CN116363740B - 基于深度学习的眼科疾病类别智能分析方法及装置 - Google Patents
基于深度学习的眼科疾病类别智能分析方法及装置 Download PDFInfo
- Publication number
- CN116363740B CN116363740B CN202310632455.4A CN202310632455A CN116363740B CN 116363740 B CN116363740 B CN 116363740B CN 202310632455 A CN202310632455 A CN 202310632455A CN 116363740 B CN116363740 B CN 116363740B
- Authority
- CN
- China
- Prior art keywords
- data
- otc
- ophthalmic disease
- image
- fundus
- 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
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 278
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 278
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000012800 visualization Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 208000030533 eye disease Diseases 0.000 description 14
- 210000001508 eye Anatomy 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 208000002177 Cataract Diseases 0.000 description 2
- 206010020675 Hypermetropia Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 201000006318 hyperopia Diseases 0.000 description 2
- 230000004305 hyperopia Effects 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 208000002367 Retinal Perforations Diseases 0.000 description 1
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 208000029233 macular holes Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/193—Preprocessing; Feature extraction
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/32—Normalisation of the pattern dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ophthalmology & Optometry (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明涉及一种基于深度学习的眼科疾病类别智能分析方法及装置，所述方法包括：识别目标眼科疾病数据中的眼科疾病类型，对目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据；提取眼科结构化数据中的眼科疾病标签，构建眼科疾病标签与眼科疾病类型的关联关系；获取就医人员的眼底影像和OTC影像，分别对眼底影像和OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像；分别对归一化眼底影像和归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取眼底热力影像和OTC热力影像的眼底特征图和OTC特征图；以识别就医人员的当前眼科疾病类型。本发明可提高眼科疾病类别智能分析的准确性。
Description
技术领域
本发明涉及智能分析领域，尤其涉及一种基于深度学习的眼科疾病类别智能分析方法及装置。
背景技术
眼科疾病是指眼睛构成的疾病，眼科疾病类别智能分析可以高效且准确的确定患者的眼疾类型，并及时治疗，提高医院对眼疾患者的就治效率。
目前眼科疾病类别智能分析主要通过拍患者眼部照片和历史眼疾照片比对分析出眼科疾病类别的方法，这种方式分析的患者眼部疾病的照片模态单一，无法从深层次分析眼睛的病症信息，从而导致眼科疾病类别分析不够准确。
发明内容
为了解决上述问题，本发明提供了一种基于深度学习的眼科疾病类别智能分析方法及装置，可以提高眼科疾病类别智能分析的准确性。
第一方面，本发明提供了一种基于深度学习的眼科疾病类别智能分析方法，包括：
获取历史眼科疾病信息，对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，识别所述目标眼科疾病数据中的眼科疾病类型，根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据；
提取所述眼科结构化数据中的眼科疾病标签，构建所述眼科疾病标签与所述眼科疾病类型的关联关系；
获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像，分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像；
分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图；
将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型。
在第一方面的一种可能实现方式中，所述对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，包括：
对所述历史眼科疾病信息进行数据降噪，得到降噪眼科数据；
分析所述降噪眼科数据的眼科数据属性；
根据所述眼科数据属性，识别所述降噪眼科疾病数据的眼科疾病数据；
检验所述眼科疾病数据的数据有效性；
根据所述数据有效性，从所述眼科疾病数据中筛选出所述目标眼科疾病数据。
在第一方面的一种可能实现方式中，所述识别所述目标眼科疾病数据中的眼科疾病类型，包括：
分析所述目标眼科疾病数据的数据特征；
根据所述数据特征，利用下述公式计算所述目标眼科疾病数据中的眼科疾病类型：
；
其中，表示眼科疾病类型，/>表示分类函数，/>表示目标眼科疾病数据，/>表示目标眼科疾病数据中的第j个数据，/>表示目标眼科疾病数据中的第j个数据的数据特征，/>表示目标眼科疾病数据的数据数量。
在第一方面的一种可能实现方式中，所述根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据，包括：
分析所述眼科疾病类型的类型特征；
根据所述类型特征，对所述目标眼科疾病数据进行数据关联，得到数据连接关系；
根据所述数据连接关系，识别目标眼科疾病数据的数据关联节点；
根据所述数据关联节点，对所述目标眼科疾病数据进行数据结构化处理，得到所述眼科结构化数据。
在第一方面的一种可能实现方式中，所述提取所述眼科结构化数据中的眼科疾病标签，包括：
识别所述眼科结构化数据中的的眼科数据结构；
根据所述眼科数据结构，利用下述公式计算眼科结构化数据中的眼科疾病标签：
；
其中，所述表示眼科疾病标签，/>表示眼科结构化数据中第f个数据，/>表示眼科结构化数据中第f个数据对应的眼科数据结构中的结构节点，/>表示眼科数据结构，/>表示结构节点权重系数。
在第一方面的一种可能实现方式中，所述分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像，包括：
利用下述公式计算所述眼底影像和所述OTC影像的归一化眼底影像和归一化OTC影像：
；
其中，表示归一化眼底影像或归一化OTC影像，/>表示眼底影像或OTC影像的长度，/>表示眼底影像或OTC影像的宽度，/>表示卷积核的大小，/>表示对眼底影像或OTC影像的填充的行数和列数，/>和/>表示眼底影像或OTC影像水平和垂直的步幅。
在第一方面的一种可能实现方式中，所述分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图，包括：
分别将所述眼底热力影像和所述OTC热力影像像素化，得到眼底像素图和OTC像素图；
分别提取所述眼底像素图和所述OTC像素图中每个像素空间的眼底像素信息和OTC像素信息；
分别识别所述眼底像素信息和所述OTC像素信息中的眼底像素特征和OTC像素特征；
所述眼底像素特征和所述OTC像素特征，构建所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图。
在第一方面的一种可能实现方式中，所述根据所述眼底像素特征和所述OTC像素特征，构建所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图，包括：
利用下述公式计算所述所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图：
；
其中，和/>表示眼底特征图和OTC特征图，/>表示眼底像素图和OTC像素图的像素坐标，/>和/>表示眼底像素特征和OTC像素特征，/>和/>表示像素特征的对应的权重。
在第一方面的一种可能实现方式中，所述将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型，包括：
利用下述公式以识别所述就医人员的当前眼科疾病类型：
；
其中，表示当前眼科疾病类型，/>()表示多模态眼科疾病分类模型，眼底特征图和OTC特征图所标记的疾病标签，/>表示疾病标签对应的权重，/>表示关联关系。
第二方面，本发明提供了一种基于深度学习实现眼科疾病类别智能分析装置，所述装置包括：
数据结构化模块，用于获取历史眼科疾病信息，对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，识别所述目标眼科疾病数据中的眼科疾病类型，根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据；
眼科疾病标签关联模块，用于提取所述眼科结构化数据中的眼科疾病标签，构建所述眼科疾病标签与所述眼科疾病类型的关联关系；
影像归一化模块，用于获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像，分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像；
影像特征图获取模块，用于分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图；
眼科疾病类型判别模块，用于将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型。
与现有技术相比，本方案的技术原理及有益效果在于：
本发明可及时排除有可能影响数据库本身数据进行有效处理与分析的非法数据信息，并且通过提取所述眼科结构化数据中的眼科疾病标签，可以为患者提供的数据进行快速的标签标记，提高数据的处理速度和提高对患者眼科疾病类型判断的准确性，并且为后期判断眼科疾病类型的分析提供判断依据。进一步的，本发明通过分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像可以将图片信息具体化，从而更好的分析图像的特征，提高眼睛疾病类型判断的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于深度学习的眼科疾病类别智能分析方法的流程示意图；
图2为本发明一实施例提供的基于深度学习实现眼科疾病类别智能分析装置的模块示意图；
图3为本发明一实施例提供的实现基于深度学习的眼科疾病类别智能分析方法的电子设备的内部结构示意图。
具体实施方式
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于深度学习的眼科疾病类别智能分析方法，所述基于深度学习的眼科疾病类别智能分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习的眼科疾病类别智能分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示，是本发明一实施例提供的基于深度学习的眼科疾病类别智能分析方法的流程示意图。其中，图1中描述的基于深度学习的眼科疾病类别智能分析方法包括：
S1、获取历史眼科疾病信息，对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，识别所述目标眼科疾病数据中的眼科疾病类型，根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据。
本发明实施例中，所述历史眼科疾病信息是指通过数据抓取得到的有关眼科疾病信息的数据。
本发明实施例通过对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，检验待存储的数据信息是否与眼科疾病数据库存在冲突,及时排除有可能影响数据库本身数据进行有效处理与分析的非法数据信息，其中，所述目标眼科疾病数据是指对所述目标眼科疾病数据进行清洗、删除等一系列操作后得到的数据。
作为本发明的一实施例，通过对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，包括：对所述历史眼科疾病信息进行数据降噪，得到降噪眼科数据；分析所述降噪眼科数据的眼科数据属性；根据所述眼科数据属性，识别所述降噪眼科疾病数据的眼科疾病数据；检验所述眼科疾病数据的数据有效性；根据所述数据有效性，从所述眼科疾病数据中筛选出所述目标眼科疾病数据。
其中，所述降噪眼科数据是指通过处理无效信息后得到的数据集合，所述无效信息包括列名不规范、格式不一致，存在重复值，缺失值，异常值等异常数据中的一项或几项；所述眼科数据属性是指能对不同形式存储的所述降噪眼科数据进行属性解析后得到的属性数据；所述数据有效性是指能对所述眼科疾病数据与数据库之间建立异步请求，判别所述眼科疾病数据在数据库中是否存在的可能性。
进一步地，对所述政务数据进行数据降噪，得到降噪眼科数据可以通过降噪函数来实现，其中，所述清洗函数可以是python数据降噪函数、pandas数据降噪函数、Powerbi数据降噪函数等函数。
进一步地，本发明实施例通过识别所述目标眼科疾病数据中的眼科疾病类型可以为后期确定眼科疾病的疾病类型提供数据基础。其中，所述眼科疾病类型是指通过目标如眼科疾病信息识别的疾病类型，例如，远视、近视、白内障等疾病。
所述识别所述目标眼科疾病数据中的眼科疾病类型，包括：分析所述目标眼科疾病数据的数据特征；根据所述数据特征，利用下述公式计算所述目标眼科疾病数据中的眼科疾病类型：
；
其中，表示眼科疾病类型，/>表示分类函数，/>表示目标眼科疾病数据，/>表示目标眼科疾病数据中的第j个数据，/>表示目标眼科疾病数据中的第j个数据的数据特征，/>表示目标眼科疾病数据的数据数量。
本发明实施例通过根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据可以得到眼科疾病类数据的整体结构。其中，所述眼科结构化数据是指对所述目标眼科疾病数据进行结构划分后的数据。
所述根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据，包括：
分析所述眼科疾病类型的类型特征；根据所述类型特征，对所述目标眼科疾病数据进行数据关联，得到数据连接关系；根据所述数据连接关系，识别目标眼科疾病数据的数据关联节点，根据所述数据关联节点，对所述目标眼科疾病数据进行数据结构化处理，得到所述眼科结构化数据。
其中，所述类型特征是指所述眼科疾病类型的每个疾病特征，例如，所述眼科疾病类型是远视，所述类型特征可以是近处东西看的模糊、所述眼科疾病类型是白内障，所述类型特征可以是眼球白色面积过大等特征，所述数据连接关系是指所述目标眼科疾病数据之间的数据连接关系，所述数据关联节点是指所述数据连接关系之间的节点。
进一步地，本发明一可选实施例中，对所述目标眼科疾病数据进行数据关联，得到数据连接关系可以通过关联函数来实现。
S2、提取所述眼科结构化数据中的眼科疾病标签，构建所述眼科疾病标签与所述眼科疾病类型的关联关系。
本发明实施例通过提取所述眼科结构化数据中的眼科疾病标签可以为患者提供的数据进行快速的标签标记，提高数据的处理速度和提高对患者眼科疾病类型判断的准确性。其中，所述眼科疾病标签是指眼科疾病的特征标签，例如眼睛无明显病症、视网膜脱离、黄斑裂孔等标签。
其中，提取所述眼科结构化数据中的眼科疾病标签，包括：识别所述眼科结构化数据中的的眼科数据结构；
根据所述眼科数据结构，利用下述公式计算眼科结构化数据中的眼科疾病标签：
；
其中，所述表示眼科疾病标签，/>表示眼科结构化数据中第f个数据，/>表示眼科结构化数据中第f个数据对应的眼科数据结构中的结构节点，/>表示眼科数据结构，/>表示结构节点权重系数。
本发明实施例通过构建所述眼科疾病标签与所述眼科疾病类型的关联关系可以明确每个标签所述代表的眼科疾病类型，从而为后期判断眼科疾病类型的分析提供判断依据。其中，所述关联关系是指所述眼科疾病标签与所述眼科疾病类型之间的关系。
作为本发明的一实施例，所述构建所述眼科疾病标签与所述眼科疾病类型的关联关系可以根据映射函数来关联。
S3、获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像，分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像。
本发明实施例通过获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像可以多模态采集就医人员的眼部照片，从而提高眼科疾病类型判断的准确性。其中，所述眼底影像是指眼睛视网膜平面的信息图像，所述OTC影像是指眼睛内部结构的图像。
本发明实施例通过分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像。可以对图像进行初始设置，方便后期对图像进行分析。其中，所述归一化眼底影像和所述归一化OTC影像是指将所述眼底影像和所述OTC影像进行大小、颜色统一后地影像。
作为本发明的一实施例，利用下述公式计算所述眼底影像和所述OTC影像的归一化眼底影像和归一化OTC影像：
；
其中，表示归一化眼底影像或归一化OTC影像，/>表示眼底影像或OTC影像的长度，/>表示眼底影像或OTC影像的宽度，/>表示卷积核的大小，/>表示对眼底影像或OTC影像的填充的行数和列数，/>和/>表示眼底影像或OTC影像水平和垂直的步幅。
S4、分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图。
本发明实施例通过分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像可以将图片信息具体化，从而更好的分析图像的特征，提高眼睛疾病类型判断的准确性。
所述分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化可以通过CNN 可视化算法来实现。
进一步地，本发明实施例通过分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图可以将图像的信息特征化，更加容易读取图像中眼睛信息，从而提高患者眼部疾病类型判断的准确性。其中，所述眼底特征图和所述OTC特征图是指所述眼底热力影像和所述OTC热力影像的中具有特征信息的图像。
作为本发明的一实施例，所述分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图，包括：分别将所述眼底热力影像和所述OTC热力影像像素化，得到眼底像素图和OTC像素图；分别提取所述眼底像素图和所述OTC像素图中每个像素空间的眼底像素信息和OTC像素信息；分别识别所述眼底像素信息和所述OTC像素信息中的眼底像素特征和OTC像素特征；根据所述眼底像素特征和所述OTC像素特征，构建所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图。
其中，所述眼底像素图和所述OTC像素图是指将所述眼底热力影像和所述OTC热力影像进行像素转化后的图像，所述眼底像素信息和所述OTC像素信息是指像素图中每个像素空间的表达的图像信息，所述眼底像素特征和所述OTC像素特征是指所述眼底像素信息和所述OTC像素信息中的每个像素空间的像素特征。
进一步地，本发明一可选实施中，利用下述公式计算所述所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图：
；
其中，和/>表示眼底特征图和OTC特征图，/>表示眼底像素图和OTC像素图的像素坐标，/>和/>表示眼底像素特征和OTC像素特征，/>和/>表示像素特征的对应的权重。
S5、将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型。
本发明实施例通过将所述关联关系、眼底特征图以及OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型可以通过多维度的对眼疾患者的数据进行分析，输出眼科疾病类型，可以提高对眼疾患者眼部疾病类型判断的准确性。其中，所述当前眼科疾病类型是指就医人员通过检查分析得出的眼科疾病的类型。
作为本发明的一实施例，所述将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，利用下述公式以识别所述就医人员的当前眼科疾病类型：
；
其中，表示当前眼科疾病类型，/>()表示多模态眼科疾病分类模型，眼底特征图和OTC特征图所标记的疾病标签，/>表示疾病标签对应的权重，/>表示关联关系。
可以看出，本实施例通过对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，检验待存储的数据信息是否与眼科疾病数据库存在冲突，以及时排除有可能影响数据库本身数据进行有效处理与分析的非法数据信息；
进一步地，本实施例通过提取所述眼科结构化数据中的眼科疾病标签为患者提供的数据进行快速的标签标记，提高数据的处理速度和提高对患者眼科疾病类型判断的准确性，同时通过构建所述眼科疾病标签与所述眼科疾病类型的关联关系，以明确每个标签所述代表的眼科疾病类型，从而为后期判断眼科疾病类型的分析提供判断依据。
进一步的，本实施例分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像，由此对图像进行初始设置，方便后期对图像进行分析。同时分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像可以将图片信息具体化，从而更好的分析图像的特征，提高眼睛疾病类型判断的准确性。
如图2所示，是本发明基于深度学习的眼科疾病类别智能分析装置功能模块图。
本发明所述基于深度学习的眼科疾病类别智能分析装置200可以安装于电子设备中。根据实现的功能，所述基于深度学习实现眼科疾病类别智能分析装置可以包括数据结构化模块201、眼科疾病标签关联模块202、影像归一化模块203、影像特征图获取模块202以及科疾病类型判别模块203。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
所述数据结构化模块201，用于获取历史眼科疾病信息，对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，识别所述目标眼科疾病数据中的眼科疾病类型，根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据；
所述眼科疾病标签关联模块202，用于提取所述眼科结构化数据中的眼科疾病标签，构建所述眼科疾病标签与所述眼科疾病类型的关联关系；
所述影像归一化模块203，用于获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像，分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像；
所述影像特征图获取模块204，用于分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图；
所述眼科疾病类型判别模块205，用于将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型。
详细地，本发明实施例中所述基于深度学习实现眼科疾病类别智能分析装置200中的所述各模块在使用时采用与上述的图1所述的基于深度学习的眼科疾病类别智能分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现基于深度学习的眼科疾病类别智能分析方法的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，如基于深度学习的眼科疾病类别智能分析程序。
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现上述基于深度学习的眼科疾病类别智能分析方法。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现上述基于深度学习的眼科疾病类别智能分析方法。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的眼科疾病类别智能分析方法，其特征在于，所述方法包括：
获取历史眼科疾病信息，对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，识别所述目标眼科疾病数据中的眼科疾病类型，根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据；
提取所述眼科结构化数据中的眼科疾病标签，构建所述眼科疾病标签与所述眼科疾病类型的关联关系；
获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像，分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像；
分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图；
将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型。
2.根据权利要求1所述的方法，其特征在于，所述对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，包括：
对所述历史眼科疾病信息进行数据降噪，得到降噪眼科数据；
分析所述降噪眼科数据的眼科数据属性；
根据所述眼科数据属性，识别所述降噪眼科疾病数据的眼科疾病数据；
检验所述眼科疾病数据的数据有效性；
根据所述数据有效性，从所述眼科疾病数据中筛选出所述目标眼科疾病数据。
3.根据权利要求1所述的方法，其特征在于，所述识别所述目标眼科疾病数据中的眼科疾病类型，包括：
分析所述目标眼科疾病数据的数据特征；
根据所述数据特征，利用下述公式计算所述目标眼科疾病数据中的眼科疾病类型：
；
其中，表示眼科疾病类型，/>表示分类函数，/>表示目标眼科疾病数据，/>表示目标眼科疾病数据中的第j个数据，/>表示目标眼科疾病数据中的第j个数据的数据特征，/>表示目标眼科疾病数据的数据数量。
4.根据权利要求1所述的方法，其特征在于，所述根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据，包括：
分析所述眼科疾病类型的类型特征；
根据所述类型特征，对所述目标眼科疾病数据进行数据关联，得到数据连接关系；
根据所述数据连接关系，识别目标眼科疾病数据的数据关联节点；
根据所述数据关联节点，对所述目标眼科疾病数据进行数据结构化处理，得到所述眼科结构化数据。
5.根据权利要求1所述的方法，其特征在于，所述提取所述眼科结构化数据中的眼科疾病标签，包括：
识别所述眼科结构化数据中的的眼科数据结构；
根据所述眼科数据结构，利用下述公式计算眼科结构化数据中的眼科疾病标签：
；
其中，所述表示眼科疾病标签，/>表示眼科结构化数据中第f个数据，/>表示眼科结构化数据中第f个数据对应的眼科数据结构中的结构节点，/>表示眼科数据结构，/>表示结构节点权重系数。
6.根据权利要求1所述的方法，其特征在于，所述分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像，包括：
利用下述公式计算所述眼底影像和所述OTC影像的归一化眼底影像和归一化OTC影像：
；
其中，表示归一化眼底影像或归一化OTC影像，/>表示眼底影像或OTC影像的长度，/>表示眼底影像或OTC影像的宽度，/>表示卷积核的大小，/>表示对眼底影像或OTC影像的填充的行数和列数，/>和/>表示眼底影像或OTC影像水平和垂直的步幅。
7.根据权利要求1所述的方法，其特征在于，所述分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图，包括：
分别将所述眼底热力影像和所述OTC热力影像像素化，得到眼底像素图和OTC像素图；
分别提取所述眼底像素图和所述OTC像素图中每个像素空间的眼底像素信息和OTC像素信息；
分别识别所述眼底像素信息和所述OTC像素信息中的眼底像素特征和OTC像素特征；
根据所述眼底像素特征和所述OTC像素特征，构建所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图。
8.根据权利要求7所述的方法，其特征在于，所述根据所述眼底像素特征和所述OTC像素特征，构建所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图，包括：
利用下述公式计算所述所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图：
；
其中，和/>表示眼底特征图和OTC特征图，/>表示眼底像素图和OTC像素图的像素坐标，/>和/>表示眼底像素特征和OTC像素特征，/>和/>表示像素特征的对应的权重。
9.根据权利要求1所述的方法，其特征在于，所述将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型，包括：
利用下述公式识别所述就医人员的当前眼科疾病类型：
；
其中，表示当前眼科疾病类型，/>()表示多模态眼科疾病分类模型，眼底特征图和OTC特征图所标记的疾病标签，/>表示疾病标签对应的权重，/>表示关联关系。
10.一种基于深度学习的眼科疾病类别智能分析装置，其特征在于，所述装置包括：
数据结构化模块，用于获取历史眼科疾病信息，对所述历史眼科疾病信息进行数据预处理，得到目标眼科疾病数据，识别所述目标眼科疾病数据中的眼科疾病类型，根据所述眼科疾病类型，对所述目标眼科疾病数据进行数据结构化处理，得到眼科结构化数据；
眼科疾病标签关联模块，用于提取所述眼科结构化数据中的眼科疾病标签，构建所述眼科疾病标签与所述眼科疾病类型的关联关系；
影像归一化模块，用于获取就医人员的病例信息，其中，所述病例信息包括：眼底影像和OTC影像，分别对所述眼底影像和所述OTC影像进行图像归一化设置，得到归一化眼底影像和归一化OTC影像；
影像特征图获取模块，用于分别对所述归一化眼底影像和所述归一化OTC影像进行热力图可视化，得到眼底热力影像和OTC热力影像，分别提取所述眼底热力影像和所述OTC热力影像的眼底特征图和OTC特征图；
眼科疾病类型判别模块，用于将所述关联关系、所述眼底特征图以及所述OTC特征图作为输入值输入训练好的眼科疾病类别分析模型中，以识别所述就医人员的当前眼科疾病类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310632455.4A CN116363740B (zh) | 2023-05-31 | 2023-05-31 | 基于深度学习的眼科疾病类别智能分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310632455.4A CN116363740B (zh) | 2023-05-31 | 2023-05-31 | 基于深度学习的眼科疾病类别智能分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116363740A CN116363740A (zh) | 2023-06-30 |
| CN116363740B true CN116363740B (zh) | 2023-08-01 |
Family
ID=86923426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310632455.4A Active CN116363740B (zh) | 2023-05-31 | 2023-05-31 | 基于深度学习的眼科疾病类别智能分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116363740B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330714A (zh) * | 2022-08-10 | 2022-11-11 | 中山大学中山眼科中心 | 一种荧光素眼底血管造影图像的分期和病变诊断系统 |
| CN115631367A (zh) * | 2022-09-30 | 2023-01-20 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220375610A1 (en) * | 2019-10-29 | 2022-11-24 | Google Llc | Multi-Variable Heatmaps for Computer-Aided Diagnostic Models |
| US11382506B2 (en) * | 2020-09-30 | 2022-07-12 | Ai-Ris LLC | Retinal imaging system |
-
2023
- 2023-05-31 CN CN202310632455.4A patent/CN116363740B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115330714A (zh) * | 2022-08-10 | 2022-11-11 | 中山大学中山眼科中心 | 一种荧光素眼底血管造影图像的分期和病变诊断系统 |
| CN115631367A (zh) * | 2022-09-30 | 2023-01-20 | 中国医学科学院生物医学工程研究所 | 基于神经网络模型的眼科超声图像分类方法以及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 《Retinal OCT Image Classification Based on Domain Adaptation Convolutional Neural Networks》;Zhide Li等;《2021 14th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics》;全文 * |
| 《眼底疾病人工智能检测平台的开发与应用实践》;岑令平 等;《人工智能》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116363740A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021082691A1 (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| CN110705419A (zh) | 情绪识别方法、预警方法、模型训练方法和相关装置 | |
| US20060257031A1 (en) | Automatic detection of red lesions in digital color fundus photographs | |
| WO2020140370A1 (zh) | 眼底出血点的自动检测方法、装置及计算机可读存储介质 | |
| EP3901816A1 (en) | Glaucoma image recognition method and device and screening system | |
| US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| WO2020151149A1 (zh) | 微动脉瘤自动检测方法、装置及计算机可读存储介质 | |
| WO2020125318A1 (zh) | 青光眼图像识别方法、设备和诊断系统 | |
| CN113658165B (zh) | 杯盘比确定方法、装置、设备及存储介质 | |
| CN113436070B (zh) | 一种基于深度神经网络的眼底图像拼接方法 | |
| US10832410B2 (en) | Computer system, method, and program for diagnosing subject | |
| CN113240655B (zh) | 一种自动检测眼底图像类型的方法、存储介质及装置 | |
| CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
| CN112446860B (zh) | 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法 | |
| CN114820603B (zh) | 基于ai舌诊图像处理的智能健康管理方法及相关装置 | |
| 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 | |
| JPWO2019073962A1 (ja) | 画像処理装置及びプログラム | |
| CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及系统 | |
| CN116363740B (zh) | 基于深度学习的眼科疾病类别智能分析方法及装置 | |
| WO2019082202A1 (en) | EARTHQUAKE IMAGE QUALITY ASSESSMENT SYSTEM | |
| CN114864093B (zh) | 基于眼底图像进行疾病预测的装置、方法及存储介质 | |
| CN111938567A (zh) | 基于深度学习的眼科参数测量方法、系统及设备 | |
| CN116030042A (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| WO2022252107A1 (zh) | 一种基于眼部图像的疾病检测系统及方法 | |
| CN116205802A (zh) | 图像去噪方法、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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230630 Assignee: Hubei Yunyihui Medical Technology Co.,Ltd. Assignor: RENMIN HOSPITAL OF WUHAN University (HUBEI GENERAL Hospital) Contract record no.: X2024980000802 Denomination of invention: Intelligent analysis method and device for ophthalmic disease categories based on deep learning Granted publication date: 20230801 License type: Common License Record date: 20240119 Application publication date: 20230630 Assignee: Hubei yapunodi Technology Development Co.,Ltd. Assignor: RENMIN HOSPITAL OF WUHAN University (HUBEI GENERAL Hospital) Contract record no.: X2024980000793 Denomination of invention: Intelligent analysis method and device for ophthalmic disease categories based on deep learning Granted publication date: 20230801 License type: Common License Record date: 20240119 |
|
| EE01 | Entry into force of recordation of patent licensing contract |