CN116912203A - 基于多智能模型结合的异常眼底图像低耗检测方法及系统 - Google Patents

基于多智能模型结合的异常眼底图像低耗检测方法及系统 Download PDF

Info

Publication number
CN116912203A
CN116912203A CN202310862291.4A CN202310862291A CN116912203A CN 116912203 A CN116912203 A CN 116912203A CN 202310862291 A CN202310862291 A CN 202310862291A CN 116912203 A CN116912203 A CN 116912203A
Authority
CN
China
Prior art keywords
detection
fundus image
detected
training sample
image
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.)
Granted
Application number
CN202310862291.4A
Other languages
English (en)
Other versions
CN116912203B (zh
Inventor
王小龙
管军霖
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202310862291.4A priority Critical patent/CN116912203B/zh
Publication of CN116912203A publication Critical patent/CN116912203A/zh
Application granted granted Critical
Publication of CN116912203B publication Critical patent/CN116912203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/20—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)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于多智能模型结合的异常眼底图像低耗检测方法及系统，涉及图像检测技术领域。该方法包括：利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和异常眼底模板图像之间的相似度，若大于相似度阈值，则认定其为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对其进行检测，若大于分数上限值，则认定其为正常眼底图像；若小于分数下限值，则认定其为异常眼底图像；若处于临界区域，则利用基于差异性层级网络模块相互校验的检测模型对其进行检测，得到最终的检测结果。本发明结合多种不同复杂程度的智能模型，在保证检测精度的前提下最大限度地降低计算资源消耗。

Description

基于多智能模型结合的异常眼底图像低耗检测方法及系统
技术领域
本发明涉及图像检测技术领域，具体而言，涉及一种基于多智能模型结合的异常眼底图像低耗检测方法及系统。
背景技术
眼底图像可以反映人体全身血液循环的动态以及健康状况，许多全身疾病都可以从眼底上反映出来。随着科技的进步，许多医院已经利用现代信息技术，在眼底图像库中精准检测出异常眼底图像，从而更加充分和全面地了解哪些就诊人员存在健康问题。
然而，对大量的眼底图像进行检测往往会消耗巨大的计算资源。尽管部分低耗的异常眼底图像检测技术已经在医疗领域应用，但检测精度难以保持较高水平，无法有效地对就诊人员健康状况进行评估。因此，如何充分利用多种智能模型，以较低的消耗实现高精度的异常眼底图像检测有非常重要的价值和意义。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于多智能模型结合的异常眼底图像低耗检测方法及系统，结合基于细节匹配和空间熵值比对相结合的相似度检测模型、基于训练样本多维度智能筛选的SVM检测模型、基于差异性层级网络模块相互校验的检测模型等多种不同复杂程度的智能模型，在保证检测精度的前提下最大限度地降低计算资源消耗。
为解决上述技术问题，本发明采用的技术方案为：
第一方面，本发明提供一种基于多智能模型结合的异常眼底图像低耗检测方法，包括以下步骤：
任意选取眼底图像库中的一幅眼底图像作为待检测眼底图像，利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度，以得到对应的多个相似度结果；
若任意一个相似度结果大于预置的相似度阈值，则认定该待检测眼底图像为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，以得到检测得分结果；
根据检测得分结果判定该待检测眼底图像为正常眼底图像或异常眼底图像；若检测得分结果大于预置的分数上限值，则认定该待检测眼底图像为正常眼底图像；若检测得分结果小于预置的分数下限值，则认定该待检测眼底图像为异常眼底图像；
若检测得分结果小于分数上限值且大于分数下限值，则利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，以得到最终的检测结果。
首先，本发明提出了基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和异常眼底模板图像的相似度，该模型将细节匹配和空间熵值比对进行充分结合，从多个维度进行相似度检测，显著地提升了相似度检测的精准度。其次，本发明提出了基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，该模型从多图像尺度峰值信噪比检测、显著性区域合理性评估等多个角度判断训练样本的质量，并仅保留更加优质的训练样本用来对SVM模型进行训练，确保了训练出的检测模型有较高的检测精准度。最后，本发明还提出了基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，该模型通过不同层级网络模块相互校验的方式，最大限度地降低了待检测眼底图像的检测误差。特别地，本发明将多种不同复杂程度的智能模型进行充分结合，当待检测眼底图像利用简易检测模型无法得到结果时再利用更为复杂的检测模型，这种检测方案能够在保证检测精度的前提下最大限度地降低计算资源消耗。
基于第一方面，进一步地，上述利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度的方法包括以下步骤：
利用基于小波变换的图像增强算法，将待检测眼底图像和任意一幅异常眼底模板图像分别进行图像增强处理；
将图像增强处理后的两幅图像进行匹配，若匹配度低于预置的匹配度阈值，则认定两幅图像不相似；反之，则将两幅图像分别进行多等分划分，以得到两幅图像分别对应的多个等分区域图像；
分别计算并将两幅图像对应的多个等分区域图像的熵值进行比对，以得到对应区域的熵值比对结果；
若各个熵值比对结果均相同，则认定待检测眼底图像与该异常眼底模板图像相似，认定该待检测眼底图像为异常眼底图像。
基于第一方面，进一步地，上述利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测的方法包括以下步骤：
分别选取部分正常眼底图像和异常眼底图像作为正训练样本和负训练样本；
对每个正训练样本和每个负训练样本进行多尺度重建，以得到对应的多个尺度下的正训练样本和负训练样本；
多各个尺度下的正训练样本和负训练样本进行峰值信噪比检测，以得到并根据对应的峰值信噪比检测结果对正训练样本和负训练样本进行筛选；
将筛选后的正训练样本和负训练样本进行显著性区域检测，以得到并根据显著性区域检测结果对正训练样本和负训练样本进行再次筛选，以确定最终的正训练样本和负训练样本；
利用最终的正训练样本和负训练样本对SVM模型进行训练，以得到并采用最终的检测模型，对待检测眼底图像进行检测。
基于第一方面，进一步地，上述根据对应的峰值信噪比检测结果对正训练样本和负训练样本进行筛选的方法包括以下步骤：
若某个正训练样本或负训练样本在任意一个尺度下的峰值信噪比检测结果低于预置的峰值信噪比阈值，则认定该正训练样本或负训练样本不合格，将该正训练样本或负训练样本删除。
基于第一方面，进一步地，上述利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测的方法包括以下步骤：
构建一个低层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该低层级的卷积神经网络进行训练，以得到低层级网络检测模块；
构建一个普通层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该普通层级的卷积神经网络进行训练，以得到普通层级网络检测模块；
构建一个高层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该高层级的卷积神经网络进行训练，以得到高层级网络检测模块；
将低层级网络检测模块、普通层级网络检测模块和高层级网络检测模块进行并联，以得到差异性层级网络模型；
将待检测眼底图像输入到差异性层级网络模型中，分别经过低层级网络检测模块、普通层级网络检测模块和高层级网络检测模块，生成对应模块的检测结果；
若各个检测结果相同，则输出最终的检测结果；若任意一个检测结果与另外两个检测结果不同，则将另外两个相同检测结果作为最终的检测结果。
基于第一方面，进一步地，该基于多智能模型结合的异常眼底图像低耗检测方法还包括以下步骤：
对眼底图像库中的每一个眼底图像进行检测，将检测结果为异常眼底图像的眼底图像进行标记，生成并将标记结果发送给对应的医护人员。
第二方面，本发明提供一种基于多智能模型结合的异常眼底图像低耗检测系统，包括相似度检测模块、第一图像检测模块、检测判定模块以及第二图像检测模块，其中：
相似度检测模块，用于任意选取眼底图像库中的一幅眼底图像作为待检测眼底图像，利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度，以得到对应的多个相似度结果；
第一图像检测模块，用于当任意一个相似度结果大于预置的相似度阈值时，认定该待检测眼底图像为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，以得到检测得分结果；
检测判定模块，用于根据检测得分结果判定该待检测眼底图像为正常眼底图像或异常眼底图像；若检测得分结果大于预置的分数上限值，则认定该待检测眼底图像为正常眼底图像；若检测得分结果小于预置的分数下限值，则认定该待检测眼底图像为异常眼底图像；
第二图像检测模块，用于当检测得分结果小于分数上限值且大于分数下限值时，利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，以得到最终的检测结果。
本系统通过相似度检测模块、第一图像检测模块、检测判定模块以及第二图像检测模块等多个模块的结合，将多种不同复杂程度的智能模型进行充分结合，当待检测眼底图像利用简易检测模型无法得到结果时再利用更为复杂的检测模型，这种检测方案能够在保证检测精度的前提下最大限度地降低计算资源消耗。首先，本发明提出了基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和异常眼底模板图像的相似度，该模型将细节匹配和空间熵值比对进行充分结合，从多个维度进行相似度检测，显著地提升了相似度检测的精准度。其次，本发明提出了基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，该模型从多图像尺度峰值信噪比检测、显著性区域合理性评估等多个角度判断训练样本的质量，并仅保留更加优质的训练样本用来对SVM模型进行训练，确保了训练出的检测模型有较高的检测精准度。最后，本发明还提出了基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，该模型通过不同层级网络模块相互校验的方式，最大限度地降低了待检测眼底图像的检测误差。
第三方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；处理器；当一个或多个程序被处理器执行时，实现如上述第一方面中任一项的方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项的方法。
本发明至少具有如下优点或有益效果：
本发明提供一种基于多智能模型结合的异常眼底图像低耗检测方法及系统，将基于细节匹配和空间熵值比对相结合的相似度检测模型、基于训练样本多维度智能筛选的SVM检测模型、基于差异性层级网络模块相互校验的检测模型等多种不同复杂程度的智能模型进行充分结合，当待检测眼底图像利用简易检测模型无法得到结果时再利用更为复杂的检测模型，这种检测方案能够在保证检测精度的前提下最大限度地降低计算资源消耗。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例一种基于多智能模型结合的异常眼底图像低耗检测方法的流程图；
图2为本发明实施例一种基于多智能模型结合的异常眼底图像低耗检测方法中利用基于细节匹配和空间熵值比对相结合的相似度检测模型进行相似度检测的流程图；
图3为本发明实施例一种基于多智能模型结合的异常眼底图像低耗检测方法中利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测的流程图；
图4为本发明实施例一种基于多智能模型结合的异常眼底图像低耗检测系统的原理框图；
图5为本发明实施例提供的一种电子设备的结构框图。
附图标记说明：100、相似度检测模块；200、第一图像检测模块；300、检测判定模块；400、第二图像检测模块；101、存储器；102、处理器；103、通信接口。
具体实施方式
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例的描述中，“多个”代表至少2个。
实施例：
如图1-图3所示，第一方面，本发明实施例提供一种基于多智能模型结合的异常眼底图像低耗检测方法，包括以下步骤：
S1、任意选取眼底图像库中的一幅眼底图像作为待检测眼底图像，利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度，以得到对应的多个相似度结果；
进一步地，如图2所示，包括：
S11、利用基于小波变换的图像增强算法，将待检测眼底图像和任意一幅异常眼底模板图像分别进行图像增强处理；
S12、将图像增强处理后的两幅图像进行匹配，若匹配度低于预置的匹配度阈值，则认定两幅图像不相似；反之，则将两幅图像分别进行多等分划分，以得到两幅图像分别对应的多个等分区域图像；
S13、分别计算并将两幅图像对应的多个等分区域图像的熵值进行比对，以得到对应区域的熵值比对结果；
S14、若各个熵值比对结果均相同，则认定待检测眼底图像与该异常眼底模板图像相似，认定该待检测眼底图像为异常眼底图像。
在本发明的一些实施例中，任意选出眼底图像库中的一幅眼底图像，作为待检测眼底图像。提前选取部分代表性较强的异常眼底图像作为异常眼底模板图像。利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和所有异常眼底模板图像的相似度，如果计算出该待检测眼底图像和任意一个异常眼底模板图像的相似度较高，直接认定该待检测眼底图像为异常眼底图像；否则，继续进行下一步检测。
上述基于细节匹配和空间熵值比对相结合的相似度检测模型具体包括：利用基于小波变换的图像增强算法，将两幅图像分别进行图像增强，在此基础上对两幅图像进行匹配，如果匹配度较低，直接认定两幅图像不相似；如果匹配度较高，继续进行下一步。将两幅图像各等分为4个区域，计算每幅图像中4个区域的熵值，并将两幅图像每个对应区域的熵值进行比对(左上对左上，右下对右下等)，如果两幅图像每个对应区域的熵值都高度相近，最终认定两幅图像的相似度较高。
S2、若任意一个相似度结果大于预置的相似度阈值，则认定该待检测眼底图像为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，以得到检测得分结果；
进一步地，如图3所示，包括：
S21、分别选取部分正常眼底图像和异常眼底图像作为正训练样本和负训练样本；
S22、对每个正训练样本和每个负训练样本进行多尺度重建，以得到对应的多个尺度下的正训练样本和负训练样本；
S23、多各个尺度下的正训练样本和负训练样本进行峰值信噪比检测，以得到并根据对应的峰值信噪比检测结果对正训练样本和负训练样本进行筛选；进一步地，包括：若某个正训练样本或负训练样本在任意一个尺度下的峰值信噪比检测结果低于预置的峰值信噪比阈值，则认定该正训练样本或负训练样本不合格，将该正训练样本或负训练样本删除。
S24、将筛选后的正训练样本和负训练样本进行显著性区域检测，以得到并根据显著性区域检测结果对正训练样本和负训练样本进行再次筛选，以确定最终的正训练样本和负训练样本；
S25、利用最终的正训练样本和负训练样本对SVM模型进行训练，以得到并采用最终的检测模型，对待检测眼底图像进行检测。
在本发明的一些实施例中，上述基于训练样本多维度智能筛选的SVM检测模型具体包括：选取部分正常眼底图像作为正训练样本，选取部分异常眼底图像作为负训练样本。对于每个训练样本(包括正训练样本和负训练样本)，重建为多个图像尺度并在多个尺度下检测峰值信噪比。如果某个训练样本在任意一个图像尺度下峰值信噪比较低，直接认定该训练样本不符合要求，将其删除。对于剩下的每个训练样本，进行显著性区域检测。如果某个训练样本的显著性区域极小，直接认定该训练样本不符合要求，将其删除。利用筛选后的正训练样本和负训练样本对SVM模型进行训练，得到最终的检测模型。
S3、根据检测得分结果判定该待检测眼底图像为正常眼底图像或异常眼底图像；若检测得分结果大于预置的分数上限值，则认定该待检测眼底图像为正常眼底图像；若检测得分结果小于预置的分数下限值，则认定该待检测眼底图像为异常眼底图像；
在本发明的一些实施例中，利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，如果待检测眼底图像的SVM检测模型得分较高，直接认定其为正常眼底图像；如果待检测眼底图像的SVM检测模型得分较低，直接认定其为异常眼底图像；如果待检测眼底图像的SVM模型得分处于临界状态时，继续进行下一步。
S4、若检测得分结果小于分数上限值且大于分数下限值，则利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，以得到最终的检测结果。
进一步地，包括：构建一个低层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该低层级的卷积神经网络进行训练，以得到低层级网络检测模块；构建一个普通层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该普通层级的卷积神经网络进行训练，以得到普通层级网络检测模块；构建一个高层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该高层级的卷积神经网络进行训练，以得到高层级网络检测模块；将低层级网络检测模块、普通层级网络检测模块和高层级网络检测模块进行并联，以得到差异性层级网络模型；将待检测眼底图像输入到差异性层级网络模型中，分别经过低层级网络检测模块、普通层级网络检测模块和高层级网络检测模块，生成对应模块的检测结果；若各个检测结果相同，则输出最终的检测结果；若任意一个检测结果与另外两个检测结果不同，则将另外两个相同检测结果作为最终的检测结果。
在本发明的一些实施例中，上述基于差异性层级网络模块相互校验的检测模型具体包括：构建一个较低层级的卷积神经网络，利用足量的正训练样本(正常眼底图像)和负训练样本(异常眼底图像)对其进行训练，得到较低层级网络检测模块；构建一个普通层级的卷积神经网络，利用足量的正训练样本(正常眼底图像)和负训练样本(异常眼底图像)对其进行训练，得到普通层级网络检测模块；构建一个较高层级的卷积神经网络，利用足量的正训练样本(正常眼底图像)和负训练样本(异常眼底图像)对其进行训练，得到较高层级网络检测模块。将较低层级网络检测模块、普通层级网络检测模块、较高层级网络检测模块进行并联。待检测眼底图像同时经过三个不同层级的网络检测模块，如果三个网络检测模块的检测结果相同(例如，都检测为异常眼底图像)，直接输出检测结果；如果三个网络检测模块的检测结果不同(例如，两个网络检测模块检测为异常眼底图像，一个网络检测模块检测为正常眼底图像)，利用少数服从多数的方案输出检测结果。
首先，本发明提出了基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和异常眼底模板图像的相似度，该模型将细节匹配和空间熵值比对进行充分结合，从多个维度进行相似度检测，显著地提升了相似度检测的精准度。其次，本发明提出了基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，该模型从多图像尺度峰值信噪比检测、显著性区域合理性评估等多个角度判断训练样本的质量，并仅保留更加优质的训练样本用来对SVM模型进行训练，确保了训练出的检测模型有较高的检测精准度。最后，本发明还提出了基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，该模型通过不同层级网络模块相互校验的方式，最大限度地降低了待检测眼底图像的检测误差。特别地，本发明将多种不同复杂程度的智能模型进行充分结合，当待检测眼底图像利用简易检测模型无法得到结果时再利用更为复杂的检测模型，这种检测方案能够在保证检测精度的前提下最大限度地降低计算资源消耗。
基于第一方面，进一步地，该基于多智能模型结合的异常眼底图像低耗检测方法还包括以下步骤：
对眼底图像库中的每一个眼底图像进行检测，将检测结果为异常眼底图像的眼底图像进行标记，生成并将标记结果发送给对应的医护人员。
利用上述方法，对眼底图像库中的每一个眼底图像都进行检测，检测出所有的异常眼底图像。将所有的异常眼底图像进行标记，将标记结果提供给医生，医生重点关注并分析这些异常眼底图像。
如图4所示，第二方面，本发明实施例提供一种基于多智能模型结合的异常眼底图像低耗检测系统，包括相似度检测模块100、第一图像检测模块200、检测判定模块300以及第二图像检测模块400，其中：
相似度检测模块100，用于任意选取眼底图像库中的一幅眼底图像作为待检测眼底图像，利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度，以得到对应的多个相似度结果；
第一图像检测模块200，用于当任意一个相似度结果大于预置的相似度阈值时，认定该待检测眼底图像为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，以得到检测得分结果；
检测判定模块300，用于根据检测得分结果判定该待检测眼底图像为正常眼底图像或异常眼底图像；若检测得分结果大于预置的分数上限值，则认定该待检测眼底图像为正常眼底图像；若检测得分结果小于预置的分数下限值，则认定该待检测眼底图像为异常眼底图像；
第二图像检测模块400，用于当检测得分结果小于分数上限值且大于分数下限值时，利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，以得到最终的检测结果。
本系统通过相似度检测模块100、第一图像检测模块200、检测判定模块300以及第二图像检测模块400等多个模块的结合，将多种不同复杂程度的智能模型进行充分结合，当待检测眼底图像利用简易检测模型无法得到结果时再利用更为复杂的检测模型，这种检测方案能够在保证检测精度的前提下最大限度地降低计算资源消耗。首先，本发明提出了基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和异常眼底模板图像的相似度，该模型将细节匹配和空间熵值比对进行充分结合，从多个维度进行相似度检测，显著地提升了相似度检测的精准度。其次，本发明提出了基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，该模型从多图像尺度峰值信噪比检测、显著性区域合理性评估等多个角度判断训练样本的质量，并仅保留更加优质的训练样本用来对SVM模型进行训练，确保了训练出的检测模型有较高的检测精准度。最后，本发明还提出了基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，该模型通过不同层级网络模块相互校验的方式，最大限度地降低了待检测眼底图像的检测误差。
如图5所示，第三方面，本申请实施例提供一种电子设备，其包括存储器101，用于存储一个或多个程序；处理器102。当一个或多个程序被处理器102执行时，实现如上述第一方面中任一项的方法。
还包括通信接口103，该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块，处理器102通过执行存储在存储器101内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中，存储器101可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器102可以是一种集成电路芯片，具有信号处理能力。该处理器102可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的实施例中，应该理解到，所揭露的方法及系统，也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于多智能模型结合的异常眼底图像低耗检测方法，其特征在于，包括以下步骤：
任意选取眼底图像库中的一幅眼底图像作为待检测眼底图像，利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度，以得到对应的多个相似度结果；
若任意一个相似度结果大于预置的相似度阈值，则认定该待检测眼底图像为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，以得到检测得分结果；
根据检测得分结果判定该待检测眼底图像为正常眼底图像或异常眼底图像；若检测得分结果大于预置的分数上限值，则认定该待检测眼底图像为正常眼底图像；若检测得分结果小于预置的分数下限值，则认定该待检测眼底图像为异常眼底图像；
若检测得分结果小于分数上限值且大于分数下限值，则利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，以得到最终的检测结果。
2.根据权利要求1所述的一种基于多智能模型结合的异常眼底图像低耗检测方法，其特征在于，所述利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度的方法包括以下步骤：
利用基于小波变换的图像增强算法，将待检测眼底图像和任意一幅异常眼底模板图像分别进行图像增强处理；
将图像增强处理后的两幅图像进行匹配，若匹配度低于预置的匹配度阈值，则认定两幅图像不相似；反之，则将两幅图像分别进行多等分划分，以得到两幅图像分别对应的多个等分区域图像；
分别计算并将两幅图像对应的多个等分区域图像的熵值进行比对，以得到对应区域的熵值比对结果；
若各个熵值比对结果均相同，则认定待检测眼底图像与该异常眼底模板图像相似，认定该待检测眼底图像为异常眼底图像。
3.根据权利要求1所述的一种基于多智能模型结合的异常眼底图像低耗检测方法，其特征在于，所述利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测的方法包括以下步骤：
分别选取部分正常眼底图像和异常眼底图像作为正训练样本和负训练样本；
对每个正训练样本和每个负训练样本进行多尺度重建，以得到对应的多个尺度下的正训练样本和负训练样本；
多各个尺度下的正训练样本和负训练样本进行峰值信噪比检测，以得到并根据对应的峰值信噪比检测结果对正训练样本和负训练样本进行筛选；
将筛选后的正训练样本和负训练样本进行显著性区域检测，以得到并根据显著性区域检测结果对正训练样本和负训练样本进行再次筛选，以确定最终的正训练样本和负训练样本；
利用最终的正训练样本和负训练样本对SVM模型进行训练，以得到并采用最终的检测模型，对待检测眼底图像进行检测。
4.根据权利要求3所述的一种基于多智能模型结合的异常眼底图像低耗检测方法，其特征在于，所述根据对应的峰值信噪比检测结果对正训练样本和负训练样本进行筛选的方法包括以下步骤：
若某个正训练样本或负训练样本在任意一个尺度下的峰值信噪比检测结果低于预置的峰值信噪比阈值，则认定该正训练样本或负训练样本不合格，将该正训练样本或负训练样本删除。
5.根据权利要求1所述的一种基于多智能模型结合的异常眼底图像低耗检测方法，其特征在于，所述利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测的方法包括以下步骤：
构建一个低层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该低层级的卷积神经网络进行训练，以得到低层级网络检测模块；
构建一个普通层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该普通层级的卷积神经网络进行训练，以得到普通层级网络检测模块；
构建一个高层级的卷积神经网络，利用预先选定的正训练样本和负训练样本对该高层级的卷积神经网络进行训练，以得到高层级网络检测模块；
将低层级网络检测模块、普通层级网络检测模块和高层级网络检测模块进行并联，以得到差异性层级网络模型；
将待检测眼底图像输入到差异性层级网络模型中，分别经过低层级网络检测模块、普通层级网络检测模块和高层级网络检测模块，生成对应模块的检测结果；
若各个检测结果相同，则输出最终的检测结果；若任意一个检测结果与另外两个检测结果不同，则将另外两个相同检测结果作为最终的检测结果。
6.根据权利要求1所述的一种基于多智能模型结合的异常眼底图像低耗检测方法，其特征在于，还包括以下步骤：
对眼底图像库中的每一个眼底图像进行检测，将检测结果为异常眼底图像的眼底图像进行标记，生成并将标记结果发送给对应的医护人员。
7.一种基于多智能模型结合的异常眼底图像低耗检测系统，其特征在于，包括相似度检测模块、第一图像检测模块、检测判定模块以及第二图像检测模块，其中：
相似度检测模块，用于任意选取眼底图像库中的一幅眼底图像作为待检测眼底图像，利用基于细节匹配和空间熵值比对相结合的相似度检测模型，计算待检测眼底图像和预置的所有异常眼底模板图像之间的相似度，以得到对应的多个相似度结果；
第一图像检测模块，用于当任意一个相似度结果大于预置的相似度阈值时，认定该待检测眼底图像为异常眼底图像；反之，则利用基于训练样本多维度智能筛选的SVM检测模型，对待检测眼底图像进行检测，以得到检测得分结果；
检测判定模块，用于根据检测得分结果判定该待检测眼底图像为正常眼底图像或异常眼底图像；若检测得分结果大于预置的分数上限值，则认定该待检测眼底图像为正常眼底图像；若检测得分结果小于预置的分数下限值，则认定该待检测眼底图像为异常眼底图像；
第二图像检测模块，用于当检测得分结果小于分数上限值且大于分数下限值时，利用基于差异性层级网络模块相互校验的检测模型，对待检测眼底图像进行检测，以得到最终的检测结果。
8.一种电子设备，其特征在于，包括：
存储器，用于存储一个或多个程序；
处理器；
当所述一个或多个程序被所述处理器执行时，实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
CN202310862291.4A 2023-07-13 2023-07-13 基于多智能模型结合的异常眼底图像低耗检测方法及系统 Active CN116912203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310862291.4A CN116912203B (zh) 2023-07-13 2023-07-13 基于多智能模型结合的异常眼底图像低耗检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310862291.4A CN116912203B (zh) 2023-07-13 2023-07-13 基于多智能模型结合的异常眼底图像低耗检测方法及系统

Publications (2)

Publication Number Publication Date
CN116912203A true CN116912203A (zh) 2023-10-20
CN116912203B CN116912203B (zh) 2024-04-05

Family

ID=88355882

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310862291.4A Active CN116912203B (zh) 2023-07-13 2023-07-13 基于多智能模型结合的异常眼底图像低耗检测方法及系统

Country Status (1)

Country Link
CN (1) CN116912203B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110242306A1 (en) * 2008-12-19 2011-10-06 The Johns Hopkins University System and method for automated detection of age related macular degeneration and other retinal abnormalities
CN107945870A (zh) * 2017-12-13 2018-04-20 四川大学 基于深度神经网络的早产儿视网膜病变检测方法及装置
CN110415182A (zh) * 2019-06-18 2019-11-05 平安科技（深圳）有限公司 眼底oct影像增强方法、装置、设备及存储介质
CN113947807A (zh) * 2021-12-21 2022-01-18 北京至真互联网技术有限公司 一种基于无监督的眼底影像异常识别方法及系统
US20220095911A1 (en) * 2020-09-30 2022-03-31 Ai-Ris LLC Retinal imaging system
CN114332002A (zh) * 2021-12-27 2022-04-12 中国信息通信研究院 用于青光眼图像检测的方法及装置、存储介质
US20220414868A1 (en) * 2019-09-18 2022-12-29 Ping An Technology (Shenzhen) Co., Ltd. Method, Device, Apparatus, and Medium for Training Recognition Model and Recognizing Fundus Features
CN115713630A (zh) * 2022-10-12 2023-02-24 北京惠朗时代科技有限公司 基于人工智能的低质量盖章图像大数据识别方法及系统
CN115760807A (zh) * 2022-11-24 2023-03-07 湖南至真明扬技术服务有限公司 一种视网膜眼底图像配准方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110242306A1 (en) * 2008-12-19 2011-10-06 The Johns Hopkins University System and method for automated detection of age related macular degeneration and other retinal abnormalities
CN107945870A (zh) * 2017-12-13 2018-04-20 四川大学 基于深度神经网络的早产儿视网膜病变检测方法及装置
CN110415182A (zh) * 2019-06-18 2019-11-05 平安科技（深圳）有限公司 眼底oct影像增强方法、装置、设备及存储介质
US20220414868A1 (en) * 2019-09-18 2022-12-29 Ping An Technology (Shenzhen) Co., Ltd. Method, Device, Apparatus, and Medium for Training Recognition Model and Recognizing Fundus Features
US20220095911A1 (en) * 2020-09-30 2022-03-31 Ai-Ris LLC Retinal imaging system
CN113947807A (zh) * 2021-12-21 2022-01-18 北京至真互联网技术有限公司 一种基于无监督的眼底影像异常识别方法及系统
CN114332002A (zh) * 2021-12-27 2022-04-12 中国信息通信研究院 用于青光眼图像检测的方法及装置、存储介质
CN115713630A (zh) * 2022-10-12 2023-02-24 北京惠朗时代科技有限公司 基于人工智能的低质量盖章图像大数据识别方法及系统
CN115760807A (zh) * 2022-11-24 2023-03-07 湖南至真明扬技术服务有限公司 一种视网膜眼底图像配准方法及系统

Also Published As

Publication number Publication date
CN116912203B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
US11669729B2 (en) Model training method and apparatus
JP2023503751A (ja) 欠陥検出方法、装置、コンピュータ機器および記憶媒体
JP2022518286A (ja) 被訓練モデルへの母集団記述子の関連付け
Yen et al. Using topological data analysis (TDA) and persistent homology to analyze the stock markets in Singapore and Taiwan
Awan et al. Studying the dynamics of interbeat interval time series of healthy and congestive heart failure subjects using scale based symbolic entropy analysis
Morgenstern et al. An image-computable model of human visual shape similarity
CN112602155A (zh) 生成针对经训练的模型的元数据
Rudd Application of support vector machine modeling and graph theory metrics for disease classification
RU2676025C1 (ru) Способ и система для анализа состояния здоровья на основе устройства определения эластичности
CN114596441A (zh) 一种面向网络直播社交大数据的海量图像去噪方法及系统
Ullah et al. Detecting high-risk factors and early diagnosis of diabetes using machine learning methods
CN117373580B (zh) 基于时序网络实现钛合金产品的性能分析方法及系统
CN116910592B (zh) 日志检测方法、装置、电子设备及存储介质
CN116912203B (zh) 基于多智能模型结合的异常眼底图像低耗检测方法及系统
CN116522282A (zh) 一种基于bold信号的注意缺陷与多动障碍检测方法
CN116705250A (zh) 一种医疗影像大数据的低耗优化和智能存储方法及系统
CN111079560A (zh) 一种摔倒监测方法、装置及终端设备
US10467258B2 (en) Data categorizing system, method, program software and recording medium therein
WO2016118828A1 (en) Method and apparatus for improving a profile analysis of an interpretive framework based on digital measurement of the production of and responses to visual stimuli
CN114943695A (zh) 医学序列影像的异常检测方法、装置、设备及存储介质
CN114626626A (zh) 一种模型训练方法、装置、存储介质和电子设备
Luca et al. Point process models for novelty detection on spatial point patterns and their extremes
Hernandez Larzabal et al. Efficient estimation of time-dependent functional connectivity using Structural Connectivity constraints
CN112835952A (zh) 一种基于股票指标的计算分析方法及系统
CN111932142A (zh) 方案分组和数据分组方法、装置、设备及存储介质

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