【技术实现步骤摘要】
本公开青光眼识别，尤其涉及一种青光眼识别方法、系统及电子设备。
技术介绍
1、青光眼是全球视力丧失的主要原因，而且是不可逆的。据预测，到2020年青光眼患者数量将增加到8000万，到2040年将增加到1.118亿。对于青光眼的识别，眼科医生广泛使用视网膜图像，如彩色视网膜眼底(crf)和光学相干断层扫描(oct)图像。其中，oct可用于青光眼的定性和定量描述。其图像采集类似于超声波，使用光波代替声波。青光眼的识别具有很高的敏感性和特异性。然而，与昂贵的oct图像相比，眼底图像更具成本效益和可及性。同时，crf还具有识别青光眼的多种特征。从眼底图像对视网膜进行检查是识别青光眼最可靠的方法之一，眼底图像由一种称为眼底相机的特殊摄像机拍摄。在临床环境中，眼科医生依靠彩色眼底图像来评估视神经头(onh)，因为其成本较低。然而，临床评估涉及手动标记杯和椎间盘在每个图像既劳动强度和耗时。因此，提供自动化系统在帮助眼科医生减少工作量的同时保持对青光眼患者识别的高灵敏度是很重要的。为了提高筛查的可及性，一些研究将深度学习与青光眼识别相结合，取得了令人鼓舞的结果。
2、尽管这些方法实现了自动识别，但在实际应用中仍然存在两个挑战。首先，大多数现有的深度学习模型都倾向于关注杯盘比，而忽略了其他可能预示青光眼的特征，如视周萎缩(ppa)和杯盘比(cdr)。这将导致青光眼的误判，从而降低准确性。然而，现有的解决方案都是从医学角度出发，而不是从数据本身的特征出发，这就造成了对医学指标的依赖，限制了方法对医生的辅助能力。其次，对于经验丰富的临床医
技术实现思路
1、本专利技术提供一种青光眼识别方法、系统及电子设备，主要解决现有技术中青光眼识别对医学指标和医学专家的依赖、标记医学图像任务繁重、限制了方法对医生的辅助能力、不同医院训练出来的模型需要通过迁移学习、对模型进行修改限制了方法的应用范围等技术问题之一。
2、本专利技术使用到的英文解释：
3、differentiable feature clustering network：可微特征聚类网络，由wonjikkim等人在2020年提出，用于实现无监督图像分割。
4、stablenet：由xingxuan zhang等人在2021年提出的一种去除非线性相关的图像分类模型。
5、rff：random fourier features，随机傅里叶特征。
6、rgb image：rgb格式图像，是目前绝大多数图像的储存方式。
7、2d conv 3x3：二维卷积，卷积核大小为3x3。
8、relu：线性整流函数。
9、batch norm：batch norm(简称bn)是一种神经网络层，在许多架构中都普遍使用。通常作为线性或卷积的一部分添加，有助于在训练期间稳定网络。
10、feature map：特征网络。
11、weight map：权重网络。
12、rff transform：随机傅里叶特征变换。
13、cov loss：卷积损失。
14、feature extractor：特征提取器。
15、weight extractor：权重提取器。
16、output：输出的分割后图像。
17、roi：感兴趣区域。
18、rff loss：特征间的相关性损失。
19、本专利技术的技术方案是：
20、一种青光眼识别方法，包括的步骤是：
21、提取以眼底视杯视盘为中心，截取相应面积作为roi区域；
22、将roi区域图像输入特征提取器中，得到图像特征；
23、将图像特征输入权重提取器中，得到各特征权重；
24、将权重与图像特征相乘，并进行随机傅里叶特征转换，转换后通过偏交叉协方差矩阵得到特征间的相关性损失，通过迭代降低损失；
25、最后得到彼此无关的图像特征；
26、将每一个图像特征视为图结构的一个节点，两个节点之间有边则视为两个图像特征在空间上相邻；节点边的个数即为该特征的空间复杂度；
27、将特征的空间复杂度与该特征所占像素面积相乘，记为m用来表示该特征；将两张图像m最大的前至少两个特征提取出来，通过公式
28、
29、式中，diff(1,2)为眼底图像i1与i2之差，d1(i)＝s1(i)*e1(i)(i＝1，…，10)，d2(j)＝s2(i)*e2(i)(j＝1，…，10)，得到两张图象之间的差异；
30、分别将待分类图像与已知为青光眼的图像和已知为健康眼的图像通过上述方式得到待分类图像与青光眼图像的差异d1和待分类图像与健康眼图像的差异d2；如果d1小于d2，则将待分类图像归类为青光眼，反之则分类为健康眼。
31、进一步，所述特征提取器是feature extractor，卷积组件由二维卷积、relu激活函数和批归一化函数组成；卷积滤波器的大小为3*3，有100个通道，表示特征的数量
32、进一步，所述权重提取器是weight extractor，卷积组件由二维卷积、relu激活函数和批归一化函数组成；卷积滤波器的大小为3*3，有100个通道，表示特征的数量
33、进一步，所述去相关损失函数是rff loss，将权重与图像特征相乘，并进行随机傅里叶特征转换，转换后通过偏交叉协方差矩阵得到特征间的相关性损失。
34、进一步，所述图结构是研究数据元素之间的多对多的关系。在这种结构中，任意两个元素之间可能存在关系。即结点之间的关系可以是任意的，图中任意元素之间都可能相关。
35、一种青光眼识别系统，该系统包括服务端和客户端，所述服务端和所述客户端被配置有用于实现所述的基于青光眼识别方法。
36、基于一种青光眼识别方法，本专利技术还提供了一种电子设备，该电子设备包括：至少一个处理器；以及，与该至少一个处理器通信连接的存储器；其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的青光眼识别方法。
37、进一步，本专利技术还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的青光眼识别方法。
38、本专利技术利用stablenet和differentiable feature clustering network，引入了一种新的非线性特征去本文档来自技高网...
【技术保护点】
1.一种青光眼识别方法，其特征是，包括的步骤是：
2.根据权利要求1所述的青光眼识别方法，其特征是，所述特征提取器是FeatureExtractor，卷积组件由二维卷积、ReLU激活函数和批归一化函数组成；卷积滤波器的大小为3*3，有100个通道，表示特征的数量。
3.根据权利要求1所述的青光眼识别方法，其特征是，所述权重提取器是WeightExtractor，卷积组件由二维卷积、ReLU激活函数和批归一化函数组成；卷积滤波器的大小为3*3，有100个通道，表示特征的数量。
4.根据权利要求1所述的青光眼识别方法，其特征是，所述去相关损失函数是RFFLoss，将权重与图像特征相乘，并进行随机傅里叶特征转换，转换后通过偏交叉协方差矩阵得到特征间的相关性损失。
5.根据权利要求1所述的青光眼识别方法，其特征是，所述图结构是研究数据元素之间的多对多的关系。
6.一种青光眼识别系统，其特征是，该系统包括服务端和客户端，所述服务端和所述客户端被配置有用于实现权利要求1～5任一项所述的基于青光眼识别方法。
7.一种电子设
8.一种非暂态计算机可读存储介质，其特征是，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行权利要求1-6中任一项实现方式中的青光眼识别方法。
...【技术特征摘要】
1.一种青光眼识别方法，其特征是，包括的步骤是：
2.根据权利要求1所述的青光眼识别方法，其特征是，所述特征提取器是featureextractor，卷积组件由二维卷积、relu激活函数和批归一化函数组成；卷积滤波器的大小为3*3，有100个通道，表示特征的数量。
3.根据权利要求1所述的青光眼识别方法，其特征是，所述权重提取器是weightextractor，卷积组件由二维卷积、relu激活函数和批归一化函数组成；卷积滤波器的大小为3*3，有100个通道，表示特征的数量。
4.根据权利要求1所述的青光眼识别方法，其特征是，所述去相关损失函数是rffloss，将权重与图像特征相乘，并进行随机傅里叶特征转换，转换后通过偏交叉协方差矩阵得到特征间的相关性损失。
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。