CN117197145A - 一种基于深度学习的白内障病变图像识别方法及系统 - Google Patents
一种基于深度学习的白内障病变图像识别方法及系统 Download PDFInfo
- Publication number
- CN117197145A CN117197145A CN202311474019.5A CN202311474019A CN117197145A CN 117197145 A CN117197145 A CN 117197145A CN 202311474019 A CN202311474019 A CN 202311474019A CN 117197145 A CN117197145 A CN 117197145A
- Authority
- CN
- China
- Prior art keywords
- lesion
- cataract
- module
- image
- data
- 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
Links
- 230000003902 lesion Effects 0.000 title claims abstract description 198
- 208000002177 Cataract Diseases 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 18
- 238000013480 data collection Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 7
- 210000004204 blood vessel Anatomy 0.000 description 5
- 210000003161 choroid Anatomy 0.000 description 5
- 210000001328 optic nerve Anatomy 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000001525 retina Anatomy 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000004438 eyesight Effects 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001508 eye Anatomy 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000001736 capillary Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000000720 eyelash Anatomy 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001210 retinal vessel Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明提出了一种基于深度学习的白内障病变图像识别方法及系统,涉及图像处理技术领域,本发明对采集的样本数据进行扩充处理,并加入现有的白内障眼底图像数据集,共同组成训练集,对白内障病变识别模型进行训练,增加了模型训练的准确率;所述白内障病变识别模型由干扰去除模块和病变提取模块构成,所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征,最终可以去除正常组织纹理的干扰,提取出病变图像特征图,进一步提升白内障识别的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于深度学习的白内障病变图像识别方法及系统。
背景技术
众所周知,白内障病变是一种高危险的眼科疾病,对患者眼睛造成的伤害远高于其他眼科疾病,近半的致盲数目肇因于此。有研究表明早期诊断对白内障的治疗具有显著的帮助。
为解决以上问题,医生需要一种高效便捷、高精度的客观的计算机辅助诊断方法,以提高诊断工作的效率。由于白内障病灶存在视觉可辨性,所以计算机视觉技术有机会胜任病变图像的识别工作。通过计算机的辅助识别,医生可以加速诊断流程,从而减少工作负担和误诊率,为更多的患者服务。
但是,计算机视觉技术在辅助诊断上的应用仍存在一些亟待解决的问题:
1、眼球的构造很精巧,结构复杂,包括视盘(视神经)、血管、视网膜组织及脉络膜等。眼底是全身唯一能用肉眼直接、集中观察到动脉、静脉和毛细血管的部位,这就导致获取的眼底图像,存在各种视神经、血管、视网膜组织及脉络膜,一般的计算机视觉技术在辅助诊断时,很难将这些结构与病变结构完全区分开,严重影响诊断结果的准确性;
2、医学领域的真实数据获取艰难,样本数据少。通常医用数据的采集需要使用费用高昂的器械,考虑到家庭经济状况,轻微病患不会花费多余的精力去体检,而严重病患也没有体检的必要,所以只有疾病中期,才有大量病患进行体检,因此不仅有效数据稀少,而且不同发病阶段下的数据比例也显著不同。此外,出于保护病人隐私的考虑,不同机构之间也难以共享医疗数据。因此目前虽然已有一些计算机辅助诊断系统试图帮助医生进行白内障识别,但这些系统普遍由于研究数据不足以及泛化能力缺陷,较难应用在实际的医学应用场景。
因此,如何建立准确的白内障病变识别方法具有重要意义。
发明内容
为解决上述问题,本发明提供一种基于深度学习的白内障病变图像识别方法,具体包括如下步骤:
步骤S1,获取待测患者的眼底图像数据;
步骤S2,对所述眼底图像数据进行预处理;
步骤S3,将所述预处理后的图像数据输入训练好的白内障病变识别模型,输出白内障病变识别结果;
所述白内障病变识别模型包括干扰去除模块和病变提取模块,其中所述干扰去除模块为所述白内障病变识别模型的输入端,所述干扰去除模块的输出端连接到所述病变提取模块的输入端,所述病变提取模块为所述白内障病变识别模型的输出端;
所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征。
进一步的,所述步骤S2中,所述预处理包括:对图像数据进行标注、压缩、归一化。
进一步的,所述标注为:对病变位置和病变类型进行标注。
进一步的,所述步骤S3中,所述白内障病变识别模型训练步骤为:
步骤S31,数据集采集:从数据库中获取白内障眼底图像数据;
步骤S32,图像预处理:对所述数据集进行预处理;
步骤S33,对所述预处理过的图像进行数据扩充,获取扩充数据集;
步骤S34,将现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集;
步骤S35,对所述干扰去除模块进行训练:所述干扰去除模块训练时使用Adam优化器进行学习;
步骤S36,对所述病变提取模块进行训练:将所述训练集输入训练好的干扰去除模块,所述干扰去除模块输出的数据输入所述病变提取模块,对所述病变提取模块进行训练,获取训练好的白内障病变图像识别模型。
进一步的,所述步骤S33中,所述数据扩充包括:对数据进行随机裁减、旋转、翻转。
进一步的,所述步骤S3中,所述干扰去除模块为深度神经网络FasterNet,病变提取模块为二值神经网络BNN。
进一步的,所述白内障病变识别模型的损失函数为:
;
其中,x是输入干扰去除模块的图像样本,s(x)是干扰去除模块的损失函数,y是输入病变提取模块的图像特征向量,g(y)是病变提取模块的损失函数,λ是权重系数。
进一步的,所述干扰去除模块的损失函数为:
;
其中,n是图像的数量,xi是图像样本,yi是干扰去除模块输出的图像。
进一步的,所述病变提取模块的损失函数为:
;
其中,n是图像的数量,yi是干扰去除模块输出的图像,zi是病变提取模块输出的病变图像特征。
一种基于深度学习的白内障病变图像识别系统,使用如上任一项所述的基于深度学习的白内障病变图像识别方法,包括以下模块:
数据集采集模块:用于获取白内障患者的眼底图像数据以及现有的白内障眼底图像数据;
图像预处理模块:与所述数据集采集模块连接,用于对所述数据集进行预处理;
数据扩充模块:与所述图像预处理模块连接,用于对所述数据集进行数据扩充,获取扩充数据集;
样本集获取模块:与所述数据扩充模块连接,用于将现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集;
白内障病变识别模型:与所述样本集获取模块连接,用于根据所述预处理后的图像数据输出白内障病变识别结果,所述白内障病变识别模型包括干扰去除模块和病变提取模块,其中所述干扰去除模块为所述白内障病变识别模型的输入端,所述干扰去除模块的输出端连接到所述病变提取模块的输入端,所述病变提取模块为所述白内障病变识别模型的输出端;所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征;
识别结果输出模块:与所述白内障病变识别模型连接,用于将待测患者的眼底图像数据输入至训练好的白内障病变图像识别模型,输出白内障病变图像特征。
与现有技术相比较,本申请的有益效果在于:
其一,本发明对白内障病变图像先进行干扰去除,再对干扰去除后的图像进行病变识别,对去除了正常组织纹理的眼底图像进行病变识别,最终可以去除正常组织纹理的干扰,提取出病变图像特征图,提升白内障识别的准确性。
其二,本发明根据扩充后的数据集,使用Adam优化器对干扰去除模块进行训练,可以使干扰去除模块充分学习到眼底图像中各种视神经、血管、视网膜组织及脉络膜等复杂的结构,使得干扰去除模块可以精准的去除眼底图像中正常的组织结构,为后续病变提取模块提供良好的图像基础。
其三,本发明将经过干扰去除模块处理过的眼底图像输入至病变提取模块,使得病变提取模块仅需学习白内障图像中的病变部分,一方面提升模型训练的速度,另一方面也提升了病变区域识别的效率;进一步提升白内障识别的准确性。
其四,本发明根据采集的白内障眼底图像进行数据扩充,并加入现有的白内障眼底图像数据集,共同作为训练集,为模型训练提供足够的数据基础,防止在深度神经网络训练的过程中出现过拟合问题。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本申请的一些实施方式,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的附图。
图1为本发明实施例1的执行流程图;
图2为本发明白内障病变识别模型训练方法流程图;
图3为本发明实施例2的系统示意图。
具体实施方式
下面将结合附图对本申请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作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
本领域技术人员应当知晓,下述具体实施例或具体实施方式,是本申请为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的,除非在本申请明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时,下述的具体实施例或实施方式仅作为最优化的设置方式,而不作为限定本申请的保护范围的理解。
下面结合附图(表)对本申请的具体实施方式做出说明。
本发明对已有的样本数据进行扩充处理,采用扩充过的数据集对已训练过的深度神经网络模型进行进一步的训练,增加了模型训练的准确率,提升了模型训练的速度;在模型中添加干扰去除模块和病变提取模块,干扰去除模块可使深度神经网络更加聚焦关注病变区域,病变提取模块可以防止模型聚焦在眼底图像中的复杂纹理上,最终可以提取其他非聚焦的区域的病变图像特征图,进一步提升白内障识别的准确性。
实施例1
如图1 所示,一种基于深度学习的白内障病变图像识别方法,具体包括如下步骤:
步骤S1,获取待测患者的眼底图像数据。
步骤S2,对所述眼底图像数据进行预处理;预处理包括:对数据进行标注、压缩、归一化。
标注为:对病变位置和病变类型进行标注。现有技术中,已有成熟的自动标注方法,均可应用于本发明的数据标注。
在图像预处理过程中,由眼科医生在构成的数据集中注释病变位置与病变类型,数据集的所有图像被均匀地缩小到224×224个像素,并且像素值在0和1之间归一化。通过该步骤的预处理操作,可以消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进图像分割、匹配和识别的可靠性。
步骤S3,将所述预处理后的图像数据输入训练好的白内障病变识别模型,输出白内障病变识别结果。
所述白内障病变识别模型包括干扰去除模块和病变提取模块,其中所述干扰去除模块为所述白内障病变识别模型的输入端,所述干扰去除模块的输出端连接到所述病变提取模块的输入端,所述病变提取模块为所述白内障病变识别模型的输出端;
所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征。
如图2所示,所述白内障病变识别模型训练步骤为:
步骤S31,数据集采集:从数据库中获取白内障眼底图像数据;
步骤S32,图像预处理:对所述数据集进行预处理;
步骤S33,对所述预处理过的图像进行数据扩充,获取扩充数据集,所述数据扩充包括:对数据进行随机裁减、旋转、翻转;
步骤S34,将现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集;
应用数据增强技术来增加数据集的多样性,从而缓解深度学习训练中的过拟合问题,新样本是通过对原始图像进行简单转换生成的,模拟了“真实世界”的采集条件,具体的做法是对采集的数据集的图像应用随机裁剪、90°旋转以及水平和垂直翻转,以将样本数量扩充到原始数据集的六倍。
由于白内障跟其他病症在表现方面是不同的,其病症表现不清晰,特点不明显,可以在数据集中加入现有的白内障眼底图像数据集,如Kaggle数据集。在一个实施例中,眼底图像由从三个临床中心收集的具有相应视觉功能参数的8395张眼底图像并混合Kaggle数据集,从而用于对非白内障、轻度白内障和视障白内障进行检测识别与分类。
最终现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集。
有益效果:对数据集进行扩充,为模型训练提供足够的数据基础,防止在深度神经网络训练的过程中出现过拟合问题。
步骤S35,对所述干扰去除模块进行训练:所述干扰去除模块训练时使用Adam优化器进行学习;
步骤S36,对所述病变提取模块进行训练:将所述训练集输入训练好的干扰去除模块,所述干扰去除模块输出的数据输入所述病变提取模块,对所述病变提取模块进行训练,获取训练好的白内障病变图像识别模型。
干扰去除模块为深度神经网络FasterNet,病变提取模块为二值神经网络BNN。
在白内障病变识别模型中,干扰去除模块用于去除眼底图像中正常组织的纹理,在应用时,要求干扰去除模块可以快速的识别到正常的组织、纹理,而对其识别精度没有特殊的要求,因此,在模型选择时,优先考虑能够进行快速识别的神经网络。深度神经网络FasterNet运行速度非常快,对许多视觉任务非常有效,且其架构简单,总体上对硬件友好,在复杂的眼底图像识别中,FasterNet可以精准的定位目标区域,并识别出正常的组织、纹理。因此选择作为FasterNet作为本发明干扰去除模块。
病变提取模块用于提取眼底图像的病变图像特征,在应用时,要求其能够精准的识别出白内障病变图像,因此在模型选择时,优先考虑能够进行准确识别的神经网络。二值神经网络(Binary Neural Network,简称BNN)是一种参数量化后的神经网络,具有和CNN网络相似的结构,与CNN网络不同的是,除了输入层和输出层以外,BNN网络的中间特征层和权重层都只用1bit长度的二值数字来表示,并且卷积过程没有乘法运算,二值神经网络BNN因其计算方式极其高效,在白内障病变图像训练集数量不足的情况下,仍能够精准的学习到病变区域的特征,成为本发明病变提取模块的首选神经网络。
眼科医生注释的边界框在输入到干扰去除模块之前被转换为二进制掩码,然后在干扰去除模块中,中间特征图的强度在训练阶段与二进制掩码相乘,在这个过程之后,诊断的重要部分具有负值,而诊断的相对不相关部分具有正值。
采用干扰去除模块训练数据集,可以使深度神经网络更加聚焦白内障图像中的病变区域,可以获得检测到的白内障图像病变位置。
所述干扰去除模块的损失函数为:
;
其中,n是图像的数量,xi是图像样本,yi是干扰去除模块输出的图像。
采用的均方差损失函数,计算输入值与输出值之间的欧氏距离,输入值与输出值越接近,两者均方差越小,可使得干扰去除模块更加聚焦于白内障眼底图像中的正常组织和纹理信息。根据扩充后的数据集,使用Adam优化器对干扰去除模块进行训练,可以使干扰去除模块充分学习到眼底图像中各种视神经、血管、视网膜组织及脉络膜等复杂的结构,使得干扰去除模块可以精准的去除眼底图像中正常的组织结构,为后续病变提取模块提供良好的图像基础。
所述病变提取模块的损失函数为:
;
其中,n是图像的数量,yi是干扰去除模块输出的图像,zi是病变提取模块输出的病变图像特征。
与干扰去除模块学习关于眼底正常组织、纹理信息相反,病变提取模块学习关于非正常组织、纹理区域的信息。交叉熵损失函数能够衡量同一个随机变量中的两个不同概率分布的差异程度,在机器学习中就表示为真实概率分布与预测概率分布之间的差异。本发明中采用交叉熵损失函数,可以防止病变提取模块聚焦在眼底图像中的正常复杂纹理上,可以获得病变区域的特征图。
所述白内障病变识别模型的损失函数为:
;
其中,x是输入干扰去除模块的图像样本,s(x)是干扰去除模块的损失函数,y是输入病变提取模块的图像特征向量,g(y)是病变提取模块的损失函数,λ是权重系数。
白内障病变检测中,对于病变区域的检测相比于周围正常组织而言更加重要,因此,λ一般取值为0.2~0.4。
有益效果:通过加入干扰去除模块,可以使白内障病变识别模型更加关注白内障图像中的病变,而不是图像中的其他细节,如正常复杂的纹理、组织,反射光等,由于其输出具有热图的形式,因此可以获得检测到聚焦区域的白内障图像病变位置;通过在训练阶段使用病变提取模块,白内障病变识别模型可以有效地学习干扰去除模块输出的眼底图像,它可以防止深度神经网络聚焦在眼底图像中的复杂纹理上,如睫毛或血管,并且获得其他非聚焦的区域的病变图像特征图。
将待测患者的眼底图像数据输入至训练好的白内障病变图像识别模型,输出白内障病变识别结果。
模型训练好了以后,将待预测图像依次输入至干扰去除模块和病变提取模块,得到输出结果。
本发明对采集的样本数据进行扩充处理,并加入现有的白内障眼底图像数据集,共同组成训练集,对白内障病变识别模型进行训练,增加了模型训练的准确率;所述白内障病变识别模型由干扰去除模块和病变提取模块构成,所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征,最终可以去除正常组织纹理的干扰,提取出病变图像特征图,进一步提升白内障识别的准确性。
实施例2
如图3所示,本发明还提出一种基于深度学习的白内障病变图像识别系统,使用如实施例1任一项所述的基于深度学习的白内障病变图像识别方法,包括以下模块:
数据集采集模块:用于获取白内障患者的眼底图像数据以及现有的白内障眼底图像数据;
图像预处理模块:与所述数据集采集模块连接,用于对所述数据集进行预处理;
数据扩充模块:与所述图像预处理模块连接,用于对所述数据集进行数据扩充,获取扩充数据集;
样本集获取模块:与所述数据扩充模块连接,用于将现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集;
白内障病变识别模型:与所述样本集获取模块连接,用于根据所述预处理后的图像数据输出白内障病变识别结果,所述白内障病变识别模型包括干扰去除模块和病变提取模块,其中所述干扰去除模块为所述白内障病变识别模型的输入端,所述干扰去除模块的输出端连接到所述病变提取模块的输入端,所述病变提取模块为所述白内障病变识别模型的输出端;所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征;
识别结果输出模块:与所述白内障病变识别模型连接,用于将待测患者的眼底图像数据输入至训练好的白内障病变图像识别模型,输出白内障病变图像特征。
通过实施例1和实施例2,可以达到如下的有益效果:
(1)本发明对白内障病变图像先进行干扰去除,再对干扰去除后的图像进行病变识别,对去除了正常组织纹理的眼底图像进行病变识别,最终可以去除正常组织纹理的干扰,提取出病变图像特征图,提升白内障识别的准确性;
(2)本发明根据扩充后的数据集,使用Adam优化器对干扰去除模块进行训练,可以使干扰去除模块充分学习到眼底图像中各种视神经、血管、视网膜组织及脉络膜等复杂的结构,使得干扰去除模块可以精准的去除眼底图像中正常的组织结构,为后续病变提取模块提供良好的图像基础;
(3)本发明将经过干扰去除模块处理过的眼底图像输入至病变提取模块,使得病变提取模块仅需学习白内障图像中的病变部分,一方面提升模型训练的速度,另一方面也提升了病变区域识别的效率;进一步提升白内障识别的准确性。
(4)本发明根据采集的白内障眼底图像进行数据扩充,并加入现有的白内障眼底图像数据集,共同作为训练集,为模型训练提供足够的数据基础,防止在深度神经网络训练的过程中出现过拟合问题。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于深度学习的白内障病变图像识别方法,其特征在于,具体包括如下步骤:
步骤S1,获取待测患者的眼底图像数据;
步骤S2,对所述眼底图像数据进行预处理;
步骤S3,将所述预处理后的图像数据输入训练好的白内障病变识别模型,输出白内障病变识别结果;
所述白内障病变识别模型包括干扰去除模块和病变提取模块,其中所述干扰去除模块为所述白内障病变识别模型的输入端,所述干扰去除模块的输出端连接到所述病变提取模块的输入端,所述病变提取模块为所述白内障病变识别模型的输出端;
所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征。
2.根据权利要求1所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述步骤S2中,所述预处理包括:对图像数据进行标注、压缩、归一化。
3.根据权利要求2所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述标注为:对病变位置和病变类型进行标注。
4.根据权利要求1所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述步骤S3中,所述白内障病变识别模型训练步骤为:
步骤S31,数据集采集:从数据库中获取白内障眼底图像数据;
步骤S32,图像预处理:对所述数据集进行预处理;
步骤S33,对所述预处理过的图像进行数据扩充,获取扩充数据集;
步骤S34,将现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集;
步骤S35,对所述干扰去除模块进行训练:所述干扰去除模块训练时使用Adam优化器进行学习;
步骤S36,对所述病变提取模块进行训练:将所述训练集输入训练好的干扰去除模块,所述干扰去除模块输出的数据输入所述病变提取模块,对所述病变提取模块进行训练,获取训练好的白内障病变图像识别模型。
5.根据权利要求4所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述步骤S33中,所述数据扩充包括:对数据进行随机裁减、旋转、翻转。
6.根据权利要求1所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述步骤S3中,所述干扰去除模块为深度神经网络FasterNet,病变提取模块为二值神经网络BNN。
7.根据权利要求1所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述白内障病变识别模型的损失函数为:
;
其中,x是输入干扰去除模块的图像样本,s(x)是干扰去除模块的损失函数,y是输入病变提取模块的图像特征向量,g(y)是病变提取模块的损失函数,λ是权重系数。
8.根据权利要求7所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述干扰去除模块的损失函数为:
;
其中,n是图像的数量,xi是图像样本,yi是干扰去除模块输出的图像。
9.根据权利要求7所述的一种基于深度学习的白内障病变图像识别方法,其特征在于,所述病变提取模块的损失函数为:
;
其中,n是图像的数量,yi是干扰去除模块输出的图像,zi是病变提取模块输出的病变图像特征。
10.一种基于深度学习的白内障病变图像识别系统,使用如权利要求1-9任一项所述的基于深度学习的白内障病变图像识别方法,其特征在于,包括以下模块:
数据集采集模块:用于获取白内障患者的眼底图像数据以及现有的白内障眼底图像数据;
图像预处理模块:与所述数据集采集模块连接,用于对所述数据集进行预处理;
数据扩充模块:与所述图像预处理模块连接,用于对所述数据集进行数据扩充,获取扩充数据集;
样本集获取模块:与所述数据扩充模块连接,用于将现有的白内障眼底图像数据集加入所述扩充数据集中,共同构成训练集;
白内障病变识别模型:与所述样本集获取模块连接,用于根据所述预处理后的图像数据输出白内障病变识别结果,所述白内障病变识别模型包括干扰去除模块和病变提取模块,其中所述干扰去除模块为所述白内障病变识别模型的输入端,所述干扰去除模块的输出端连接到所述病变提取模块的输入端,所述病变提取模块为所述白内障病变识别模型的输出端;所述干扰去除模块用于去除眼底图像中正常组织的纹理,所述病变提取模块用于提取眼底图像的病变图像特征;
识别结果输出模块:与所述白内障病变识别模型连接,用于将待测患者的眼底图像数据输入至训练好的白内障病变图像识别模型,输出白内障病变图像特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474019.5A CN117197145B (zh) | 2023-11-08 | 2023-11-08 | 一种基于深度学习的白内障病变图像识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311474019.5A CN117197145B (zh) | 2023-11-08 | 2023-11-08 | 一种基于深度学习的白内障病变图像识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197145A true CN117197145A (zh) | 2023-12-08 |
CN117197145B CN117197145B (zh) | 2024-02-13 |
Family
ID=88994682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311474019.5A Active CN117197145B (zh) | 2023-11-08 | 2023-11-08 | 一种基于深度学习的白内障病变图像识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197145B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN111544043A (zh) * | 2020-05-11 | 2020-08-18 | 贵州医科大学附属医院 | 一种乳腺影像识别的方法及装置 |
CN112233118A (zh) * | 2020-12-15 | 2021-01-15 | 南京可信区块链与算法经济研究院有限公司 | 一种基于增量学习的眼底病变图像识别方法和系统 |
CN113962995A (zh) * | 2021-12-21 | 2022-01-21 | 北京鹰瞳科技发展股份有限公司 | 一种白内障模型的训练方法及白内障识别方法 |
CN115272231A (zh) * | 2022-07-28 | 2022-11-01 | 浙江工业大学 | 一种非增殖性糖尿病视网膜病变分级方法 |
CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
-
2023
- 2023-11-08 CN CN202311474019.5A patent/CN117197145B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108095683A (zh) * | 2016-11-11 | 2018-06-01 | 北京羽医甘蓝信息技术有限公司 | 基于深度学习的处理眼底图像的方法和装置 |
CN111544043A (zh) * | 2020-05-11 | 2020-08-18 | 贵州医科大学附属医院 | 一种乳腺影像识别的方法及装置 |
CN112233118A (zh) * | 2020-12-15 | 2021-01-15 | 南京可信区块链与算法经济研究院有限公司 | 一种基于增量学习的眼底病变图像识别方法和系统 |
CN113962995A (zh) * | 2021-12-21 | 2022-01-21 | 北京鹰瞳科技发展股份有限公司 | 一种白内障模型的训练方法及白内障识别方法 |
CN115272231A (zh) * | 2022-07-28 | 2022-11-01 | 浙江工业大学 | 一种非增殖性糖尿病视网膜病变分级方法 |
CN116433644A (zh) * | 2023-04-22 | 2023-07-14 | 深圳市江机实业有限公司 | 一种基于识别模型的眼部图像动态诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117197145B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11666210B2 (en) | System for recognizing diabetic retinopathy | |
US11210789B2 (en) | Diabetic retinopathy recognition system based on fundus image | |
Li et al. | Automatic cataract diagnosis by image-based interpretability | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
Islam et al. | Transfer learning based diabetic retinopathy detection with a novel preprocessed layer | |
CN111160431B (zh) | 一种基于多维特征融合的圆锥角膜识别方法及装置 | |
CN112957005A (zh) | 眼底造影图像无灌注区自动识别及激光光凝区域推荐算法 | |
Andayani et al. | Identification of retinoblastoma using backpropagation neural network | |
Phridviraj et al. | A bi-directional Long Short-Term Memory-based Diabetic Retinopathy detection model using retinal fundus images | |
Agustin et al. | Implementation of data augmentation to improve performance CNN method for detecting diabetic retinopathy | |
Zhang et al. | Hierarchical detection of red lesions in retinal images by multiscale correlation filtering | |
Jaya et al. | Identification of retinoblastoma using the extreme learning machine | |
Lima et al. | A semiautomatic segmentation approach to corneal lesions | |
Abdel-Latif et al. | Achieving information security by multi-modal iris-retina biometric approach using improved mask R-CNN | |
CN117197145B (zh) | 一种基于深度学习的白内障病变图像识别系统 | |
Liu et al. | Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images | |
CN116452571A (zh) | 一种基于深度神经网络的图像识别方法 | |
Wasekar et al. | Machine learning for diabetic retinopathy detection using image processing | |
Purwanithami et al. | Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation | |
Hatode et al. | Evolution and Testimony of Deep Learning Algorithm for Diabetic Retinopathy Detection | |
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 | |
Lamba et al. | State-of-art review on automated glaucoma detection using machine learning techniques | |
Kaushal et al. | Investigation of image processing techniques for glaucoma detection in human eyes | |
Kumar et al. | Pre-Trained Deep Learning-Based Approaches for Eye Disease Detection | |
Poranki et al. | Performance evaluation of ai assisted automotive diabetic retinopathy classification systems |
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 |