用于眼底图像的阅片系统及阅片方法技术方案

本公开描述了一种用于眼底图像的阅片系统及阅片方法，阅片系统包括：输入模块，其用于接收眼底图像；筛查模块，其基于眼底图像输出筛查结果，筛查结果至少包括质控判断结果和病变判断结果；第一分类模块，其基于质控判断结果将眼底图像分成筛查合格图像和第一待质控图像，并将第一待质控图像和筛查合格图像中的至少一张图像作为待质控图像；质控模块，其基于待质控图像输出质控结果。根据本公开，能够提高阅片系统的筛查准确率。提高阅片系统的筛查准确率。提高阅片系统的筛查准确率。

【技术实现步骤摘要】
用于眼底图像的阅片系统及阅片方法


[0001]本公开涉及一种用于眼底图像的阅片系统及阅片方法。

技术介绍

[0002]医疗图像常常包含身体结构或组织的诸多细节。在现代化的医院中，大部分的治疗信息来源于医疗图像例如眼底图像。在临床中，通过理解医疗图像中的这些细节，能够帮助医生进行相关疾病识别。医疗图像已经发展成临床识别疾病的主要方法。然而，传统的基于医疗图像识别疾病信息主要依靠专业的医师根据经验进行判断。在这种情况下，开发一种能够辅助医生进行相关疾病识别的自动阅片的阅片技术已经成为医疗图像学领域的热门方向。随着人工智能技术的发展，基于计算机视觉和人工智能例如机器学习的阅片技术已经在医疗图像识别中得到开发和应用。
[0003]例如，专利文献1(CN105513077A)中公开了一种用于糖尿病性视网膜病变筛查的系统，该系统包括：眼底图像获取设备、图像处理及筛查设备以及报告输出设备，眼底图像获取设备用于采集或接收被检人员的眼底图像；图像处理及筛查设备用于对眼底图像进行处理并检测其中是否存在病变，然后将检测结果输送给报告输出设备；报告输出设备基于检测结果输出相应检测报告。
[0004]然而，在实际临床应用中，由于眼底图像的多样性，专利文献1所描述的筛查系统在处理某些眼底图像时可能输出错误或者不准确的检测报告，导致筛查系统的筛查准确率下降。

技术实现思路

[0005]本公开是鉴于上述的状况而提出的，其目的在于提供一种能够提高筛查准确率的用于眼底图像的阅片系统及阅片方法。
[0006]为此，本公开的第一方面提供了一种用于眼底图像的阅片系统，包括：输入模块，其用于接收眼底图像；筛查模块，其基于所述眼底图像输出筛查结果，所述筛查结果至少包括利用机器学习的算法基于所述眼底图像输出的是否存在病变的病变判断结果、所述病变判断结果的置信度以及基于包括所述病变判断结果的信息输出的判断所述眼底图像是否需要质控的质控判断结果，其中所述机器学习的算法是传统机器学习的算法和深度学习的算法中的一种，所述病变判断结果包括阴性结果和阳性结果两种结果；第一分类模块，其基于所述质控判断结果将所述眼底图像分成筛查合格图像和第一待质控图像，并将所述第一待质控图像和所述筛查合格图像中的至少一张图像作为待质控图像；以及质控模块，其用于接收所述待质控图像，并基于所述待质控图像输出质控结果。在本公开中，筛查模块利用机器学习的算法基于输入模块接收的眼底图像输出包括质控判断结果和病变判断结果的筛查结果；第一分类模块基于质控判断结果将眼底图像分成筛查合格图像和第一待质控图像并将第一待质控图像和部分筛查合格图像作为待质控图像；质控模块基于待质控图像输出质控结果。在这种情况下，能够基于筛查结果和质控结果对眼底图像进行多级阅片。由
此，能够提高阅片系统的筛查准确率。
[0007]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述阅片系统还包括校验模块，其基于所述病变判断结果和所述质控结果将所述待质控图像分为质控合格图像和第一待仲裁图像，并将所述第一待仲裁图像和所述质控合格图像中的至少一张图像作为待仲裁图像，其中所述质控合格图像为所述病变判断结果与所述质控结果相同的待质控图像，所述第一待仲裁图像为所述病变判断结果与所述质控结果不同的待质控图像。在这种情况下，通过进一步处理待仲裁图像，能够有效地提高阅片系统的筛查准确率。
[0008]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述阅片系统还包括仲裁模块，其用于接收所述待仲裁图像，并基于所述待仲裁图像输出仲裁结果。在这种情况下，能够获取仲裁结果，进而进一步提高阅片系统的筛查准确率。
[0009]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述阅片系统还包括第二分类模块，所述第二分类模块基于所述病变判断结果将所述筛查合格图像分为阴性结果图像和阳性结果图像。在这种情况下，针对筛查合格图像获得阳性结果图像，能够提高阅片系统的筛查准确率。
[0010]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述阅片系统还包括复查模块，所述复查模块基于所述阳性结果图像输出复查结果。在这种情况下，通过进一步处理阳性结果图像，能够有效地提高阅片系统的筛查准确率。
[0011]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述筛查模块根据英国国家视网膜病变筛查项目使用的视网膜病变分级体系输出所述病变判断结果，其中，将英国国家视网膜病变筛查项目使用的视网膜病变分级体系中的视网膜病变等级为无视网膜病变的眼底图像的所述病变判断结果设置为阴性结果，视网膜病变等级为背景期、增殖前期和增殖期的眼底图像的所述病变判断结果设置为阳性结果。在这种情况下，基于已经成熟应用的视网膜病变分级体系，能够进一步提高阅片系统的筛查准确率。
[0012]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述筛查模块基于不同的维度的预设规则获取所述眼底图像的质控判断结果，其中，通过分析所述阅片系统预设时间段内的错判的眼底图像以确定错判的维度，然后基于所述错判的维度更新所述预设规则。在这种情况，基于更新的预设规则能够及时筛选出需要进行质控的眼底图像。
[0013]另外，在本公开的第一方面涉及的阅片系统中，可选地，通过对所述错判的眼底图像进行分类以确定错判的类别并将所述错判的类别作为所述错判的维度。由此，能够确定错判的维度。
[0014]另外，在本公开的第一方面涉及的阅片系统中，可选地，所述筛查模块还结合健康情况、年龄和病史记录输出所述病变判断结果。在这种情况下，将患者的健康情况、年龄和病史记录等作为病变判断结果的考量因素，能够进一步提高阅片系统的筛查准确率。
[0015]本公开的第二方面提供了一种用于眼底图像的阅片方法，包括：输入步骤，接收眼底图像；筛查步骤，基于所述眼底图像输出筛查结果，所述筛查结果至少包括利用机器学习的算法基于所述眼底图像输出的是否存在病变的病变判断结果、所述病变判断结果的置信度以及基于包括所述病变判断结果的信息输出的判断所述眼底图像是否需要质控的质控判断结果，其中，所述机器学习的算法是传统机器学习的算法和深度学习的算法中的一种，所述病变判断结果包括阴性结果和阳性结果两种结果；第一分类步骤，基于所述质控判断
结果将所述眼底图像分成筛查合格图像和第一待质控图像，并将所述第一待质控图像和所述筛查合格图像中的至少一张图像作为待质控图像；以及质控步骤，基于所述待质控图像输出质控结果。在本公开中，利用机器学习的算法基于眼底图像输出包括质控判断结果和病变判断结果的筛查结果；基于质控判断结果将眼底图像分成筛查合格图像和第一待质控图像并将第一待质控图像和部分筛查合格图像作为待质控图像；基于待质控图像输出质控结果。在这种情况下，能够基于筛查结果和质控结果对眼底图像进行多级阅片。由此，能够提高阅片系统的筛查准确率。
[0016]根据本公开，提供一种能够提高筛查准确率的用于眼底图像的阅片系统及阅片方法。
附图说明
[0017]现在将仅通过参考附图的例子进一步详细本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于眼底图像的阅片系统，其特征在于，包括：输入模块，其用于接收眼底图像；筛查模块，其基于所述眼底图像输出筛查结果，所述筛查结果至少包括利用机器学习的算法基于所述眼底图像输出的是否存在病变的病变判断结果、所述病变判断结果的置信度以及基于包括所述病变判断结果的信息输出的判断所述眼底图像是否需要质控的质控判断结果，其中，所述机器学习的算法是传统机器学习的算法和深度学习的算法中的一种，所述病变判断结果包括阴性结果和阳性结果两种结果；第一分类模块，其基于所述质控判断结果将所述眼底图像分成筛查合格图像和第一待质控图像，并将所述第一待质控图像和所述筛查合格图像中的至少一张图像作为待质控图像；以及质控模块，其用于接收所述待质控图像，并基于所述待质控图像输出质控结果。2.根据权利要求1所述的阅片系统，其特征在于：所述阅片系统还包括校验模块，其基于所述病变判断结果和所述质控结果将所述待质控图像分为质控合格图像和第一待仲裁图像，并将所述第一待仲裁图像和所述质控合格图像中的至少一张图像作为待仲裁图像，其中所述质控合格图像为所述病变判断结果与所述质控结果相同的待质控图像，所述第一待仲裁图像为所述病变判断结果与所述质控结果不同的待质控图像。3.根据权利要求2所述的阅片系统，其特征在于：所述阅片系统还包括仲裁模块，其用于接收所述待仲裁图像，并基于所述待仲裁图像输出仲裁结果。4.根据权利要求1所述的阅片系统，其特征在于：所述阅片系统还包括第二分类模块，所述第二分类模块基于所述病变判断结果将所述筛查合格图像分为阴性结果图像和阳性结果图像。5.根据权利要求4所述的阅片系统，其特征在于：所述阅片系统还包括复查模块，所述复查模块基于所述阳性结果图像输出复查结果。6.根据权利...

【专利技术属性】
技术研发人员：郭宁，胡志钢，段晓明，
申请(专利权)人：深圳硅基智能科技有限公司，
类型：发明
国别省市：