【技术实现步骤摘要】
一种基于区域特征集合神经网络的眼底照多病种检测系统
本专利技术属于眼科影像学领域，尤其是涉及一种基于区域特征集合神经网络的眼底照多病种检测系统。
技术介绍
随着医疗技术水平的提高，眼健康愈发受到人们的重视。诸多眼底疾病会对视力造成不可挽回的损害。眼底相机成像是当前最常见、操作方式最简单的眼科临床影像检查手段之一。目前对眼底照进行分析、研究多采用机器学习的方法，包括监督学习和无监督学习的方法。因具备专家标注监督模型训练，监督学习的效果和泛化性显著高于无监督学习，其中，基于卷积神经网络的方法在眼底图分析实现了几乎无法超越的准确率。如公开号为CN107437252A的中国专利文献公开了一种用于黄斑病变区域分割的分类模型构建方法和设备，包括以下步骤：选取多幅眼底图像，对其进行灰度化处理得到多幅灰度图像，对所述灰度图像的前景和背景分别进行采样得到样本；采用广义低秩近似方法获取转换矩阵，基于所述转换矩阵对样本进行降维处理，得到样本的低秩近似矩阵；对所述样本的低秩近似矩阵加入标签信息作为监督，构建流形正则化项；结合广义低秩近似方法...
【技术保护点】
1.一种基于区域特征集合神经网络的眼底照多病种检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：/n所述计算机存储器中存有训练好的多眼底病检测网络模型，所述的多眼底病检测网络模型包括一个特征提取网络、一个语义分割子网络和多个分类器；所述特征提取网络用于提取眼底照特征，得到最终特征图；所述语义分割子网络用于分割视盘、视杯及黄斑区域，并根据分割结果从眼底照的最终特征图中提取对应区域；所述的多个分类器用于接收不同区域的特征组合，实现眼底病变识别；/n所述计算机处理器执行所述计算机程序时实现以下步骤：/n获取待...
【技术特征摘要】
1.一种基于区域特征集合神经网络的眼底照多病种检测系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于：
所述计算机存储器中存有训练好的多眼底病检测网络模型，所述的多眼底病检测网络模型包括一个特征提取网络、一个语义分割子网络和多个分类器；所述特征提取网络用于提取眼底照特征，得到最终特征图；所述语义分割子网络用于分割视盘、视杯及黄斑区域，并根据分割结果从眼底照的最终特征图中提取对应区域；所述的多个分类器用于接收不同区域的特征组合，实现眼底病变识别；
所述计算机处理器执行所述计算机程序时实现以下步骤：
获取待测的原始眼底照片输入多眼底病检测网络模型，得到各类别病变的概率，实现眼底病变识别。
2.根据权利要求1所述的基于区域特征集合神经网络的眼底照多病种检测系统，其特征在于，所述的特征提取网络包括依次连接的卷积核尺寸为7×7的二维卷积层、BatchNorm、整流线性单元、ReLU、最大池化层以及5个特征模块。
3.根据权利要求2所述的基于区域特征集合神经网络的眼底照多病种检测系统，其特征在于，所述特征模块包括16个特征层，每一个特征层的输入由其之前所有特征层的输出沿通道维度拼接组成，第16个特征层的输出，依次经过BatchNorm、ReLU、卷积核尺寸为1×1的二维卷积层，再经过平均池化层减半特征图得到该特征模块的输出；所述的特征层由顺序连接的BatchNorm、ReLU、Conv3×3、BatchNorm、ReLUh和Conv3×3组成。
4.根据权利要求1所述的基于区域特征集合神经网络的眼底照多病种检测系统，其特征在于，所述的语义分割子网络由五个反卷积模块组成，其中，反卷积模块由顺序连接的Conv3×3、BatchNorm、ReLU、反卷积层组成；反卷积层用于将特征图的尺寸上采样为原本的两倍，最终特征图经过5次上采样后，尺寸还原回原始眼底图尺寸，之后经过Softmax函数，将输出映射到概率空间，经过二值化得到语义分割结果。
5.根据权利要求1所述的基于区域特征集合神经网络的眼底照多病种检测系统，其特征在于，所述的分类器接收不同特征组合后，先经过全局均值池化层，将其尺寸缩小为1×1，再经过两个全连接层后，得到长度为k的输出向量，该向量经过Softmax函数后可得到各类别的概率，进而实现眼底病识别。
6.根据权利要求1所述的基于区域特征集合神经网络的眼底照多病种检测系统，其特征在于，所述的多眼底病检测网络模型训练过程如下：
(1)采集眼底照片样本作为训练数据集，进行语义分割标注和眼底病标注，其中，语义分割标注包括：黄斑中心凹...
【专利技术属性】
技术研发人员：吴健，陆逸飞，尤堃，宋城，
申请(专利权)人：杭州求是创新健康科技有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。