[go: up one dir, main page]

CN110013216B - 一种人工智能白内障分析系统 - Google Patents

一种人工智能白内障分析系统 Download PDF

Info

Publication number
CN110013216B
CN110013216B CN201910184479.1A CN201910184479A CN110013216B CN 110013216 B CN110013216 B CN 110013216B CN 201910184479 A CN201910184479 A CN 201910184479A CN 110013216 B CN110013216 B CN 110013216B
Authority
CN
China
Prior art keywords
eye image
cataract
eye
deep learning
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910184479.1A
Other languages
English (en)
Other versions
CN110013216A (zh
Inventor
林浩添
吴晓航
赖伟翊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongshan Ophthalmic Center
Original Assignee
Zhongshan Ophthalmic Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhongshan Ophthalmic Center filed Critical Zhongshan Ophthalmic Center
Priority to CN201910184479.1A priority Critical patent/CN110013216B/zh
Publication of CN110013216A publication Critical patent/CN110013216A/zh
Priority to US16/535,760 priority patent/US11062444B2/en
Application granted granted Critical
Publication of CN110013216B publication Critical patent/CN110013216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/0016—Operational features thereof
    • A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/117—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for examining the anterior chamber or the anterior chamber angle, e.g. gonioscopes
    • A61B3/1173—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for examining the anterior chamber or the anterior chamber angle, e.g. gonioscopes for examining the eye lens
    • A61B3/1176—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for examining the anterior chamber or the anterior chamber angle, e.g. gonioscopes for examining the eye lens for determining lens opacity, e.g. cataract
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/80—Recognising image objects characterised by unique random patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/19—Sensors therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/90—Identifying an image sensor based on its output data

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种人工智能白内障分析系统，包括：模式识别模块，用于识别输入的眼部图像的拍照模式，所述拍照模式根据拍摄所述眼部图像时裂隙灯的裂隙宽度和/或是否有进行散瞳处理进行划分；初步分析模块，用于对不同拍照模式的眼部图像选用相应的深度学习模型，利用深度学习模型基于眼部图像中晶状体的特征进行分析，并结合病因及严重程度指导进一步分类。本发明可以针对不同拍照方式下的眼部图像采用深度学习模型进行白内障智能分析，提高了分析准确率。

Description

一种人工智能白内障分析系统
技术领域
本发明涉及医疗图像处理设备技术领域，更具体地，涉及一种人工智能白内障分析系统。
背景技术
白内障是首位致盲眼病，我国是白内障患者数量最多的国家，已超过7000万人。现阶段白内障摘除手术是唯一有效的治疗方式，及时的诊断及手术治疗可以让患者避免失明。
然而现阶段白内障诊断依赖有限的专业眼科医师。2012年国际眼科理事会(International Council for Ophthalmology，ICO)发布的数据显示，中国注册眼科医师总人数仅为28338人，每6万人群中仅有1位眼科医师，尚未达到世界卫生组织发起的“视觉2020”行动中提出的至2020年时在亚洲每5万人群中有1位眼科医师的目标。同时眼科医生的地域分布极不均衡，全国70％的眼科医生分布在大中型城市，并且集中在区域性大型三甲医院，社区人群覆盖低，远远无法满足基数巨大及增长迅速的白内障人群。
人工智能为解决医疗资源供需矛盾提供了可能，但是现有的人工智能系统仅针对特定类型或表现的患者，同时仅针对采用指定模式拍摄的眼部图像进行智能分析，否则其分析准确率会很低。而且，现有的人工智能系统仅能在大型医院中由专门医生或技术人员事先对患者筛选的前提下进行，无法推广到眼科医生及医疗资源缺乏的基层医院，从而无法真正解决患者就医困难的局面，不能从根本上提高白内障诊断覆盖率。
发明内容
本发明旨在克服上述现有技术的至少一种缺陷(不足)，提供一种人工智能白内障分析系统，可以针对不同拍照方式下的眼部图像采用不同的深度学习模型进行白内障智能分析，使得分析准确率更高。
本发明采取的技术方案是：
一种人工智能白内障分析系统，包括：
模式识别模块，用于识别输入的眼部图像的拍照模式，所述拍照模式根据拍摄所述眼部图像时裂隙灯的裂隙宽度和/或是否有进行散瞳处理进行划分；
初步分析模块，用于对不同拍照模式的眼部图像选用相应的深度学习模型，利用深度学习模型基于眼部图像中晶状体的特征进行分类。
临床分析白内障是依靠眼科专业设备裂隙灯，对眼前段进行拍照以获取晶状体的情况。但是拍照的模式有多种：根据患者拍照前有无进行散瞳处理可分为散瞳拍照和小瞳拍照；根据裂隙灯宽度可以分为裂隙光拍照和弥散光拍照。不同拍照模式下拍摄出来的眼部图像，其眼球和晶状体的形态有较明显的区别。在应用深度学习方法进行眼部图像分析时，如果深度学习模型在训练时所采用的训练集是含有不同拍照模式的眼部图像，而不同拍照模式的眼部图像又都通过统一的深度学习模型进行分类分析，则会使得眼部图像的分析结果准确率很低。因此，在模式识别模块中对输入的眼部图像进行拍照模式的识别，在初步分析模块中再有针对性地选择在模式识别模块中识别出的拍照模式对应的第一深度学习模型，利用选择出来的第一深度模型对眼部图像进行白内障分类分析，从而提高基于眼部图像进行白内障智能分析的准确率。
进一步地，所述初步分析模块用于利用第一深度学习模型基于眼部图像中晶状体的特征进行分类的步骤，具体包括：利用第一深度学习模型基于眼部图像中晶状体的特征分类为正常晶状体、白内障、白内障摘除术后。
进一步地，所述系统还包括：
评估分析模块，用于对已分类为有白内障的眼部图像根据输入的年龄分类为先天性白内障和获得性白内障。
进一步地，所述评估分析模块，还用于对已分类为先天性白内障的眼部图像，基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊。
进一步地，所述评估分析模块，还用于对已分类为获得性白内障的眼部图像，基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和和核硬度Ⅲ-Ⅴ。
进一步地，所述评估分析模块，还用于对已分类为核硬度Ⅰ-Ⅱ的眼部图像，基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊。
进一步地，所述评估分析模块，还用于对已分类为白内障摘除术后的眼部图像，基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像。
进一步地，所述评估分析模块，还用于对已筛选为后囊膜下浑浊的眼部图像，基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊。
进一步地，所述模式识别模块用于识别输入的眼部图像的拍照模式的步骤，和/或所述评估分析模块用于基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊的步骤和/或基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和和核硬度Ⅲ-Ⅴ的步骤和/或基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊的步骤和/或基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像的步骤，具体是采用深度学习方法。
进一步地，所述系统还包括：
转诊建议模块，用于当眼部图像被分类为有视轴区浑浊或囊膜下浑浊或核硬度Ⅲ-Ⅴ时，生成转诊的建议。
与现有技术相比，本发明的有益效果为：
(1)本发明先对输入的眼部图像进行拍照模式识别，针对识别出的不同拍照模式采用不同的深度学习模型进行白内障智能分析，可以提高分析结果的准确率；
(2)本发明集成了多个具有分析功能的模块，如初步分析模块、评估分析模块，将白内障的前期筛选以及中间分析环节实现智能化；
(3)本发明利用深度学习方法，使得白内障的前期筛选以及中间分析的准确率更高；
(4)本发明还集成了转诊建议模块，经过培训的技术人员只需要将眼部图像输入本发明中，通过分析最终可以得到转诊建议，使得繁重的白内障前期筛选以及中间分析环节下沉至基层医院，减轻专业眼科医生的工作负荷。
附图说明
图1为本发明实施例的分析流程示意图。
图2为本发明实施例的白内障核硬度分级示意图。
图3为本发明的深度学习模型构建示意图。
具体实施方式
本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
实施例
如图1所示，本实施例提供一种人工智能白内障分析系统，包括：
模式识别模块10，用于识别输入的眼部图像的拍照模式，所述拍照模式根据拍摄所述眼部图像时裂隙灯的宽度和/或是否有进行散瞳处理进行划分；
初步分析模块20，用于对不同拍照模式的眼部图像选用不同的第一深度学习模型，利用第一深度学习模型基于眼部图像中晶状体的特征进行分类。
临床分析白内障是依靠眼科专业设备裂隙灯，对眼前段进行拍照以获取晶状体的情况。但是拍照的模式有多种：根据患者拍照前有无进行散瞳处理可分为散瞳拍照和小瞳拍照；根据裂隙灯宽度可以分为裂隙光拍照和弥散光拍照。自然状态下瞳孔的直径为2-3mm，散瞳处理是利用睫状肌麻痹剂使瞳孔直径散大至5mm以上，有利于全面观察晶状体周边。裂隙光拍照切面便于观察晶状体及眼球结构和病变深度，弥散光拍照可以全面观察眼表结构。
将裂隙灯的宽度和是否有进行散瞳处理进行组合，拍照模式可以包括：散瞳-裂隙模式、散瞳-弥散模式、非散瞳-裂隙模式、非散瞳-弥散模式。
不同拍照模式下拍摄出来的眼部图像，其眼球和晶状体的形态有较明显的区别。在应用深度学习方法进行眼部图像分析时，如果深度学习模型在训练时所采用的训练集是含有不同拍照模式的眼部图像，而不同拍照模式的眼部图像又都通过统一的深度学习模型进行分类分析，则会使得眼部图像的分析结果准确率很低。因此，在模式识别模块10中先对输入的眼部图像进行拍照模式的识别，在初步分析模块20中再有针对性地选择在模式识别模块10中识别出的拍照模式对应的第一深度学习模型，利用选择出来的第一深度模型对眼部图像进行白内障分类分析，从而提高基于眼部图像进行白内障智能分析的准确率。
在本实施例的具体实施过程中，模式识别模块10用于识别输入眼部图像的拍照模式的步骤，具体是采用深度学习方法。模式识别模块10可以采用第二深度学习模型，识别输入眼部图像的拍照模式，通过第二深度学习模型可以使得拍照模式的识别准确率较高。
在本实施例中，初步分析模块20用于利用第一深度学习模型基于眼部图像中晶状体的特征进行分类的步骤，具体包括：利用第一深度学习模型基于眼部图像中晶状体的特征分类为正常晶状体、白内障、白内障摘除术后。
初步分析模块20通过不同的第一深度学习模型可以对不同拍照模式的眼部图像分类成正常晶状体、白内障(混浊晶状体)、白内障摘除术后，有利于辅助专业的眼科医生进行白内障进一步分析诊断，也为系统后续的进一步智能分析奠定基础。
在本实施例中，所述系统还包括：
评估分析模块30，用于对已分类为有白内障的眼部图像根据输入的年龄分类为先天性白内障和获得性白内障。
在初步分析模块20中，如果输入的眼部图像被分类为白内障，则可以在评估分析模块30中根据输入的年龄进一步判断是先天性白内障还是获得性白内障。以18岁为界，输入的年龄小于18岁则分类为先天性白内障，输入的年龄大于等于18岁则分类为获得性白内障。
在本实施例中，评估分析模块30，还用于对已分类为先天性白内障的眼部图像，基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊。
在评估分析模块30中，如果输入的眼部图像被分类为先天性白内障，则可以进一步对眼部图像中的视轴区是否混浊进行分析，从而评估先天性白内障的严重程度。视轴区是指以眼部中心为圆心的3mm直径范围内，如果分析出眼部图像中的视轴区有混浊，则表明白内障影响到了视力，是较为严重的。
在本实施例的具体实施过程中，评估分析模块30用于基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊的步骤，具体是采用深度学习方法。评估分析模块30可以对分类为先天性白内障的眼部图像，采用第三深度学习模型基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊，通过第三深度学习模型可以使得分类结果的准确率较高。
在本实施例中，评估分析模块30，还用于对已分类为获得性白内障的眼部图像，基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和和核硬度Ⅲ-Ⅴ。
在评估分析模块30中，如果输入的眼部图像被分类为获得性白内障，则可以进一步通过对眼部图像中对晶状体核的特征进行分析，从而评估获得性白内障的严重程度。如图2所示，不同晶状体核的分级，晶状体核的颜色不同。如果分析出眼部图像属于核硬度Ⅲ-Ⅴ，则表明白内障较为严重。
在本实施例的具体实施过程中，评估分析模块30用于基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和和核硬度Ⅲ-Ⅴ的步骤，具体是采用深度学习方法。评估分析模块30可以对分类为获得性白内障的眼部图像，采用第四深度学习模型基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和和核硬度Ⅲ-Ⅴ，通过第四深度学习可以使得分级结果的准确率较高。
在本实施例中，评估分析模块30，还用于对已分类为核硬度Ⅰ-Ⅱ的眼部图像，基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊。
在评估分析模块30中，如果输入的眼部图像被分类为核硬度Ⅰ-Ⅱ，则可以进一步通过对眼部图像中囊膜是否混浊进行分析，从而进一步评估核硬度Ⅰ-Ⅱ的获得性白内障的严重程度。如果分析出囊膜下混浊，则表明白内障较为严重。
在本实施例的具体实施过程中，评估分析模块30用于基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊的步骤，具体是采用深度学习方法。评估分析模块30可以对分类为核硬度Ⅰ-Ⅱ的眼部图像，采用第五深度学习模型基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊，通过第五深度学习模型可以使得分类结果的准确率更高。
在本实施例中，评估分析模块30，还用于对已分类为白内障摘除术后的眼部图像，基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像。
在初步分析模块20中，如果输入眼部图像被分类为白内障摘除术后，则可以在评估分析模块30中通过第六深度学习模型对眼部图像中的后囊膜下是否混浊进行分析，从而评估是否有后发性白内障。
在本实施例的具体实施过程中，评估分析模块30用于基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像的步骤，具体是采用深度学习方法。评估分析模块30可以对分类为白内障摘除术后的眼部图像，采用第六深度学习模型基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像，通过第六深度学习模型可以使得分类结果的准确率更高。
在本实施例中，评估分析模块30，还用于对已筛选为后囊膜下浑浊的眼部图像，基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊。
在评估分析模块30中，如果输入的眼部图像筛选为后囊膜下混浊，也即评估为有后发行白内障，则可以进一步通过对眼部图像中的视轴区是否混浊进行分析，从而评估后发性白内障的严重程度。如果分析出视轴区有混浊，则表明该后发性白内障影响到了视力，是较为严重的。
在本实施例的具体实施过程中，评估分析模块30用于基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊的步骤，具体是采用深度学习方法。评估分析模块30可以对筛选为后囊膜下浑浊的眼部图像，采用第七深度学习模型基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像，通过第七深度学习模型可以使得分类结果的准确率更高。
进一步地，所述系统还包括：
转诊建议模块40，用于当眼部图像被分类为有视轴区浑浊或囊膜下浑浊或核硬度Ⅲ-Ⅴ时，生成转诊的建议。
若眼部图像被分类为有视轴区浑浊，则表明先天性白内障或者后发性白内障已经影响到视力了；若眼部图像被分类为核硬度Ⅲ-Ⅴ，表明获得性白内障已较为严重；若眼部图像被分类为囊膜下浑浊，则表明虽然获得性白内障的类型为核硬度Ⅰ-Ⅱ，但有病情恶化的趋势。在上述情况下，生成转诊的建议，可以让患者及时转诊到具有专业眼科医生的大型医院。
若非上述情况，系统可以生成随诊的建议，让患者随访观察。
优选地，上述第一深度学习模型～第七深度学习模型可以选用CS-ResCNN(cost-sensitive residual convolutional neural network，代价敏感残差卷积神经网络)。CS-ResCNN可以应对不平衡医学数据集的分类问题，保证分类结果不会偏向于多数类，保证少数类的分类准确率。
针对不同拍照模式的眼部图像，可以分别采用同一个第三深度学习模型～第七深度学习模型对眼部图像进行不同阶段的分类，也可以分别采用不同的第三深度学习模型～第七深度学习模型。例如：对于拍照模式为散瞳-裂隙模式且已被分类为先天性白内障的眼部图像，评估分析模块30可以采用一个散瞳-裂隙模式对应的第三深度模型进行视轴区是否混浊的分类；对于拍照模式为非散瞳-裂隙模式且已被分类为先天性白内障的眼部图像，评估分析模块30采用一个非散瞳-裂隙模式对应的第三深度模型进行视轴区是否混浊的分类；散瞳-裂隙模式对应的第三深度模型是采用散瞳-裂隙模式的眼部图像训练集训练出的深度学习模型，而非散瞳-裂隙模式对应的第三深度模型是采用非散瞳-裂隙模式的眼部图像训练集训练出的深度学习模型。
如图3所示，在具体实施过程中，CS-ResCNN模型依次包括1个卷积层(convolutionlayer)、1个池化层(pooling layer)、若干个残差学习模块(residual block)、1个平均值池化层(average-pooling layer)、1个全连接层(fully connected layer)。当输入的眼部图像分辨率为224×224时，卷积层可以采用7×7的卷积核，池化层可以采用3×3的池化核。图3中“7×7卷积，64，/2”表示7×7的卷积核，64个通道数，经过该卷积层后输出的图像会被降采样2×2倍；“3×3池化，64，/2”表示3×3的池化核，64个通道数，经过该池化层后输出的图像会被降采样2×2倍。经过池化层后输出的图像，再经过3个第一残差学习模块、4个第二残差学习模块、6个第三残差学习模块、3个第四残差学习模块，再经过池化核为7×7的平均值池化层，最后进入全连接层。其中，第一残差学习模块～第四残差学习模块均采用“瓶颈”残差学习模块(bottleneck residual block)，“1×1卷积，64”表示1×1的卷积核，64个通道数，以此类推。
CS-ResCNN模型的损失函数式是：
Figure BDA0001992386800000081
式中weight{yj＝t}表示第t类的权重，
Figure BDA0001992386800000082
表示防止过拟合的惩罚项，其中
Figure BDA0001992386800000083
为惩罚项的权值，x表示输入的图片，y表示对应的类别，kw为反映权重和偏置值的超参数，k是某分类问题中需要分类的类别数，n是CS-ResCNN模型中的神经元数量。
本实施例集成了四个功能模块：模式识别模块10、初步分析模块20、评估分析模块30、转诊建议模块40，使得对白内障的分析形成智能化的一站式服务，将白内障的前期筛选以及中间分析环节实现智能化，经过培训的技术人员可以将眼部图像输入本实施例中的各个模块运行，并得到转诊建议，在专业眼科医生缺乏的基层医院中可以普及使用，减轻专业眼科医生的工作负荷。
显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种人工智能白内障分析系统，其特征在于，包括：
模式识别模块，用于识别输入的眼部图像的拍照模式，所述拍照模式根据拍摄所述眼部图像时裂隙灯的裂隙宽度和/或是否有进行散瞳处理进行划分；所述模式识别模块用于识别输入的眼部图像的拍照模式的步骤，具体是采用深度学习方法；
初步分析模块，用于对不同拍照模式的眼部图像选用相应的深度学习模型，利用深度学习模型基于眼部图像中晶状体的特征进行分类；所述初步分析模块用于利用深度学习模型基于眼部图像中晶状体的特征进行分类的步骤，具体包括：利用深度学习模型基于眼部图像中晶状体的特征分类为正常晶状体、白内障、白内障摘除术后；
还包括：评估分析模块，用于对已分类为有白内障的眼部图像根据输入的年龄分类为先天性白内障和获得性白内障；所述评估分析模块，还用于对已分类为先天性白内障的眼部图像，基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊；
还包括：转诊建议模块，用于当眼部图像被分类为有视轴区浑浊或囊膜下浑浊或核硬度Ⅲ-Ⅴ时，生成转诊的建议。
2.根据权利要求1所述的人工智能白内障分析系统，其特征在于，所述评估分析模块，还用于对已分类为获得性白内障的眼部图像，基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和核硬度Ⅲ-Ⅴ。
3.根据权利要求2所述的人工智能白内障分析系统，其特征在于，所述评估分析模块，还用于对已分类为核硬度Ⅰ-Ⅱ的眼部图像，基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊。
4.根据权利要求1所述的人工智能白内障分析系统，其特征在于，所述评估分析模块，还用于对已分类为白内障摘除术后的眼部图像，基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像。
5.根据权利要求4所述的人工智能白内障分析系统，其特征在于，所述评估分析模块，还用于对已筛选为后囊膜下浑浊的眼部图像，基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊。
6.根据权利要求1至5任一项所述的人工智能白内障分析系统，其特征在于，所述评估分析模块用于基于眼部图像中视轴区的特征分类为无视轴区浑浊和有视轴区浑浊的步骤和/或基于眼部图像中晶状体核的特征分类为核硬度Ⅰ-Ⅱ和核硬度Ⅲ-Ⅴ的步骤和/或基于眼部图像中囊膜的特征分类为无囊膜浑浊和囊膜下浑浊的步骤和/或基于眼部图像中后囊膜的特征筛选出后囊膜下浑浊的眼部图像的步骤，具体是采用深度学习方法。
CN201910184479.1A 2019-03-12 2019-03-12 一种人工智能白内障分析系统 Active CN110013216B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910184479.1A CN110013216B (zh) 2019-03-12 2019-03-12 一种人工智能白内障分析系统
US16/535,760 US11062444B2 (en) 2019-03-12 2019-08-08 Artificial intelligence cataract analysis system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910184479.1A CN110013216B (zh) 2019-03-12 2019-03-12 一种人工智能白内障分析系统

Publications (2)

Publication Number Publication Date
CN110013216A CN110013216A (zh) 2019-07-16
CN110013216B true CN110013216B (zh) 2022-04-22

Family

ID=67189473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910184479.1A Active CN110013216B (zh) 2019-03-12 2019-03-12 一种人工智能白内障分析系统

Country Status (2)

Country Link
US (1) US11062444B2 (zh)
CN (1) CN110013216B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111134613B (zh) * 2019-11-21 2022-04-05 明灏科技（北京）有限公司 一种基于图像识别的角膜塑形镜验配方法及系统
CN111710396A (zh) * 2020-06-05 2020-09-25 武汉华瓴医疗科技有限公司 一种医联体内白内障患者的控制系统与方法
CN112220445A (zh) * 2020-09-29 2021-01-15 温州医科大学附属眼视光医院 一种基于移动终端的白内障和后发性白内障的分析系统和装置
CN115937085B (zh) * 2022-06-28 2023-08-01 哈尔滨学院 一种基于神经网络学习的核性白内障图像处理方法
CN115969311A (zh) * 2023-03-09 2023-04-18 汕头大学·香港中文大学联合汕头国际眼科中心 一种激光囊膜切开术辅助系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984997A (zh) * 2009-08-24 2013-03-20 新加坡保健服务集团有限公司 一种确定核性白内障级别的方法及系统
CN106455969A (zh) * 2014-03-19 2017-02-22 威盛纳斯医疗系统公司 眼睛成像装置和系统
CN109102494A (zh) * 2018-07-04 2018-12-28 中山大学中山眼科中心 一种后发性白内障图像分析方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003047595A (ja) * 2001-08-06 2003-02-18 Nidek Co Ltd 眼科撮影装置
JP3756127B2 (ja) * 2002-04-19 2006-03-15 株式会社トプコン 眼科撮影装置
US8232092B2 (en) * 2005-08-09 2012-07-31 Maxwell Sensors, Inc. Apparatus and method for digital magnetic beads analysis
NZ773833A (en) * 2015-03-16 2022-07-01 Magic Leap Inc Methods and systems for diagnosing and treating health ailments
DE102015009641A1 (de) * 2015-07-24 2017-01-26 Carl Zeiss Meditec Ag Verfahren zur Klassifizierung der Katarakt eines Auges
WO2019022663A1 (en) * 2017-07-28 2019-01-31 National University Of Singapore METHOD FOR MODIFYING RETINA BACKGROUND IMAGE FOR DEEP LEARNING MODEL

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984997A (zh) * 2009-08-24 2013-03-20 新加坡保健服务集团有限公司 一种确定核性白内障级别的方法及系统
CN106455969A (zh) * 2014-03-19 2017-02-22 威盛纳斯医疗系统公司 眼睛成像装置和系统
CN109102494A (zh) * 2018-07-04 2018-12-28 中山大学中山眼科中心 一种后发性白内障图像分析方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An artificial intelligence platform for the multihospital collaborative management of congenital cataracts;Erping Long et.al.;《nature biomedical engineering》;20170130;第6页第2栏第3行-第7页第2栏第3行，附图1-4 *

Also Published As

Publication number Publication date
US20200294225A1 (en) 2020-09-17
CN110013216A (zh) 2019-07-16
US11062444B2 (en) 2021-07-13

Similar Documents

Publication Publication Date Title
CN110013216B (zh) 一种人工智能白内障分析系统
Khan et al. Cataract detection using convolutional neural network with VGG-19 model
Hu et al. Unified diagnosis framework for automated nuclear cataract grading based on smartphone slit-lamp images
Subramanian et al. Classification of retinal oct images using deep learning
Zhang et al. DeepUWF: an automated ultra-wide-field fundus screening system via deep learning
Sharma et al. Harnessing the Strength of ResNet50 to Improve the Ocular Disease Recognition
Bakır et al. Using transfer learning technique as a feature extraction phase for diagnosis of cataract disease in the eye
Triyadi et al. Deep learning in image classification using VGG-19 and residual networks for cataract detection
Kajan et al. Detection of diabetic retinopathy using pretrained deep neural networks
Belharar et al. DeepRetino: Ophthalmic disease classification from retinal images using deep learning
Puangarom et al. 3-lbnets: Tri-labeling deep convolutional neural network for the automated screening of glaucoma, glaucoma suspect, and no glaucoma in fundus images
CN214484464U (zh) 基于移动终端的白内障和后发性白内障的分析系统和装置
AhmadChoudhry et al. DarkNet-19 based decision algorithm for the diagnosis of ophthalmic disorders
CN114445666A (zh) 基于深度学习眼底图像左右眼及视野位置分类方法及系统
CN112220445A (zh) 一种基于移动终端的白内障和后发性白内障的分析系统和装置
Ali et al. Cataract disease detection used deep convolution neural network
KR102669542B1 (ko) 딥러닝을 이용한 백내장 진단방법 및 시스템
Zaki et al. Towards automated keratoconus screening approach using lateral segment photographed images
Cruz-Vega et al. Nuclear cataract database for biomedical and machine learning applications
Abbas et al. A Transfer Learning Based Detection and Grading of Cataract using Fundus Images
Chakraborty et al. Early Prediction of Cataract using Convolutional Neural Network
CN113470815A (zh) 基于ai技术的白内障患者视力损害程度评估系统
Latha et al. Diagnosis of diabetic retinopathy and glaucoma from retinal images using deep convolution neural network
Jose Classification of EYE Diseases Using Multi-Model CNN
Neelima et al. Classification of Diabetic Retinopathy Fundus Images using Deep Neural Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant