CN117670862A - 基于人工智能自动化分析的眼底病变诊断系统 - Google Patents
基于人工智能自动化分析的眼底病变诊断系统 Download PDFInfo
- Publication number
- CN117670862A CN117670862A CN202311821848.6A CN202311821848A CN117670862A CN 117670862 A CN117670862 A CN 117670862A CN 202311821848 A CN202311821848 A CN 202311821848A CN 117670862 A CN117670862 A CN 117670862A
- Authority
- CN
- China
- Prior art keywords
- fundus
- image
- lesion
- key value
- diagnosis
- 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
- 230000003902 lesion Effects 0.000 title claims abstract description 74
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims description 20
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 18
- 201000010099 disease Diseases 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 206010025421 Macule Diseases 0.000 claims description 15
- 238000003384 imaging method Methods 0.000 claims description 14
- 210000005252 bulbus oculi Anatomy 0.000 claims description 12
- 238000012885 constant function Methods 0.000 claims description 9
- 210000001508 eye Anatomy 0.000 claims description 8
- 206010034960 Photophobia Diseases 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 210000002189 macula lutea Anatomy 0.000 claims description 5
- 208000002780 macular degeneration Diseases 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 208000035719 Maculopathy Diseases 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 239000000306 component Substances 0.000 description 12
- 238000011176 pooling Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000004350 Strabismus Diseases 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000038015 macular disease Diseases 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 206010027646 Miosis Diseases 0.000 description 1
- 208000022873 Ocular disease Diseases 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 208000002367 Retinal Perforations Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 208000029233 macular holes Diseases 0.000 description 1
- 230000003547 miosis Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了基于人工智能自动化分析的眼底病变诊断系统,通过采集高分辨率的眼底图像,利用人工智能算法进行图像分析和特征提取,并通过与大量数据库对比判定病变类型和程度,本发明系统可用于眼底疾病的自动诊断和病变评估,为医生提供辅助决策和减轻工作负担,解决了现有眼底病变诊断方法通常需要专业医生的经验和对病变图像的肉眼评估,存在主观性、误诊率高和工作负担大状况的问题。
Description
技术领域
本发明涉及眼底病变分析的技术领域,尤其涉及基于人工智能自动化分析的眼底病变诊断系统。
背景技术
眼底病变是常见的眼科疾病,早期诊断和定量评估病变类型和程度对于治疗和预防进展非常重要。然而,传统的眼底病变诊断方法通常需要专业医生的经验和对病变图像的肉眼评估,存在主观性、误诊率高和工作负担大等问题。
因此,需要一种自动化的眼底病变诊断系统,利用人工智能算法对眼底图像进行准确和可靠的分析和诊断。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有眼底病变诊断方法存在的问题,提出了本发明。
因此,本发明解决的技术问题是:解决现有眼底病变诊断方法通常需要专业医生的经验和对病变图像的肉眼评估,存在主观性、误诊率高和工作负担大状况的问题。
为解决上述技术问题,本发明提供如下技术方案:基于人工智能自动化分析的眼底病变诊断系统,包括如下部件:图像采集部件,通过高分辨率的眼底成像设备获取眼底图像,并将各所述眼底图像存储于数据库中;初始图像特征提取部件,与所述图像采集部件信号数据连接,从数据库中爬取各所述眼底图像,建立深度学习模型,分别对各所述眼底图像进行初始特征提取;图像特征提取关键值输出部件,与所述初始图像特征提取部件信号数据连接,获取各所述眼底图像提取出的初始特征,建立提取关键值输出模型,输出各初始特征对应的提取关键值,同步依据所述提取关键值输出模型获取数据集中各类病变眼底图像的提取关键值;结果诊断部件,与所述图像特征提取关键值输出部件信号数据连接,将获取的各初始特征对应的提取关键值与数据集中同步生成的病变眼底图像提取关键值进行对比,利用支持向量机分类算法实现病变类型的匹配诊断。
作为本发明所述的基于人工智能自动化分析的眼底病变诊断系统的一种优选方案,其中:获取的所述眼底图像包括从眼球正面获取的第一眼底图像、从眼球侧面90°获取的第二眼底图像、从眼球斜侧面45°获取的第三眼底图像以及强畏光条件下获取的第四眼底图像;其中,所述第四眼底图像的获取角度为从眼球正面获取。
作为本发明所述的基于人工智能自动化分析的眼底病变诊断系统的一种优选方案,其中:所述图像采集部件获取各所述眼底图像后还包括对各所述眼底图像进行预处理,将预处理后的各所述眼底图像存储于数据库中;其中,预处理步骤具体包括:图像增强、图像去噪以及标准化操作。
作为本发明所述的基于人工智能自动化分析的眼底病变诊断系统的一种优选方案,其中:建立所述深度学习模型,分别对各所述眼底图像进行初始特征提取具体包括如下步骤:S1:获取系列眼底图像数据集,数据集中包含正常眼底图像及系列病变眼底图像;S2:调整数据集中各图像的大小均一及颜色归一;S3:建立卷积神经网络模型,陆续输入数据集中调整后的各图像;S4:所述卷积神经网络模型分别学习各类病变眼底图像与正常眼底图像的区域性差异,所述区域性差异具体包括病变纹理、病变阴影组成百分比及病变阴影各区对应深度;S5:所述卷积神经网络模型中输入各所述眼底图像,生成各所述眼底图像对应的特征图,完成初始特征提取;其中,所述特征图中的信息组成即为提取出的初始特征;其中,所述特征图中包含有所生成的病变纹理、所生成的病变阴影组成百分比及所生成的病变阴影各区对应深度。
作为本发明所述的基于人工智能自动化分析的眼底病变诊断系统的一种优选方案,其中:建立的所述提取关键值输出模型具体为:
其中,δ为提取关键值,α为病变阴影组成百分比,A为黑区阴影组成百分比,B为灰区阴影组成百分比,C为白灰区阴影组成百分比,1.77、1.03、0.56、1.22、1及0.28均为调整常函数,dx为积分运算且积分常数为0。
作为本发明所述的基于人工智能自动化分析的眼底病变诊断系统的一种优选方案,其中:所述结果诊断部件在具体对比过程中,当提取关键值之间相差的程度差异处于(0,0.82)时,确定所述眼底图像的病变类型一致,完成自动初诊断;
其中,通过以下公式获取提取关键值之间相差的程度差异:
其中,λ为程度差异,δ1为数据集中同步生成的病变眼底图像提取关键值,δ2为各初始特征对应的提取关键值。
作为本发明所述的基于人工智能自动化分析的眼底病变诊断系统的一种优选方案,其中:当具体进行黄斑预诊断时,包括如下诊断步骤:Q1:依据所述提取关键值输出模型获取所述第一眼底图像生成的提取关键值;Q2:依据所述提取关键值输出模型获取所述第四眼底图像生成的提取关键值;Q3:构建黄斑诊断特定提取关键值输出模型;Q4:输出黄斑诊断提取关键值;Q5:所述结果诊断部件完成具体对比,分析诊断当前所述眼底图像是否为黄斑病变;
其中,所述黄斑诊断特定提取关键值输出模型具体为:
其中,δ黄斑为黄斑诊断提取关键值,δ第一眼底图像为所述第一眼底图像生成的提取关键值,1.36为第一眼底图像的调整常函数,δ第四眼底图像为所述第四眼底图像生成的提取关键值,0.75或0.751均为第四眼底图像的调整常函数。
本发明的有益效果:本发明提供基于人工智能自动化分析的眼底病变诊断系统,通过采集高分辨率的眼底图像,利用人工智能算法进行图像分析和特征提取,并通过与大量数据库对比判定病变类型和程度,本发明系统可用于眼底疾病的自动诊断和病变评估,为医生提供辅助决策和减轻工作负担,解决了现有眼底病变诊断方法通常需要专业医生的经验和对病变图像的肉眼评估,存在主观性、误诊率高和工作负担大状况的问题。
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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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它的附图。其中:
图1为本发明提供的基于人工智能自动化分析的眼底病变诊断系统的整体系统模块图。
图2为本发明提供的对各眼底图像进行初始特征提取的方法流程图。
图3为本发明提供的具体进行黄斑预诊断时的诊断步骤方法流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
传统的眼底病变诊断方法通常需要专业医生的经验和对病变图像的肉眼评估,存在主观性、误诊率高和工作负担大等问题。
故此,请参阅图1,本发明提供基于人工智能自动化分析的眼底病变诊断系统,包括如下部件:
图像采集部件,通过高分辨率的眼底成像设备获取眼底图像,并将各眼底图像存储于数据库中;
初始图像特征提取部件,与图像采集部件信号数据连接,从数据库中爬取各眼底图像,建立深度学习模型,分别对各眼底图像进行初始特征提取;
图像特征提取关键值输出部件,与初始图像特征提取部件信号数据连接,获取各眼底图像提取出的初始特征,建立提取关键值输出模型,输出各初始特征对应的提取关键值,同步依据提取关键值输出模型获取数据集中各类病变眼底图像的提取关键值;
结果诊断部件,与图像特征提取关键值输出部件信号数据连接,将获取的各初始特征对应的提取关键值与数据集中同步生成的病变眼底图像提取关键值进行对比,利用支持向量机分类算法实现病变类型的匹配诊断。
具体的,获取的眼底图像包括从眼球正面获取的第一眼底图像、从眼球侧面90°获取的第二眼底图像、从眼球斜侧面45°获取的第三眼底图像以及强畏光条件下获取的第四眼底图像;
其中,第四眼底图像的获取角度为从眼球正面获取。
需要说明的是:在医学领域获取的图像通常需要多个角度的数据来提供更全面的信息和更准确的诊断。具体需要的角度数量取决于特定的医学应用和目标。
以眼底图像为例,常用的获取图像的角度包括:
1. 前方角度/正面角度:从患者正面获取的眼底图像。这种角度能够提供眼球整体结构的信息,包括视盘、视杯、黄斑。
2. 侧方角度/侧面角度:从侧面位置获取的眼底图像。这种角度可用于检测眼底病变的侧面特征,如视杯形态和血管分布。
3. 斜视角度:由不同角度斜视患者眼睛获取的眼底图像。这种角度可以提供更多的视野信息,包括眼底外周区域和潜在的视盘变异。
4. 畏光角度:在控制较强的畏光条件下进行眼底图像采集。这种角度下可以更好地显示黄斑区域的细节,并帮助检测黄斑疾病。
需要说明的是,在控制较强的畏光条件下进行眼底图像采集是为了更好地显示黄斑区域的细节,并帮助检测黄斑疾病。控制强光条件主要有以下几个方面:
1. 照明控制:使用光源调节设备,调节照明光源的强度和角度,以减少对眼底图像的直接光照。
2. 虹膜缩瞳:通过使用药物或光刺激等方法,使患者的虹膜缩小,减少光线进入眼睛的量,降低眩光的影响。
3. 眼底照相仪设置:调整眼底照相仪的参数,如曝光时间、增益等,控制光线的强度,并避免过度曝光。
通过控制较强的畏光条件下进行眼底图像采集,可以有效地减少光线干扰,提高黄斑区域细节的可见性。黄斑是眼睛中最重要的区域之一,与视觉功能密切相关,因此,在黄斑疾病的诊断和治疗中,能够清晰显示黄斑区域的细节非常重要。
这种畏光条件下的眼底图像采集方法可应用于眼科医疗设备中,例如眼底照相仪、视网膜扫描仪等。这样的畏光配置可以为医生提供更清晰、更准确的黄斑图像,帮助更好地检测黄斑疾病,如黄斑变性、黄斑裂孔等,并做出更精确的诊断和治疗计划。
进一步的,图像采集部件获取各眼底图像后还包括对各眼底图像进行预处理,将预处理后的各眼底图像存储于数据库中;
其中,预处理步骤具体包括:图像增强、图像去噪以及标准化操作。
需要说明的是,如下,本发明给出每种步骤的具体操作细节:
1. 图像增强:
图像增强的目的是改善图像的对比度、清晰度和细节可见性,以提高图像的质量。常见的图像增强方法包括:
- 直方图均衡化:通过调整图像的灰度级分布,使得图像的直方图更平衡,增强图像的对比度。
- 锐化滤波:使用高通滤波器或增强算法,使得图像的边缘和细节更加清晰。
- 自适应增强:根据图像的局部特征进行自适应的对比度增强,保留细节并避免过增强。
2. 去噪:
图像噪声会降低图像的质量和准确性,因此需要对眼底图像进行去噪处理。常见的去噪方法包括:
- 中值滤波:使用中值滤波器替换像素周围邻域的值为中值,对椒盐噪声和斑点噪声有较好的去除效果。
- 高斯滤波:使用高斯滤波器对图像进行平滑,减少高频噪声的影响。
- 小波去噪:利用小波变换对图像进行频域分析,通过阈值处理来去除噪声。
3. 图像标准化:
图像标准化的目的是对图像进行归一化处理,以消除不同图像之间的光照和对比度差异。常见的图像标准化方法包括:
- 灰度归一化:将图像的灰度值进行线性拉伸,使得灰度值范围适应特定的显示范围,提高视觉对比度。
- 直方图匹配:通过将图像的灰度分布匹配为特定的标准模板,使得图像在对比度和光照方面与标准模板一致。
- 白平衡校正:根据图像中不同颜色通道的亮度比例,调整图像的色温,使得图像中的白色看起来更加自然。
额外需要说明的是,通过高分辨率的眼底成像设备获取眼底图像主要包括以下几个方面的技术:
1. 高分辨率成像技术:眼底成像设备采用高分辨率的成像传感器和光学透镜,能够准确地捕捉眼底图像细节。通过成像过程中使用的近红外光、激光或白光等不同光源,可以观察到不同结构、层面和血管网络的详细信息。
2. 波长选择和滤光技术:眼底成像设备使用特定波长的光源,以便在特定的光谱范围内获取图像。此外,还会使用滤光片和滤光器来进一步选择和过滤特定波段的光,以增强显示目标结构的能力。
3. 自动对焦和调焦技术:眼底成像设备通常配备了自动对焦和调焦功能,以确保图像清晰且能够将感兴趣的结构准确聚焦。这些技术可以根据患者的眼部特征和成像要求来自动调节成像焦距和焦点位置。
4. 数据处理和分析:通过眼底成像设备获取的图像可以进行数据处理和分析,以辅助医生诊断和监测眼部疾病。例如,通过图像增强算法、噪声过滤和图像配准等技术,可以提高图像质量和清晰度。此外,计算机辅助诊断技术还可用于自动或半自动地定位和检测潜在的病变区域。
5. 数据存储和共享:眼底成像设备通常配备了数据存储设备,可将获取的眼底图像保存到电脑或云端数据库中。这样可以随时访问和分享这些图像,便于追踪和比较患者的眼部状况。
额外需要说明的是,初始图像特征提取部件爬取眼底图像涉及以下步骤:
1. 确定目标数据库:选择包含需要的眼底图像的医疗数据库作为爬取目标。
2. 了解数据库结构:分析目标数据库的页面结构,了解图像存储的位置和命名规则等信息。
3. 编写爬虫代码:使用编程语言(如Python)编写爬虫程序,利用网络爬虫库(如Beautiful Soup或Scrapy)来爬取数据库数据。
4. 发送HTTP请求:向目标数据库发送HTTP请求,获取数据库的HTML内容。
5. 解析HTML:使用爬虫库解析HTML内容,提取出图像的URL。
6. 下载图像:根据提取到的图像URL,使用爬虫程序下载图像到本地计算机。
更进一步的,请参阅图2,建立深度学习模型,分别对各眼底图像进行初始特征提取具体包括如下步骤:
S1:获取系列眼底图像数据集,数据集中包含正常眼底图像及系列病变眼底图像;
S2:调整数据集中各图像的大小均一及颜色归一;
需要说明的是,调整数据集中各图像的大小均一及颜色归一是在图像处理过程中采用的一系列专业技术,包括以下几个方面:
1. 图像大小均一化:通过图像缩放、裁剪或填充等技术,将不同图像的尺寸调整为相同的大小。这可以使用插值算法来改变图像的像素分布,以确保所有图像具有相同的分辨率和显示尺寸。
2. 图像色彩归一化:采用不同摄像机、设备或拍摄条件可能会导致图像颜色表现的差异。图像色彩归一化的目的是调整图像的亮度、对比度和色彩平衡等属性,使得所有图像具有相似的颜色外观和色调。
① 图像缩放(Image resizing):通过改变图像的大小,使其适应特定的尺寸标准或与其他图像相匹配。在缩放过程中,通常使用插值算法来重新分配像素值,以获得与原始图像相似的细节和结构。
②图像裁剪(Image cropping):通过裁剪图像的边缘或特定区域,将图像调整为所需的尺寸。裁剪可以去除无关的区域或将图像聚焦在感兴趣的区域上,以提高图像的可视化效果和视觉质量。
③填充(Padding):在图像缩放或裁剪时,需要添加额外的像素来填补缺失的区域,以保持图像的统一尺寸。填充可以使用不同的方法,如零填充、平均填充或基于颜色分布的填充。
④色彩平衡(Color balancing):通过调整图像的颜色通道来改变图像的色调平衡,以使其在整体上看起来更加协调和自然。色彩平衡可以是全局的,通过调整整个图像的像素值,也可以是局部的,仅针对特定区域或通道进行调整。
⑤插值算法(Interpolation):在图像缩放、裁剪和填充过程中,插值算法被用来生成新的像素值,以填补或调整图像的细节和结构。常用的插值算法包括最邻近插值、双线性插值和双三次插值等。
S3:建立卷积神经网络模型,陆续输入数据集中调整后的各图像;
需要说明的是,建立的卷积神经网络模型(Convolutional Neural Network,CNN)模型用于处理眼底图像,可以采用以下具体技术和模型构建过程:
1. 数据加载和预处理:首先,从调整后的眼底图像数据集中加载图像并进行预处理。这包括将图像转换为合适的格式和尺寸,并进行归一化处理,以便输入到CNN模型中。
2. 卷积层(Convolutional Layers):卷积层是CNN模型的核心组件,通过应用一系列卷积核来提取图像中的特征。每个卷积核将滑动在输入图像上,并通过卷积操作提取图像的不同特征(如边缘、纹理等)。可以使用不同的卷积核大小和数量,以及应用激活函数来增强特征表示的能力。
3. 池化层(Pooling Layers):池化层用于减小特征图的尺寸,并减少模型中的参数数量。常用的池化方法包括最大池化和平均池化,它们通过提取池化区域内的最大值或平均值来保留图像的重要特征。
4. 批量归一化层(Batch Normalization Layers):批量归一化层用于对每个卷积层的输出进行标准化,以加速模型训练和提高模型的稳定性。它可以使激活值的分布保持在较小的范围内,避免梯度消失或梯度爆炸的问题。
5. 全连接层(Fully Connected Layers):在卷积层和输出层之间,可以添加若干个全连接层。全连接层将卷积层输出的特征图拉平为向量形式,并通过神经元的连接权重进行线性变换和非线性激活操作。全连接层的作用是将低级特征转化为高级特征,以便用于最终的分类或回归任务。
6. 输出层(Output Layer):在眼底图像分类任务中,输出层通常使用带有Softmax激活函数的全连接层。Softmax函数可以将神经网络的输出转换为类别概率,从而实现多类别分类。
S4:卷积神经网络模型分别学习各类病变眼底图像与正常眼底图像的区域性差异,区域性差异具体包括病变纹理、病变阴影组成百分比及病变阴影各区对应深度;
需要说明的是,并不是每一项区域性差异均包含有病变纹理,本发明在后续的计算中分为不具备病变纹理以及具备病变纹理两种情况进行分别讨论。
病变阴影各区对应深度分为A区黑色阴影、B区灰色阴影以及C区白灰色阴影,具体的分区占比通过系统图像处理程序即可得出,在此不需多余赘述。
S5:卷积神经网络模型中输入各眼底图像,生成各眼底图像对应的特征图,完成初始特征提取;
需要说明的是,卷积神经网络模型完成初始特征提取属于现有技术的直接运用,在此不需多余赘述。
其中,特征图中的信息组成即为提取出的初始特征;
其中,特征图中包含有所生成的病变纹理、所生成的病变阴影组成百分比及所生成的病变阴影各区对应深度。
更进一步的,建立的提取关键值输出模型具体为:
其中,δ为提取关键值,α为病变阴影组成百分比,A为黑区阴影组成百分比,B为灰区阴影组成百分比,C为白灰区阴影组成百分比,1.77、1.03、0.56、1.22、1及0.28均为调整常函数,dx为积分运算且积分常数为0。
具体的,结果诊断部件在具体对比过程中,当提取关键值之间相差的程度差异处于(0,0.82)时,确定眼底图像的病变类型一致,完成自动初诊断;
其中,通过以下公式获取提取关键值之间相差的程度差异:
其中,λ为程度差异,δ1为数据集中同步生成的病变眼底图像提取关键值,δ2为各初始特征对应的提取关键值。
额外需要说明的是,请参阅图3,当具体进行黄斑预诊断时,包括如下诊断步骤:
Q1:依据提取关键值输出模型获取第一眼底图像生成的提取关键值;
Q2:依据提取关键值输出模型获取第四眼底图像生成的提取关键值;
Q3:构建黄斑诊断特定提取关键值输出模型;
Q4:输出黄斑诊断提取关键值;
Q5:结果诊断部件完成具体对比,分析诊断当前眼底图像是否为黄斑病变;
其中,黄斑诊断特定提取关键值输出模型具体为:
其中,δ黄斑为黄斑诊断提取关键值,δ第一眼底图像为所述第一眼底图像生成的提取关键值,1.36为第一眼底图像的调整常函数,δ第四眼底图像为所述第四眼底图像生成的提取关键值,0.75或0.751均为第四眼底图像的调整常函数。
为了证明本发明的优异性,采用仿真模型进行模拟,以下为部分对于数据,请参阅表1:
表1:数据对比表
本发明的优异性体现在以下几个方面:
1. 引入人工智能算法:通过采用深度学习算法,如卷积神经网络和支持向量机,实现对眼底图像的智能分析和病变诊断,提高了诊断结果的准确性和可靠性。
2. 建立大量数据库:通过建立详细、全面的眼底病变数据库,并与诊断结果进行对比,提高了系统诊断的准确性和精确度。
3. 辅助医生决策:本系统提供病变类型和程度的自动诊断结果,为医生提供辅助决策依据,提高了临床医生的工作效率和准确性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.基于人工智能自动化分析的眼底病变诊断系统,其特征在于,包括如下部件:
图像采集部件,通过高分辨率的眼底成像设备获取眼底图像,并将各所述眼底图像存储于数据库中;
初始图像特征提取部件,与所述图像采集部件信号数据连接,从数据库中爬取各所述眼底图像,建立深度学习模型,分别对各所述眼底图像进行初始特征提取;
图像特征提取关键值输出部件,与所述初始图像特征提取部件信号数据连接,获取各所述眼底图像提取出的初始特征,建立提取关键值输出模型,输出各初始特征对应的提取关键值,同步依据所述提取关键值输出模型获取数据集中各类病变眼底图像的提取关键值;
结果诊断部件,与所述图像特征提取关键值输出部件信号数据连接,将获取的各初始特征对应的提取关键值与数据集中同步生成的病变眼底图像提取关键值进行对比,利用支持向量机分类算法实现病变类型的匹配诊断。
2.根据权利要求1所述的基于人工智能自动化分析的眼底病变诊断系统,其特征在于:获取的所述眼底图像包括从眼球正面获取的第一眼底图像、从眼球侧面90°获取的第二眼底图像、从眼球斜侧面45°获取的第三眼底图像以及强畏光条件下获取的第四眼底图像;
其中,所述第四眼底图像的获取角度为从眼球正面获取。
3.根据权利要求2所述的基于人工智能自动化分析的眼底病变诊断系统,其特征在于:所述图像采集部件获取各所述眼底图像后还包括对各所述眼底图像进行预处理,将预处理后的各所述眼底图像存储于数据库中;
其中,预处理步骤具体包括:图像增强、图像去噪以及标准化操作。
4.根据权利要求3所述的基于人工智能自动化分析的眼底病变诊断系统,其特征在于,建立所述深度学习模型,分别对各所述眼底图像进行初始特征提取具体包括如下步骤:
S1:获取系列眼底图像数据集,数据集中包含正常眼底图像及系列病变眼底图像;
S2:调整数据集中各图像的大小均一及颜色归一;
S3:建立卷积神经网络模型,陆续输入数据集中调整后的各图像;
S4:所述卷积神经网络模型分别学习各类病变眼底图像与正常眼底图像的区域性差异,所述区域性差异具体包括病变纹理、病变阴影组成百分比及病变阴影各区对应深度;
S5:所述卷积神经网络模型中输入各所述眼底图像,生成各所述眼底图像对应的特征图,完成初始特征提取;
其中,所述特征图中的信息组成即为提取出的初始特征;
其中,所述特征图中包含有所生成的病变纹理、所生成的病变阴影组成百分比及所生成的病变阴影各区对应深度。
5.根据权利要求4所述的基于人工智能自动化分析的眼底病变诊断系统,其特征在于,建立的所述提取关键值输出模型具体为:
其中,δ为提取关键值,α为病变阴影组成百分比,A为黑区阴影组成百分比,B为灰区阴影组成百分比,C为白灰区阴影组成百分比,1.77、1.03、0.56、1.22、1及0.28均为调整常函数,dx为积分运算且积分常数为0。
6.根据权利要求5所述的基于人工智能自动化分析的眼底病变诊断系统,其特征在于:所述结果诊断部件在具体对比过程中,当提取关键值之间相差的程度差异处于(0,0.82)时,确定所述眼底图像的病变类型一致,完成自动初诊断;
其中,通过以下公式获取提取关键值之间相差的程度差异:
其中,λ为程度差异,δ1为数据集中同步生成的病变眼底图像提取关键值,δ2为各初始特征对应的提取关键值。
7.根据权利要求6所述的基于人工智能自动化分析的眼底病变诊断系统,其特征在于,当具体进行黄斑预诊断时,包括如下诊断步骤:
Q1:依据所述提取关键值输出模型获取所述第一眼底图像生成的提取关键值;
Q2:依据所述提取关键值输出模型获取所述第四眼底图像生成的提取关键值;
Q3:构建黄斑诊断特定提取关键值输出模型;
Q4:输出黄斑诊断提取关键值;
Q5:所述结果诊断部件完成具体对比,分析诊断当前所述眼底图像是否为黄斑病变;
其中,所述黄斑诊断特定提取关键值输出模型具体为:
其中,δ黄斑为黄斑诊断提取关键值,δ第一眼底图像为所述第一眼底图像生成的提取关键值,1.36为第一眼底图像的调整常函数,δ第四眼底图像为所述第四眼底图像生成的提取关键值,0.75或0.751均为第四眼底图像的调整常函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821848.6A CN117670862A (zh) | 2023-12-27 | 2023-12-27 | 基于人工智能自动化分析的眼底病变诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311821848.6A CN117670862A (zh) | 2023-12-27 | 2023-12-27 | 基于人工智能自动化分析的眼底病变诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117670862A true CN117670862A (zh) | 2024-03-08 |
Family
ID=90086369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311821848.6A Pending CN117670862A (zh) | 2023-12-27 | 2023-12-27 | 基于人工智能自动化分析的眼底病变诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117670862A (zh) |
-
2023
- 2023-12-27 CN CN202311821848.6A patent/CN117670862A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Structure and illumination constrained GAN for medical image enhancement | |
Iqbal et al. | Recent trends and advances in fundus image analysis: A review | |
US20210390696A1 (en) | Medical image processing apparatus, medical image processing method and computer-readable storage medium | |
US9317761B2 (en) | Method and an apparatus for determining vein patterns from a colour image | |
Sinthanayothin | Image analysis for automatic diagnosis of diabetic retinopathy | |
Naqvi et al. | Automatic optic disk detection and segmentation by variational active contour estimation in retinal fundus images | |
Sigit et al. | Cataract detection using single layer perceptron based on smartphone | |
CN106846293A (zh) | 图像处理方法和装置 | |
CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
Yang et al. | Retinal image enhancement with artifact reduction and structure retention | |
Devi et al. | Dehazing buried tissues in retinal fundus images using a multiple radiance pre-processing with deep learning based multiple feature-fusion | |
CN117577319A (zh) | 一种糖尿病视网膜病变日常监测及预警方法 | |
Li et al. | A deep-learning-enabled monitoring system for ocular redness assessment | |
Si et al. | Retina 3D perception reconstruction algorithm based on visual light field image | |
CN117670862A (zh) | 基于人工智能自动化分析的眼底病变诊断系统 | |
Zhang et al. | A fundus image enhancer based on illumination-guided attention and optic disc perception GAN | |
KR102282334B1 (ko) | 시신경 유두 분류 방법 | |
Venugopal et al. | A deep learning-based illumination transform for devignetting photographs of dermatological lesions | |
Yerramneni et al. | A generalized grayscale image processing framework for retinal fundus images | |
Bijam et al. | A review on detection of diabetic retinopathy using deep learning and transfer learning based strategies | |
Troglio et al. | Automatic registration of retina images based on genetic techniques | |
Doan et al. | Implementation of complete glaucoma diagnostic system using machine learning and retinal fundus image processing | |
Datta et al. | Detection of eye ailments using segmentation of blood vessels from eye fundus image | |
Morís et al. | Context encoder self-supervised approaches for eye fundus analysis | |
Krishna et al. | Retinal vessel segmentation techniques |
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 |