视网膜血管测量制造技术

公开了一种用于训练神经网络以量化视网膜眼底图像的血管口径的方法。所述方法包含：接收多个眼底图像；预处理所述眼底图像以使所述眼底图像的图像特征归一化；以及训练多层神经网络，所述神经网络包括卷积单元、与过渡单元交替用于对由所述神经网络确定的图像特征进行下采样的多个密集块、以及全连接单元，其中每个密集块包括一系列装有多个卷积的cAdd单元，并且每个过渡层包括具有池化的卷积。并且每个过渡层包括具有池化的卷积。并且每个过渡层包括具有池化的卷积。

【技术实现步骤摘要】
【国外来华专利技术】视网膜血管测量


[0001]本专利技术涉及用于根据眼底照片进行自动视网膜血管测量的深度学习系统。

技术介绍

[0002]临床研究已经表明，视网膜血管结构的改变是潜在心血管疾病(CVD)和其他状况——诸如痴呆和糖尿病——的早期预警。这是因为视网膜小动脉和小静脉的状况反映身体其他部位的血管的状况。
[0003]当前，由人类评估员对视网膜照片的评分受到实施问题、评估员的可用性和培训以及长期财务可持续性的挑战。深度学习系统(DLS)已经被提出作为对视网膜图像的大规模分析的选择。DLS利用人工智能和表示学习方法(representation
‑
learning method)来处理自然原始数据，从而识别高维信息中的复杂结构。与用以检测特定图像、模式(pattern)和病变的传统模式识别类型软件相反，DLS使用大型数据集来实现有意义的模式或特征的采掘、提取和机器学习。
[0004]DLS的性能部分地取决于从图像提取特征的神经网络的层的连通性(connectedness)。可用的特征的数目越大，评估的置信度就越高。然而，这是以存储器(memory，内存)和其他计算机资源为代价的。当寻求训练神经网络以确保误差被反向传播通过神经网络时，也会存在问题——例如消失梯度(vanishing gradient)问题。
[0005]因此，期望的是，提供一种通过多种多样的视网膜图像来训练DLS的方法，以解决目前的现有技术中所提到的问题和/或为公众提供有用的选择。

技术实现思路

[0006]本专利技术涉及一种用于对心血管障碍进行无创观察的用于自动视网膜血管测量的新型深度学习系统。具体地，本专利技术的实施方案涉及用于获得视网膜图像特性以及基于视网膜血管特性自动计算与医学状况相关的度量(measure)的方法。
[0007]本文公开了一种用于训练用于自动视网膜血管测量的神经网络的方法，所述方法包括：
[0008]接收多个眼底图像；
[0009]预处理所述眼底图像以使所述眼底图像的图像特征归一化；以及
[0010]在训练多层神经网络，所述神经网络包括卷积单元(convolutional unit)、与过渡单元(transition unit)交替用于对由所述神经网络确定的图像特征进行下采样的多个密集块(dense block)、以及全连接单元(fully
‑
connected unit)，其中每个密集块包括一系列装有多个卷积的cAdd单元，并且每个过渡层包括具有池化(pooling)的卷积。
[0011]所述方法还可以包括：将每个cAdd单元的输入通道分组为非重叠群组并且将所述cAdd单元的输出添加到所述非重叠群组中的一个，由此形成到所述系列中的下一个cAdd单元的输入，并且对于所述cAdd单元中的连续的cAdd单元，所述系列中的前一个cAdd单元的输出被添加到所述非重叠群组中的一个不同的群组。在本上下文中，所述cAdd单元形成一
个系列。在处理期间，输入被提供给所述系列中的第一cAdd单元，并且该单元处理该输入并且将其传递到所述系列中的下一个cAdd单元，依此类推，直到最后一个cAdd单元。结果，将理解，一个给定的系列中的每个cAdd单元(除了第一cAdd单元以外)将具有“前一个”cAdd单元，该“前一个”cAdd单元是每个cAdd单元从其接收输出的单元。类似地将理解，一个给定的系列中的每个cAdd单元(除了最后一个cAdd单元以外)将具有“下一个”cAdd单元，每个cAdd单元将其输出传递到该“下一个”cAdd单元。
[0012]所述方法可以包括：自动检测每个眼底图像中的视神经盘的中心，以及将相应的图像裁剪到以视神经盘中心为中心的预先确定的尺寸的区域。
[0013]预处理所述眼底图像可以包括将全局对比度归一化应用于每个眼底图像。预处理所述眼底图像还可以包括使用预先确定的大小的核(kernel)进行中值滤波。
[0014]优选地，在所述多个密集块中存在五个密集块。每个密集块可以包括一系列装有两种类型的卷积的cAdd单元。所述两种类型的卷积可以包括1x1卷积和3x3卷积。
[0015]每个过渡层的卷积可以是1x1卷积。
[0016]本文还公开了一种量化视网膜眼底图像的血管口径的方法，所述方法包括：
[0017]接收视网膜眼底图像；以及
[0018]将根据上文所描述的方法训练的神经网络应用到所述视网膜眼底图像。
[0019]本文还公开了一种用于训练神经网络以生成视网膜血管测量结果的计算机系统，所述计算机系统包括：
[0020]存储器；以及
[0021]至少一个处理器，所述存储器存储多层神经网络和指令，所述指令当由所述至少一个处理器执行时导致所述至少一个处理器：
[0022]接收多个眼底图像；
[0023]预处理所述眼底图像以使所述眼底图像的图像特征归一化；以及
[0024]在经预处理的眼底图像上训练所述神经网络，所述神经网络包括卷积单元、与过渡单元交替用于对由所述神经网络确定的图像特征进行下采样的多个密集块、以及全连接单元，其中每个密集块包括一系列装有多个卷积的cAdd单元，并且每个过渡层包括具有池化的卷积。
[0025]所述指令还可以导致所述处理器将每个cAdd单元的输入通道分组为非重叠群组并且将所述cAdd单元的输出添加到所述非重叠群组中的一个，由此形成到所述系列中的下一个cAdd单元的输入，并且对于所述cAdd单元中的连续的cAdd单元，所述系列中的前一个cAdd单元的输出被添加到所述非重叠群组中的一个不同的群组。
[0026]所述指令还可以导致所述处理器：
[0027]自动检测每个眼底图像中的视神经盘的中心；以及
[0028]将相应的图像裁剪到以视神经盘中心为中心的预先确定的尺寸的区域。
[0029]所述指令可以导致所述处理器通过将全局对比度归一化应用于每个眼底图像来预处理所述眼底图像。
[0030]在所述多个密集块中可以存在五个密集块。每个密集块可以包括一系列装有两种类型的卷积的cAdd单元。两种类型的卷积可以包括1x1卷积和3x3卷积。
[0031]每个过渡层的卷积可以是1x1卷积。
[0032]可以在经预处理的眼底图像上训练所述神经网络以量化视网膜眼底图像的血管口径。
附图说明
[0033]现在将参考附图仅通过非限制性实施例的方式描述一些实施方案，在附图中：
[0034]图1例示了用于与根据本教导的系统交互以用于评估视网膜眼底图像的基于云的界面；
[0035]图2例示了用于在本方法中使用的神经网络；
[0036]图3示意性地示出了元素级相加(element
‑
wise Addition，eAdd)和通道级拼接(channel
‑
wise Concatenation，cCon)的传播机制；
[0037]图4例示了使用c本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于训练用于自动视网膜血管测量的神经网络的方法，包括：接收多个眼底图像；预处理所述眼底图像以使所述眼底图像的图像特征归一化；以及在经预处理的眼底图像上训练多层神经网络，所述神经网络包括卷积单元、与过渡单元交替用于对由所述神经网络确定的图像特征进行下采样的多个密集块、以及全连接单元，其中每个密集块包括一系列装有多个卷积的cAdd单元，并且每个过渡层包括具有池化的卷积。2.根据权利要求1所述的方法，还可以包括将每个cAdd单元的输入通道分组为非重叠群组并且将所述cAdd单元的输出添加到所述非重叠群组中的一个，由此形成到所述系列中的下一个cAdd单元的输入，并且对于所述cAdd单元中的连续的cAdd单元，所述系列中的前一个cAdd单元的输出被添加到所述非重叠群组中的一个不同的群组。3.根据权利要求1或2所述的方法，还包括：自动检测每个眼底图像中的视神经盘的中心；以及将相应的图像裁剪到以视神经盘中心为中心的预先确定的尺寸的区域。4.根据权利要求1至2所述的方法，其中预处理所述眼底图像包括将全局对比度归一化应用于每个眼底图像。5.根据权利要求3所述的方法，其中预处理所述眼底图像还包括使用预先确定的大小的核进行中值滤波。6.根据权利要求1至5中任一项所述的方法，其中在所述多个密集块中存在五个密集块。7.根据权利要求1至6中任一项所述的方法，其中每个密集块包括一系列装有两种类型的卷积的cAdd单元。8.根据权利要求7所述的方法，其中所述两种类型的卷积包括1x1卷积和3x3卷积。9.根据权利要求1至8中任一项所述的方法，其中每个过渡层的卷积是1x1卷积。10.一种量化视网膜眼底图像的血管口径的方法，包括：接收视网膜眼底图像；以及将根据权利要求1至9中任一项训练的神经网络应用到所述视网膜眼底图像。11.一种用于训练神经网络以生成视网膜血管测量结果的计算机系统，包括：存储器；以及至少一个处理器，所...

【专利技术属性】
技术研发人员：许为宁，李梦莉，徐德江，黄天荫，张艳蕾，
申请(专利权)人：新加坡保健服务集团有限公司，
类型：发明
国别省市：