眼底图像计算生物指标特征——CRAE、CRVE、分形维数、分支系数、弯曲度。
(4)将所述计算得到的生物指标特征及基线时收集到的临床信息特征采用独热编码的方式进行特征编码，并与提取到的视网膜眼底图像的特征进行多模态特征融合；
(5)利用全连接层对融合得到的特征进行分类，得到对DR发生的预测结果并据此与所述2年后是否发生DR的标注计算损失值L′：
(6)根据所述损失值用梯度下降法调整全连接层的参数，直至其小于预设的阈值，完成所述基于多模态的分类模型的训练；
S3、利用所述分类模型使用未患DR的2型糖尿病患者的视网膜眼底图像进行预测，预测结果为其未来2年内发生DR的概率，按照阈值0.7和0.4将患病风险划分为高风险、中风险、低风险。
该方法可以使提取眼底图像特征的特征提取器更加注意未来有可能发生病变的区域，提取到更加有效的特征。同时将视网膜眼底图像提取的特征、临床特征及生物指标特征进行融合，可以利用特征之间的互补性，获取到更多关于DR的信息，使得DR预测的结果更加的准确。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明范围。

Claims (3)

1.一种基于回顾性校正的糖尿病视网膜病变的预测方法，其特征在于，包含如下步骤：
S1、创建DR回顾性队列，并对其进行相应标注；
S2、利用所述标注好的回顾性队列作为数据集，训练得到预测DR发生的基于多模态的分类模型，步骤如下：
S21、利用所述标注好的回顾性队列作为数据集，预训练预测DR发生的分类网络；
S22、利用所述预训练好的分类网络中的特征提取模块提取基线时视网膜眼底图像的特征；
S23、利用所述数据集中基线时视网膜眼底图像计算生物指标特征；
S24、将所述计算得到的生物指标特征及基线时收集到的临床信息特征进行特征编码，并与提取到的视网膜眼底图像的特征进行多模态特征融合；
S25、利用全连接层对融合得到的特征进行分类，得到对DR发生的预测结果，并据此与所述2年后是否发生DR的标注计算损失值；
S26、根据所述损失值调整全连接层的参数，直至其小于预设的阈值，完成所述基于多模态的分类模型的训练；
S3、利用所述分类模型使用未患DR的糖尿病患者的视网膜眼底图像进行预测，预测结果为其未来2年内发生DR的概率，并按照一定的阈值划分患病风险为高风险、中风险和低风险。
2.如权利要求1所述的一种基于回顾性校正的糖尿病视网膜病变的预测方法，其特征在于，步骤S1中DR回顾性队列的创建及标注包含如下步骤：
S11、基线时，将符合入选标准的未患DR的糖尿病患者纳入队列，收集其临床信息和视网膜眼底图像；
S12、基线的2年后，对队列中的患者进行随访，收集其视网膜眼底图像和是否患DR的信息；
S13、根据基线2年后患者是否患DR对其基线的视网膜眼底图像进行标注，患DR标注为1，否则标注为0；
S14、由专家级眼科医生对基线2年后患DR患者的视网膜眼底图像进行像素级标注，标注出图像中的病变区域，得到所需的数据集。
3.如权利要求1所述的基于多模态的分类模型训练，其特征在于，步骤S21中预测DR发生的分类网络的预训练包含如下步骤：
S211、将所述未患DR的糖尿病患者基线时的视网膜眼底图像输入到分类网络中，输出对DR发生的预测结果，同时生成对预测发生DR的贡献热图；
S212、根据预测结果和所述2年后是否发生DR的标注计算交叉熵损失L1；
S213、根据所述2年后眼底图像的像素级标注得到其Mask；
S214、根据所述热图以及2年后视网膜眼底图像的Mask，计算患病区域预测损失L2，以此进行回顾性校正，使网络中的特征提取模块更加关注未来可能发生病变的区域，L2计算公式如下：
上式中，B代表2年后视网膜眼底图像的mask，H代表所述贡献热图，||E代表按元素取绝对值，M为图像的像素数量；
S215、将交叉熵损失L1和患病区域预测损失L2加权相加得到总损失函数L如下：
L＝αL1+βL2 (2)
上式中，α、β分别为L1和L2对应的权重；
S216、调整所述分类网络的参数，直至所述总损失函数L的值小于预设的阈值，完成预训练。
CN202211578566.3A 2022-12-09 2022-12-09 一种基于回顾性校正的糖尿病视网膜病变的预测方法 Active CN116110589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211578566.3A CN116110589B (zh) 2022-12-09 2022-12-09 一种基于回顾性校正的糖尿病视网膜病变的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211578566.3A CN116110589B (zh) 2022-12-09 2022-12-09 一种基于回顾性校正的糖尿病视网膜病变的预测方法

Publications (2)

Publication Number Publication Date
CN116110589A CN116110589A (zh) 2023-05-12
CN116110589B true CN116110589B (zh) 2023-11-03

Family

ID=86262902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211578566.3A Active CN116110589B (zh) 2022-12-09 2022-12-09 一种基于回顾性校正的糖尿病视网膜病变的预测方法

Country Status (1)

Country Link
CN (1) CN116110589B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102014731A (zh) * 2008-04-08 2011-04-13 新加坡国立大学 视网膜图像分析系统和方法
CN108470359A (zh) * 2018-02-11 2018-08-31 艾视医疗科技成都有限公司 一种糖尿病性视网膜眼底图像病变检测方法
CN112567378A (zh) * 2018-05-27 2021-03-26 易鲁希德生物成像公司 利用定量成像的方法和系统
CN115439491A (zh) * 2022-09-02 2022-12-06 中山大学附属第六医院 Mri图像肠损伤区域的分割方法、装置及等级评估系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102014731A (zh) * 2008-04-08 2011-04-13 新加坡国立大学 视网膜图像分析系统和方法
CN108470359A (zh) * 2018-02-11 2018-08-31 艾视医疗科技成都有限公司 一种糖尿病性视网膜眼底图像病变检测方法
CN112567378A (zh) * 2018-05-27 2021-03-26 易鲁希德生物成像公司 利用定量成像的方法和系统
CN115439491A (zh) * 2022-09-02 2022-12-06 中山大学附属第六医院 Mri图像肠损伤区域的分割方法、装置及等级评估系统

Also Published As

Publication number Publication date
CN116110589A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN108771530B (zh) 基于深度神经网络的眼底病变筛查系统
Jiwani et al. A convolutional neural network approach for diabetic retinopathy classification
CN108172291B (zh) 基于眼底图像的糖尿病视网膜病变识别系统
Saha et al. Automated quality assessment of colour fundus images for diabetic retinopathy screening in telemedicine
Singh et al. An enhanced deep image model for glaucoma diagnosis using feature-based detection in retinal fundus
Mumtaz et al. Automatic detection of retinal hemorrhages by exploiting image processing techniques for screening retinal diseases in diabetic patients
CN116386860A (zh) 基于多模态的糖尿病及其并发症智能辅助预测与诊断平台
Hassan et al. Exploiting the transferability of deep learning systems across multi-modal retinal scans for extracting retinopathy lesions
Chen et al. Artificial intelligence–assisted early detection of retinitis pigmentosa—the most common inherited retinal degeneration
Tripathi et al. MTCD: Cataract detection via near infrared eye images
CN116110589B (zh) 一种基于回顾性校正的糖尿病视网膜病变的预测方法
Ang et al. Computer-based identification of diabetic maculopathy stages using fundus images
Alam et al. Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation
Pagano et al. Artificial intelligence in cornea and ocular surface diseases
Fu et al. A GAN-based deep enhancer for quality enhancement of retinal images photographed by a handheld fundus camera
CN113273959B (zh) 一种便携式糖尿病视网膜病变诊疗仪
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
Rahim et al. Novel Fundus image preprocessing for Retcam images to improve deep learning classification of retinopathy of prematurity
Noronha et al. Automated diagnosis of diabetes maculopathy: a survey
Xue et al. Deep learning-based analysis of infrared fundus photography for automated diagnosis of diabetic retinopathy with cataracts
Ghebrechristos et al. RetiNet—feature extractor for learning patterns of diabetic retinopathy and age-related macular degeneration from publicly available datasets
Choudhry et al. DarkNet-19 Based Intelligent Diagnostic System for Ocular Diseases
C Gandhi et al. Glaucoma Eyes Disease Identification: Using Vgg16 Model throughDeep Neural Network
Pavani et al. Robust semantic segmentation of retinal fluids from SD-OCT images using FAM-U-Net
Fang et al. Glaucoma multi-classification using the novel syndrome mechanism-based dual-channel network

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