巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备

文档序号:26142532发布日期:2021-08-03 14:27阅读:179来源:国知局
巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备

本申请属于医学影像机器学习技术领域,具体涉及一种巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备。



背景技术:

深度学习在医学影像自动诊断和筛查方面以得到快速发展,例如利用病患的广域眼底彩照诊断患者是否患有视网膜脱离、格子样变性等疾病。超广角眼底成像检查,通过自动化、友好化的方式捕获视网膜图像,可以获得比较全面的眼底图像,完善视网膜脱离的影像表现,降低视网膜脱离的漏诊、误诊率。但是从未有研究用深度学习基于病患的广域眼底彩照自动诊断巨细胞病毒性视网膜炎(cytomegalovirusretinitis,cmvr)。cmvr的确诊有赖于经验丰富的眼科医师行眼底镜检查,目前主要依靠眼底检查进行cmvr的诊断,但中国医疗分配不均匀,在高年资眼科医生相对匮乏的地区,造成部分地区病例确诊困难,并且由于缺少临床诊断率的数据,临床情况的复杂及不确定性因素,为眼科医生的诊断增加了困难。



技术实现要素:

为至少在一定程度上克服cmvr的确诊有赖于经验丰富的眼科医师行眼底镜检查,目前主要依靠眼底检查进行cmvr的诊断,但中国医疗分配不均匀,在高年资眼科医生相对匮乏的地区,造成部分地区病例确诊困难,并且,由于缺少临床诊断率的数据,临床情况的复杂及不确定性因素,为眼科医生的诊断增加了困难的问题,本申请提供一种巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备。

第一方面,本申请提供一种巨细胞病毒性视网膜炎辅助识别方法,包括:

获取患者眼底图像;

提取所述眼底图像中巨细胞病毒性视网膜炎参数,所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态;

将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量,以根据所述特征向量得到分类结果。

进一步的,还包括:

构建基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型;

采用内部数据集对所述巨细胞病毒性视网膜炎辅助识别模型进行四倍交叉验证以训练所述巨细胞病毒性视网膜炎辅助识别模型。

进一步的,所述构建基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型包括:

采用inceptionresnetv2网络模型作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的基础网络模型;

采用crossentropy损失函数作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的损失函数;

根据所述损失函数得到分类结果;

根据分类结果判断患者是否患有巨细胞病毒性视网膜炎。

进一步的,还包括:

对内部数据集中的样本进行分类;

根据内部数据集中样本类别施加不同权重。

进一步的,训练好的巨细胞病毒性视网膜炎辅助识别模型后,还包括:

采用外部验证数据集进行外部验证;

根据外部验证结果优化模型性能参数;

和/或;

采用前瞻性验证数据集进行前瞻性验证;

根据前瞻性验证结果优化模型性能参数。

进一步的,所述模型性能参数包括:

准确率,敏感度,特异性和auc值中的一个或多个。

进一步的,若识别出患者患有巨细胞病毒性视网膜炎,还包括:

根据训练好的巨细胞病毒性视网膜炎辅助识别模型得到对分类结果贡献的梯度;

根据所述梯度生成病灶热图;

将所述病灶热图与患者眼底图像叠加,根据叠加结果确定病灶位置。

进一步的,所述根据所述梯度生成病灶热图,包括:

获取模型输出的分类结果和卷积层输出;

按照梯度链式法则根据分类结果和卷积层输出生成梯度矩阵;

将梯度矩阵缩放成与原始输入图像相同分辨率再与原始输入图像叠加生成最终热图。

第二方面,本申请提供一种巨细胞病毒性视网膜炎辅助识别装置,包括:

获取模块,用于获取患者眼底图像;

提取模块,用于提取所述眼底图像中巨细胞病毒性视网膜炎参数,所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态;

识别模块,用于将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量,以根据所述特征向量得到分类结果。

进一步的,还包括:

确定模块,用于根据训练好的巨细胞病毒性视网膜炎辅助识别模型确定病灶位置。

第三方面,本申请提供一种电子设备,包括:

一个或者多个存储器,其上存储有可执行程序;

一个或者多个处理器,用于执行所述存储器中的所述可执行程序,以实现第一方面任一项所述方法的步骤。

本申请的实施例提供的技术方案可以包括以下有益效果:

本发明实施例提供的巨细胞病毒性视网膜炎辅助识别方法、装置及电子设备,巨细胞病毒性视网膜炎辅助识别方法包括获取患者眼底图像,提取眼底图像中巨细胞病毒性视网膜炎参数,巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态,将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量,以根据特征向量得到分类结果,根据分类结果可以识别患者是否患有巨细胞病毒性视网膜炎,从而实现巨细胞病毒性视网膜炎地精准预测,并且,操作简单,可进行多医疗中心推广甚至社区普及,改善大众医疗水平。

应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。

图1为本申请一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别方法的流程图。

图2为本申请另一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别方法的流程图。

图3为本申请一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别装置的功能结构图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。

图1为本申请一个实施例提供的巨细胞病毒性视网膜炎辅助识别方法的流程图,如图1所示,该巨细胞病毒性视网膜炎辅助识别方法,包括:

s11:获取患者眼底图像;

s12:提取眼底图像中巨细胞病毒性视网膜炎参数,巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态;

病灶位置包括但不限于周边型和中央型;病灶形态包括出血水肿型,颗粒型,霜样树枝状血管炎,视神经视网膜炎等。

s13:将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量以根据特征向量得到分类结果。

根据分类结果可以识别出患者是否患有巨细胞病毒性视网膜炎。

由于从未有研究基于病患的广域眼底彩照自动诊断cmvr,cmvr的确诊有赖于经验丰富的眼科医师行眼底镜检查,目前主要依靠眼底检查进行cmvr的诊断,但中国医疗分配不均匀,在高年资眼科医生相对匮乏的地区,造成部分地区病例确诊困难,并且,由于缺少临床诊断率的数据,临床情况的复杂及不确定性因素,为眼科医生的诊断增加了困难。

本实施例中,巨细胞病毒性视网膜炎辅助识别方法包括获取患者眼底图像,提取眼底图像中巨细胞病毒性视网膜炎参数,巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态,将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量,以根据特征向量得到分类结果,根据分类结果可以识别患者是否患有巨细胞病毒性视网膜炎,从而实现巨细胞病毒性视网膜炎地精准预测,并且,操作简单,可进行多医疗中心推广甚至社区普及,改善大众医疗水平。

图2为本申请另一个实施例提供的一种巨细胞病毒性视网膜炎辅助识别方法的流程图,如图2所示,该巨细胞病毒性视网膜炎辅助识别方法,包括:

s21:采用内部数据集对所述巨细胞病毒性视网膜炎辅助识别模型进行四倍交叉验证以训练巨细胞病毒性视网膜炎辅助识别模型。

一些实施例中,还包括:

s211:对内部数据集中的样本进行分类;

s212:根据内部数据集中样本类别施加不同权重。

一些实施例中,采用inceptionresnetv2网络模型作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的基础网络模型;采用crossentropy损失函数作为基于深度卷积神经网络的巨细胞病毒性视网膜炎辅助识别模型的损失函数;根据损失函数得到分类结果;根据分类结果判断患者是否患有巨细胞病毒性视网膜炎。

s22:训练好的巨细胞病毒性视网膜炎辅助识别模型后,采用外部验证数据集进行外部验证;

s23:根据外部验证结果优化模型性能参数;

s24:采用前瞻性验证数据集进行前瞻性验证;

s25:根据前瞻性验证结果优化模型性能参数。

一些实施例中,模型性能参数包括:

准确率,敏感度,特异性和auc值中的一个或多个。

一些实施例中,采用内部数据集中5970张照片训练以及内部交叉验证;采用具有回顾性的58张照片进行外部验证;采用具有前瞻性的47张照片进行前瞻性验证,用回顾性和前瞻性数据验证模型效果,以使模型在新老数据中都表现出较好的性能。

如下面公式所示,

其中,m,w,n和k分别代表batch中样本的数量,神经网络中待训练的参数,最后一层全连接层神经元的数量和类别数.class_weight{yi=j}和代表第j类的权重和避免过拟合的惩罚项。对于数量较少的类别施加较大权重,对数量较多的类别施加较小权重。由于患病样本和正常样本的数量相差较大,一般患病样本数量比正常样本数量少很多,因此对患病样本和正常样本施加类别权重,例如对患病样本施加更大权重,避免忽略患病样本的分类效果,到达分类平衡,提高模型识别的准确率。

s26:若识别出患者患有巨细胞病毒性视网膜炎,根据训练好的巨细胞病毒性视网膜炎辅助识别模型得到对分类结果贡献的梯度;

s27:根据梯度生成病灶热图;

一些实施例中,根据梯度生成病灶热图,包括:

s271:获取模型输出的分类结果和卷积层输出;

s272:按照梯度链式法则根据分类结果和卷积层输出生成梯度矩阵;

s273:将梯度矩阵缩放成与原始输入图像相同分辨率再与原始输入图像叠加生成最终热图。

s28:将病灶热图与患者眼底图像叠加,根据叠加结果确定病灶位置。

采用深度学习原因可视化算法grad-cam可视化分类原因热图,实现可视化病灶位置。

本实施例中,通过深度卷积神经网络学习算法,利用患者的广域眼底彩照诊断患者是否患有本疾病,可达到识别准确率0.9000、敏感度0.9286、特异性0.8750,并运用深度学习原因追溯算法可视化出与患病相关的影像特征,达到精准预测,经不同场合、不同机器型号的多个数据集验证,能够达到临床使用标准,并且方法简便,只需获取患者超广角眼底照片,导入模型后不仅可以识别出是否患有巨细胞病毒性视网膜炎没还可以准确获取病灶位置,可进行多医疗中心推广甚至社区普及,改善大众医疗水平

本发明实施例提供一种巨细胞病毒性视网膜炎辅助识别装置,如图3所示的功能结构图,该巨细胞病毒性视网膜炎辅助识别装置,包括:

获取模块31,用于获取患者眼底图像;

提取模块32,用于提取眼底图像中巨细胞病毒性视网膜炎参数,巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态;

识别模块33,用于将巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型输出特征向量,以根据特征向量得到分类结果。

根据分类结果可以识别患者是否患有巨细胞病毒性视网膜炎。

一些实施例中,还包括:

确定模块34,用于根据训练好的巨细胞病毒性视网膜炎辅助识别模型确定病灶位置。

本实施例中,通过获取模块获取患者眼底图像,提取模块提取所述眼底图像中巨细胞病毒性视网膜炎参数,所述巨细胞病毒性视网膜炎参数包括病灶位置和病灶形态,识别模块将所述巨细胞病毒性视网膜炎参数输入训练好的巨细胞病毒性视网膜炎辅助识别模型以识别患者是否患有巨细胞病毒性视网膜炎,可以实现巨细胞病毒性视网膜炎地精准预测,并且,操作简单,可进行多医疗中心推广甚至社区普及,改善大众医疗水平。

本实施例提供一种电子设备,包括:

一个或者多个存储器,其上存储有可执行程序;

一个或者多个处理器,用于执行所述存储器中的所述可执行程序,以实现上述实施例中任一项所述方法的步骤。

可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。

应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(pga),现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。

此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能组件的形式实现。所述集成的模块如果以软件功能组件的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器,磁盘或光盘等。

在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1