一种基于深度学习的眼部图像处理系统技术方案

本发明专利技术涉及一种基于深度学习的眼部图像处理系统，包括图像初筛模块、图像定位模块：所述图像初筛模块，用于通过第一CNN模型判断眼部图像是否为眼部异常图像；所述图像定位模块，用于通过Faster‑RCNN模型定位眼部图像中正常解剖结构及异常现象的位置，并对正常解剖结构及异常现象的类型进行标注，得到眼部标注图像。本发明专利技术可以获取眼部图像中正常解剖结构及异常现象的位置并且标注正常解剖结构及异常现象的类型，从而辅助系统使用者快速、准确地判断眼部图像上所包含的解剖结构及所存在的异常现象。

【技术实现步骤摘要】
一种基于深度学习的眼部图像处理系统
本专利技术涉及医学图像处理
，具体涉及一种基于深度学习的眼部图像处理系统。
技术介绍
最近一次2010年的统计，全世界有285百万人由于白内障、传染性眼病等导致视力缺损。大型医院每年的眼科门诊量超负荷，却仍无法满足不断增长的医疗需求。另外，社区卫生服务中心虽然在21世纪扩增，专科医生比例只有2.6％，眼科医生极少。虽然目前出现了应用于眼科的算法，但它们主要针对特定眼科疾病，如糖尿病视网膜病变、年龄相关性黄斑变性，眼科诊疗仍然依赖医生的分诊。因此，眼科通用型的自动诊断具有重要意义，可以减轻医疗压力，有机会实现了一种从被动医疗到主动医疗模式的转变。然而，我们的眼睛在疾病状态下异质性高，实现眼科通用型自动诊断并非易事。同时，一个理想的通用型医学人工智能，面对一个患者，需要面对复杂的临床问题(不同解剖部位的疾病、不同性状的疾病，甚至同时存在多个疾病)，同时考虑到多种可能的诊断结果，并选出最佳选项。这要求算法拥有巨大的数据集和超强的逻辑能力，成为了目前医学人工智能实现通用的一大瓶颈。
技术实现思路
本专利技术为了克服上述现有技术所述的至少一种缺陷(不足)，本文档来自技高网...

【技术保护点】
1.一种基于深度学习的眼部图像处理系统，其特征在于，包括图像初筛模块(10)、图像定位模块(20)：所述图像初筛模块(10)，用于通过第一CNN模型判断眼部图像是否为眼部异常图像；所述图像定位模块(20)，用于通过Faster‑RCNN模型定位眼部图像中正常解剖结构及异常现象的位置，并对正常解剖结构及异常现象的类型进行标注，得到眼部标注图像。

【技术特征摘要】
2018.07.24 CN 201810819711X1.一种基于深度学习的眼部图像处理系统，其特征在于，包括图像初筛模块(10)、图像定位模块(20)：所述图像初筛模块(10)，用于通过第一CNN模型判断眼部图像是否为眼部异常图像；所述图像定位模块(20)，用于通过Faster-RCNN模型定位眼部图像中正常解剖结构及异常现象的位置，并对正常解剖结构及异常现象的类型进行标注，得到眼部标注图像。2.根据权利要求1所述的基于深度学习的眼部图像处理系统，其特征在于，还包括Faster-RCNN训练模块(62)、眼部样本图像处理模块(70)；所述眼部样本图像处理模块(70)，用于将原始的眼部样本图像按照最小解剖结构或异常区域进行裁剪，将原始的眼部样本图像和裁剪后的眼部样本图像一起存储形成眼部样本图像集；所述Faster-RCNN训练模块(62)，用于对眼部样本图像集内所有眼部样本图像中正常解剖结构及异常现象的位置进行定位，并对正常解剖结构及异常现象的类型进行标记，通过训练学习定位和标注后的眼部样本图像，得到Faster-RCNN模型。3.根据权利要求2所述的基于深度学习的眼部图像处理系统，其特征在于，所述眼部样本图像处理模块(70)还用于将原始的眼部样本图像和/或裁剪后的眼部样本图像进行旋转和/或镜像，将旋转和/或镜像后的眼部样本图像与原始的眼部样本图像、裁剪后的眼部样本图像一起存储形成眼部样本图像集。4.根据权利要求2或3所述的基于深度学习的眼部图像处理系统，其特征在于，所述最小解剖结构包括睫毛、眼睑、巩膜结膜区、角膜虹膜区、瞳孔区的其中一个或多个；所述异常区域包括结膜充血区、结膜下充血区、结膜水肿区、翼状胬肉区、角膜炎区、晶体病变区、翼状胬肉超过瞳孔区区、角膜裂隙光、虹膜裂隙光、瞳孔裂隙光的其中一个或多个。5.根...

【专利技术属性】
技术研发人员：林浩添，杨雅涵，李王婷，张凯，
申请(专利权)人：中山大学中山眼科中心，
类型：发明
国别省市：广东,44