DE19194538T1 - Multivariates System mit mehrfacher Auflösung zur Erkennung von Netzhautbildanomalien - Google Patents

Multivariates System mit mehrfacher Auflösung zur Erkennung von Netzhautbildanomalien Download PDF

Info

Publication number
DE19194538T1
DE19194538T1 DE19194538.5T DE19194538T DE19194538T1 DE 19194538 T1 DE19194538 T1 DE 19194538T1 DE 19194538 T DE19194538 T DE 19194538T DE 19194538 T1 DE19194538 T1 DE 19194538T1
Authority
DE
Germany
Prior art keywords
image
processing method
trained
image processing
images
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
Application number
DE19194538.5T
Other languages
English (en)
Inventor
Qi Yang
Bisrat ZERIHUN
Charles A. Reisman
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.)
Topcon Corp
Original Assignee
Topcon Corp
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 Topcon Corp filed Critical Topcon Corp
Publication of DE19194538T1 publication Critical patent/DE19194538T1/de
Pending legal-status Critical Current

Links

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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Ophthalmology & Optometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

Bildverarbeitungsverfahren, umfassend:Empfangen eines ersten Bildes eines Objekts;Extrahieren eines Merkmals des ersten Bildes oder einer physiologischen Struktur, die im ersten Bild dargestellt wird, mit einem trainierten maschinellen Lernsystem, wobei das erste Bild eine Eingabe in das trainierte maschinelle Lernsystem ist;Klassifizieren des ersten Bildes mit einem ersten trainierten Klassifikator basierend auf dem extrahierten Merkmal, wobei das extrahierte Merkmal eine Eingabe in den ersten trainierten Klassifikator ist; undBestimmen einer Kennzeichnung und/oder einer Bewertung des ersten Bildes basierend auf der Klassifizierung.

Claims (17)

  1. Bildverarbeitungsverfahren, umfassend: Empfangen eines ersten Bildes eines Objekts; Extrahieren eines Merkmals des ersten Bildes oder einer physiologischen Struktur, die im ersten Bild dargestellt wird, mit einem trainierten maschinellen Lernsystem, wobei das erste Bild eine Eingabe in das trainierte maschinelle Lernsystem ist; Klassifizieren des ersten Bildes mit einem ersten trainierten Klassifikator basierend auf dem extrahierten Merkmal, wobei das extrahierte Merkmal eine Eingabe in den ersten trainierten Klassifikator ist; und Bestimmen einer Kennzeichnung und/oder einer Bewertung des ersten Bildes basierend auf der Klassifizierung.
  2. Bildverarbeitungsverfahren nach Anspruch 1, ferner umfassend: Empfangen eines zweiten Bildes die Objekts; Extrahieren eines Merkmals des zweiten Bildes oder einer physiologischen Struktur, die im zweiten Bild dargestellt wird, mit dem trainierten maschinellen Lernsystem, wobei das zweite Bild eine Eingabe in das trainierte maschinelle Lernsystem ist; Klassifizieren des zweiten Bildes mit einem zweiten trainierten Klassifikator basierend auf dem extrahierten Merkmal des zweiten Bildes, wobei das extrahierte Merkmal des zweiten Bildes eine Eingabe in den zweiten trainierten Klassifikator ist; und Bestimmen einer Kennzeichnung und/oder einer Bewertung des zweiten Bildes basierend auf der Klassifizierung.
  3. Bildverarbeitungsverfahren nach Anspruch 2, wobei das erste Bild und das zweite Bild Patches von einem gemeinsamen Querschnittsbild des Objekts sind.
  4. Bildverarbeitungsverfahren nach Anspruch 2 oder 3, wobei: der erste trainierte Klassifikator mit normativen Bildern trainiert wird, die einer Region des ersten Bildes entsprechen, welche das extrahierte Merkmal des ersten Bildes umfasst, und der zweite trainierte Klassifikator mit normativen Bildern trainiert wird, die einer Region des zweiten Bildes entsprechen, welche das extrahierte Merkmal des zweiten Bildes umfasst.
  5. Bildverarbeitungsverfahren nach einem der Ansprüche 2 bis 4, wobei das erste Bild und das zweite Bild keine gleichen Daten umfassen.
  6. Bildverarbeitungsverfahren nach einem der Ansprüche 2 bis 5, wobei das erste Bild und das zweite Bild eine unterschiedliche Größe und eine unterschiedliche Auflösung aufweisen.
  7. Bildverarbeitungsverfahren nach einem der Ansprüche 2 bis 6, ferner umfassend: Bestimmen einer kombinierten Kennzeichnung oder einer kombinierten Bewertung basierend auf der Kennzeichnung oder der Bewertung des ersten Bildes und basierend auf der Kennzeichnung oder der Bewertung des zweiten Bildes.
  8. Bildverarbeitungsverfahren nach einem der Ansprüche 2 bis 7, ferner umfassend: Bestimmen einer kombinierten Kennzeichnung durch Vergleichen von Bewertungen einer ersten vorbestimmten Anzahl von Bildern mit einer vorbestimmten Schwelle; und Bestimmen einer kombinierten Bewertung durch Durchführen einer statistischen Berechnung an einer zweiten vorbestimmten Anzahl von Bildern, wobei die erste vorbestimmte Anzahl von Bildern wenigstens das erste Bild und das zweite Bild umfasst, und die zweite vorbestimmte Anzahl von Bildern wenigstens das erste Bild und das zweite Bild umfasst.
  9. Bildverarbeitungsverfahren nach Anspruch 8, wobei die kombinierte Kennzeichnung eine Anomalie darstellt, wenn ein erster Satz von aufeinanderfolgenden Bildern der ersten vorbestimmten Anzahl von Bildern eine Bewertung unter einer Schwelle aufweist, und wobei die kombinierte Bewertung eine Mindestbewertung eines zweiten Satzes von aufeinanderfolgenden Bildern der zweiten vorbestimmten Anzahl von Bildern ist.
  10. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei das erste Bild ein B-Scan oder ein Querschnittsbild ist, das eine Tiefendimension umfasst.
  11. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei das erste Bild eine optische Kohärenztomographieaufnahme ist.
  12. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei die Kennzeichnung identifiziert, ob das Objekt normal oder anomal ist, und die Bewertung einen Grad der Normalität oder Anomalie anzeigt oder einen Typ der Anomalie anzeigt.
  13. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei der erste trainierte Klassifikator nur mit normativen Daten trainiert wird.
  14. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei der erste trainierte Klassifikator eine Ein-Klassen- Support-Vektor-Maschine ist.
  15. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei das trainierte Lernsystem ein neuronales Konvolutionsnetzwerk ist.
  16. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei das Objekt eine ophthalmologische Struktur ist.
  17. Bildverarbeitungsverfahren nach einem der vorhergehenden Ansprüche, wobei: es sich bei dem ersten Bild um eine Mehrzahl von Patches handelt, wobei jedes der Mehrzahl von Patches von einer diskreten räumlichen Region eines gemeinsamen Querschnittsbildes des Objekts ist, und der erste trainierte Klassifikator mindestens einer von mindestens zwei Komponenten-Klassifikatoren eines Ensemble-Klassifikators ist und mit Trainingsbild-Patches von der diskreten räumlichen Region trainiert wird, die dem ersten Bild entspricht, und der andere der mindestens zwei Komponenten-Klassifikatoren mit Trainingsbild-Patches von verschiedenen diskreten räumlichen Regionen trainiert wird.
DE19194538.5T 2018-08-30 2019-08-30 Multivariates System mit mehrfacher Auflösung zur Erkennung von Netzhautbildanomalien Pending DE19194538T1 (de)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862724864P 2018-08-30 2018-08-30
US201862724864P 2018-08-30
US201916552467 2019-08-27
US16/552,467 US11704791B2 (en) 2018-08-30 2019-08-27 Multivariate and multi-resolution retinal image anomaly detection system
EP19194538.5A EP3617943A1 (de) 2018-08-30 2019-08-30 Multivariates system mit mehrfacher auflösung zur erkennung von netzhautbildanomalien

Publications (1)

Publication Number Publication Date
DE19194538T1 true DE19194538T1 (de) 2020-06-04

Family

ID=67810430

Family Applications (1)

Application Number Title Priority Date Filing Date
DE19194538.5T Pending DE19194538T1 (de) 2018-08-30 2019-08-30 Multivariates System mit mehrfacher Auflösung zur Erkennung von Netzhautbildanomalien

Country Status (4)

Country Link
US (1) US11704791B2 (de)
EP (1) EP3617943A1 (de)
JP (2) JP6899876B2 (de)
DE (1) DE19194538T1 (de)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10997717B2 (en) * 2019-01-31 2021-05-04 Siemens Healthcare Gmbh Method and system for generating a confidence score using deep learning model
KR20210115196A (ko) * 2020-03-12 2021-09-27 삼성에스디에스 주식회사 영상 기반의 안질환 진단 장치 및 방법
JP2021145805A (ja) * 2020-03-18 2021-09-27 株式会社トプコン 眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラム
DE102020203707A1 (de) * 2020-03-23 2021-09-23 Robert Bosch Gesellschaft mit beschränkter Haftung Plausibilisierung der Ausgabe neuronaler Klassifikatornetzwerke
US11557026B2 (en) 2020-06-05 2023-01-17 Advanced Micro Devices, Inc. Automated artifact detection
CN111798437A (zh) * 2020-07-09 2020-10-20 兴义民族师范学院 一种基于ct影像的新型冠状病毒肺炎ai快速诊断方法
CN111950525B (zh) * 2020-08-31 2022-09-16 福州大学 一种基于破坏重建学习与GoogLeNet的细粒度图像分类方法
WO2022049901A1 (ja) * 2020-09-07 2022-03-10 富士フイルム株式会社 学習装置、学習方法、画像処理装置、内視鏡システム及びプログラム
WO2022072513A1 (en) * 2020-09-30 2022-04-07 Ai-Ris LLC Retinal imaging system
US11670072B2 (en) 2020-10-02 2023-06-06 Servicenow Canada Inc. Systems and computer-implemented methods for identifying anomalies in an object and training methods therefor
EP4227848A4 (de) 2020-10-06 2023-11-22 Fujitsu Limited Trainingsdatenerzeugungsprogramm, trainingsdatenerzeugungsverfahren und trainingsdatenerzeugungsvorrichtung
US11693925B2 (en) 2020-11-16 2023-07-04 International Business Machines Corporation Anomaly detection by ranking from algorithm
KR20220073209A (ko) * 2020-11-26 2022-06-03 조선대학교산학협력단 심전도 신호로부터 설명 가능한 히트맵 영상에 근거한 질병을 판별하는 시스템 및 판별 방법
US11727534B2 (en) 2020-12-08 2023-08-15 International Business Machines Corporation Normalizing OCT image data
CN112819076B (zh) * 2021-02-03 2022-06-17 中南大学 基于深度迁移学习的医学图像分类模型的训练方法及装置
US20220366316A1 (en) * 2021-05-12 2022-11-17 Capital One Services, Llc Ensemble machine learning for anomaly detection
CN113269134A (zh) * 2021-06-17 2021-08-17 中国空间技术研究院 一种异常广播识别模型及其构建方法和使用方法
CN113379729B (zh) * 2021-07-02 2023-07-25 四川启睿克科技有限公司 一种图像微小异常检测方法、装置及计算机可读存储介质
EP4123506A1 (de) * 2021-07-20 2023-01-25 Fujitsu Technology Solutions GmbH Verfahren und vorrichtung zum analysieren eines produkts, trainingsverfahren, system, computerprogramm und computerlesbares speichermedium
JPWO2023053854A1 (de) * 2021-09-29 2023-04-06
CN113962274B (zh) * 2021-11-18 2022-03-08 腾讯科技（深圳）有限公司 一种异常识别方法、装置、电子设备及存储介质
WO2023095250A1 (ja) * 2021-11-25 2023-06-01 株式会社日立国際電気 異常検知システム
CN114529772B (zh) * 2022-04-19 2022-07-15 广东唯仁医疗科技有限公司 Oct三维图像分类方法、系统、计算机装置及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7653221B2 (en) * 2006-01-31 2010-01-26 Fujifilm Corporation Method and apparatus for automatic eyeglasses detection and removal
US9002085B1 (en) * 2013-10-22 2015-04-07 Eyenuk, Inc. Systems and methods for automatically generating descriptions of retinal images
US9349178B1 (en) * 2014-11-24 2016-05-24 Siemens Aktiengesellschaft Synthetic data-driven hemodynamic determination in medical imaging
US9741107B2 (en) * 2015-06-05 2017-08-22 Sony Corporation Full reference image quality assessment based on convolutional neural network
WO2017096353A1 (en) * 2015-12-03 2017-06-08 The Cleveland Clinic Foundation Automated clinical evaluation of the eye
US10660576B2 (en) * 2017-01-30 2020-05-26 Cognizant Technology Solutions India Pvt. Ltd. System and method for detecting retinopathy
JP6907563B2 (ja) * 2017-01-31 2021-07-21 株式会社ニデック 画像処理装置、および画像処理プログラム
CN110506278B (zh) * 2017-04-19 2023-11-10 西门子医疗有限公司 隐空间中的目标检测
US10963737B2 (en) * 2017-08-01 2021-03-30 Retina-Al Health, Inc. Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images
US10468142B1 (en) * 2018-07-27 2019-11-05 University Of Miami Artificial intelligence-based system and methods for corneal diagnosis

Also Published As

Publication number Publication date
JP6899876B2 (ja) 2021-07-07
US11704791B2 (en) 2023-07-18
US20200074622A1 (en) 2020-03-05
JP7096406B2 (ja) 2022-07-05
EP3617943A1 (de) 2020-03-04
JP2020032190A (ja) 2020-03-05
JP2021151522A (ja) 2021-09-30

Similar Documents

Publication Publication Date Title
DE19194538T1 (de) Multivariates System mit mehrfacher Auflösung zur Erkennung von Netzhautbildanomalien
DE18248134T1 (de) Maschinell lernendes, geführtes abbildungssystem
DE102014214448B4 (de) Vorrichtung und Verfahren zur Erkennung eines Verkehrszeichens
DE102015114015A1 (de) Maschinelles lernen
DE69332265T2 (de) Verfahren zur maskenerzeugung
DE112017002799T5 (de) Verfahren und system zum generieren multimodaler digitaler bilder
DE19158556T1 (de) Quantitative 3d-analyse von netzhautschichten mit tiefenlernen
DE102017111707A1 (de) Verhaltenserkennungsgerät, lerngerät und verfahren
DE112017006891T5 (de) Bewegungslerneinrichtung, fertigkeitendiskriminationseinrichtung und fertigkeitendiskriminationssystem
DE60303138T2 (de) Vergleichen von mustern
DE102019204139A1 (de) Training für künstliche neuronale Netzwerke mit besserer Ausnutzung der Lern-Datensätze
EP3089106A1 (de) Verfahren zur reflexionskorrektur von abbildungen und diesbezügliche vorrichtungen
WO2013152929A1 (de) Lernverfahren zur automatisierten erkennung von verkehrszeichen, verfahren zur bestimmung eines aktualisierten parametersatzes für eine klassifikation von einem verkehrszeichen und verkehrszeichenerkennungssystem
Fatma et al. Identification and classification of acute leukemia using neural network
EP2787485B1 (de) Verfahren und Vorrichtung zur automatischen Fehlerstellenerkennung bei biegeschlaffen Körpern
DE69331867T2 (de) Verfahren und Vorrichtung zur Eingabeklassifizierung mit nichtkugeligen Neuronen
DE102018205561A1 (de) Vorrichtung zur Klassifizierung von Signalen
DE112020000028A5 (de) Informations-Bereitstellungssystem
DE102016204506A1 (de) Fortdruckinspektion mit lokaler Optimierung
DE102020208474B4 (de) Messung der Empfindlichkeit von Klassifikatoren anhand zusammenwirkender Störungen
DE112017007247B4 (de) Bildverarbeitungsvorrichtung
DE102016210482A1 (de) Optisches Sortiersystem sowie entsprechendes Sortierverfahren
DE102015205502A1 (de) Bildverarbeitungsverfahren und Bildverarbeitungssystem zum Extrahieren verzerrter kreisförmiger Bildelemente
DE112009005102T5 (de) Aufspaltung mehrteiliger Objekte
DE112018007522T5 (de) Arbeitsanalyseeinrichtung