Nothing Special   »   [go: up one dir, main page]

CN107437092B - 基于三维卷积神经网络的视网膜oct图像的分类方法 - Google Patents

基于三维卷积神经网络的视网膜oct图像的分类方法 Download PDF

Info

Publication number
CN107437092B
CN107437092B CN201710506132.5A CN201710506132A CN107437092B CN 107437092 B CN107437092 B CN 107437092B CN 201710506132 A CN201710506132 A CN 201710506132A CN 107437092 B CN107437092 B CN 107437092B
Authority
CN
China
Prior art keywords
neural network
convolution neural
dimensional convolution
dimensional
oct image
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
CN201710506132.5A
Other languages
English (en)
Other versions
CN107437092A (zh
Inventor
陈新建
刘云
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.)
Suzhou Were Medical Technology Co Ltd
Original Assignee
Suzhou Were Medical Technology Co Ltd
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 Suzhou Were Medical Technology Co Ltd filed Critical Suzhou Were Medical Technology Co Ltd
Priority to CN201710506132.5A priority Critical patent/CN107437092B/zh
Publication of CN107437092A publication Critical patent/CN107437092A/zh
Priority to PCT/CN2018/089072 priority patent/WO2019001209A1/zh
Application granted granted Critical
Publication of CN107437092B publication Critical patent/CN107437092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明公开了一种基于三维卷积神经网络的视网膜OCT图像的分类算法，包括以下步骤：S01：采集三种视网膜OCT图像，对三种视网膜进行分类标记；S02：数据预处理，对三维OCT图像数据进行降采样，得到统一大小的三维图像用于输入三维卷积神经网络；S03：根据迁移学习思想，用大量标记好的自然图像预训练一个三维卷积神经网络模型；S04：用预处理好的视网膜OCT图像对训练好的三维卷积神经网络模型进行微调，在主流网络中间的卷积层后加入分支网络，将主流网络和所述分支网络的输出层进行融合；S05：将测试图像按照S02步骤进行预处理，利用S04中微调后的所述三维卷积神经网络模型进行测试，输出分类结果。本发明具有可以对三维视网膜OCT图像进行分类以及提高分类准确性的特点。

Description

基于三维卷积神经网络的视网膜OCT图像的分类方法
技术领域
本发明涉及一种基于三维卷积神经网络的视网膜OCT图像的分类方法，属于视网膜图像分类技术领域。
背景技术
现有的视网膜自动分类技术大部分基于眼底彩照或者小视野的视网膜OCT，即以黄斑为中心或者以视神经乳头为中心的视网膜OCT图像。相比较眼底彩照，OCT图像具有无创、高速、高分辨率、三维成像等优点，不过OCT图像中视网膜分类目前仍面临诸多挑战：图像各类之间差异不明显，图像本身存在大量斑噪声等。这些问题使得传统的方法很难取得较为精确的分类效果。卷积神经网络具有强大的学习能力，其在医学图像分类(例如，乳腺X线肿瘤图像的分类、CT肺间质图像的分类、糖尿病性视网膜眼底彩照分类等)中已取得了巨大的成功。所以考虑将该框架用于视网膜OCT图像分类的任务中。然而，以上的医学图像都是二维图像，都使用二维卷积神经网络来达到分类效果，由于OCT图像为三维图像，直接使用传统的二维卷积神经网络对图像进行分类存在不足：(1)二维网络结构不能利用图像的三维空间信息，会损失很多有用信息，从而限制了模型的分类性能；(2)卷积神经网络为多层学习网络，传统的方法只是对网络的最后一层进行监督，忽略了中间层监督对模型分类效果的影响。
发明内容
本发明所要解决的技术问题是，提供一种可以对三维视网膜OCT图像进行分类，提高分类准确性的基于三维卷积神经网络的视网膜OCT图像的分类方法。
为解决上述技术问题，本发明采用的技术方案为：
基于三维卷积神经网络的视网膜OCT图像的分类方法，包括以下步骤：
S01：采集三种三维视网膜OCT图像，分别是以黄斑为中心的视网膜OCT图像、以视神经乳头为中心的视网膜OCT图像和以大视野为中心的视网膜OCT图像，将所述三种三维视网膜OCT图像每种分类标记为2类，分别是正常视网膜图像和异常视网膜图像；
S02：数据预处理，对三维视网膜OCT图像数据进行降采样，得到统一大小的三维图像用于输入三维卷积神经网络；
S03：根据迁移学习理论，用大量标记好的自然图像预训练一个三维卷积神经网络模型，所述三维卷积神经网络模型包括输入层、若干卷积层、若干池化层、若干全连接层以及输出层；
S04：用预处理好的三维视网膜OCT图像对训练好的三维卷积神经网络模型进行微调，在所述三维卷积神经网络模型主流网络中间的卷积层后加入分支网络，所述分支网络利用多层感知卷积进一步提取图像局部信息，所述分支网络同样由卷积层、池化层、全连接层和输出层组成，将所述主流网络和所述分支网络的输出层进行融合；
S05：将测试图像按照S02步骤进行预处理，利用S04步骤中微调后的所述三维卷积神经网络模型进行测试，输出分类结果。
采用三维线性插值的方法，对所有三维视网膜OCT图像进行降采样，得到96×96×16尺寸大小的三维图像。
所述训练好的三维卷积神经网络模型主流网络包括1个输入层、8个卷积层、5个池化层、2个全连接层和1个输出层，从1到8卷积层的滤波器个数分是64,128,256,256,512,512,512,512，卷积核大小是3×3×3，每个全连接层有4096个输出，输出层有6个输出，所述池化层均采用最大池化法。
所述分支网络加在第4个卷积层后。
所述分支网络所述分支网络采用平均池化方法对第4卷积层进行降采样，包括1个池化层、2个卷积层、2个全连接层和1个输出层。
所述输出层采用Softmax分类器。
步骤S04中所述融合采用最大概率融合方法。
本发明所达到的有益效果：小视野的OCT图像只能获取视网膜部分结构信息，大视野的OCT图像不仅能获取以黄斑为中心的视网膜信息，而且能获取以视神经乳头为中心的视网膜信息，结合两种小视野图像和大视野图像这三种OCT图像，能够获取更加全面的视网膜信息，本发明据此提出来一种分类方法，可以更全面分析视网膜信息，从而可以提高视网膜分类方法的鲁棒性；由于医学图像数据量较少，根据迁移学习的思想，因为自然图像与医学图像的底部特征是相似的，可以利用大量的自然图像来预训练三维卷积神经网络，再用OCT图像进行微调，利用三维卷积神经网络可以提取图像三维信息，直接对三维OCT图像进行处理，采用主流网络结合分支网络，可以利用好局部信息，提高分类结果的准确性，提高卷积神经网络的识别精度，还可以将其应用于数据量较少的领域，采用从中间加入分支网络，避免了太靠前只能利用少量局部信息以及太靠后只能利用整体信息，通过多次试验，在本发明构建的神经网络结构中加在第4卷积层后效果最好。
附图说明
图1是本发明构建的三维卷积神经网络模型；
图2是根据三种不同的扫描位置得到三种视网膜OCT图像，(a)为眼底彩照，(b)为以大视野为中心的视网膜OCT图像，(c)为以视神经乳头为中心的视网膜OCT图像，(d)为以黄斑为中心的视网膜OCT图像。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
基于三维卷积神经网络的视网膜OCT图像的分类方法，包括以下步骤：
S01：采集三种三维视网膜OCT图像，分别是以黄斑为中心的视网膜OCT图像、以视神经乳头为中心的视网膜OCT图像和以大视野为中心的视网膜OCT图像，如图1所示，将所述三种视网膜每种分类标记为2类，分别是正常视网膜图像和异常视网膜图像，这6类为：大视野不正常视网膜OCT图像(ANW)、大视野正常视网膜OCT图像(NW)、以黄斑为中心的不正常视网膜OCT图像(ANM)、以黄斑为中心的正常视网膜OCT图像(NM)、以视神经乳头为中心的不正常视网膜OCT图像(ANO)和以视神经乳头为中心的正常视网膜OCT图像(NO)；
S02：数据预处理，对三维视网膜OCT图像数据进行降采样，采用三维线性插值的方法，对所有三维视网膜OCT图像进行降采样，得到统一96×96×16尺寸大小的三维图像用于输入三维卷积神经网络；
S03：根据迁移学习思想，用大量标记好的自然图像预训练一个三维卷积神经网络模型，所述三维卷积神经网络模型包括输入层、若干卷积层、若干池化层、若干全连接层以及输出层，所述训练好的三维卷积神经网络模型主流网络包括1个输入层、8个卷积层、5个池化层、2个全连接层和1个输出层，从1到8卷积层的滤波器个数分是64,128,256,256,512,512,512,512，卷积核大小是3×3×3，每个全连接层有4096个输出，输出层有6个输出，所述池化层均采用最大池化法。所述输出层采用Softmax分类器输出每个输入图像属于每个类的概率，选择概率最大的作为该输入图片的类别，使用随机梯度下降法对卷积神经网络的权重进行求解；
S04：用预处理好的视网膜OCT图像对训练好的三维卷积神经网络模型进行微调，在主流网络中间的卷积层后加入分支网络，所述分支网络利用多层感知卷积进一步提取图像局部信息，所述分支网络同样由卷积层、池化层、全连接层和输出层组成，包括1个池化层、2个卷积层、2个全连接层和1个输出层，所述分支网络加在第4个卷积层后，采用平均池化方法对第4卷积层进行降采样，采用平均池化方法进行降采样，将主流网络和所述分支网络的输出层进行融合，采用最大概率融合方法，输出属于概率最大的类别；
S05：将测试图像按照S02步骤进行预处理，利用S04中微调后的所述三维卷积神经网络模型进行测试，输出分类结果。
实验结果
我们在873个数据上进行了本发明方法的测试。采用了三折交叉验证方法来检验本方法的可行性和有效性，采用F值(F-score)、正确率和AUC(Area under Curve)值作为评估方法的客观标准，结果见表1以及表2，表1比较了传统的三维卷积神经网络和改进的三维卷积神经网络的关于每一类F值和平均正确率；表2比较了传统的三维卷积神经网络和改进的三维卷积神经网络在每折实验中的每一类的AUC值。
表1两种方法F值和平均正确率的比较
表2两种方法AUC值的比较
结果分析：本发明对三种视网膜OCT图像进行分类的准确性比大部分传统的三维卷积神经网络的准确性高，本发明首次提出将视网膜OCT图像分为6类的分类方案，并利用三维改进的卷积神经网络模型，首次实现了6类OCT图像的自动分类，这个网络结构模型通过不同数据的训练可适用于其他三维医学图像的自动分类。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，包括以下步骤：
S01：采集三种三维视网膜OCT图像，分别是以黄斑为中心的视网膜OCT图像、以视神经乳头为中心的视网膜OCT图像和以大视野为中心的视网膜OCT图像，将所述三种视网膜OCT图像每种分类标记为2类，分别是正常视网膜图像和异常视网膜图像；
S02：数据预处理，将S01中三种模式下采集分类得到的6组三维视网膜OCT图像数据进行降采样，得到统一大小的三维图像用于输入三维卷积神经网络；
S03：根据迁移学习理论，用大量标记好的自然图像预训练一个三维卷积神经网络模型，所述三维卷积神经网络模型包括输入层、若干卷积层、若干池化层、若干全连接层以及输出层；
S04：用预处理好的三维视网膜OCT图像对训练好的三维卷积神经网络模型进行微调，在三维卷积神经网络模型主流网络中非首尾层的任一卷积层后加入分支网络，所述分支网络利用多层感知卷积进一步提取图像局部信息，所述分支网络同样由卷积层、池化层、全连接层和输出层组成，将所述主流网络和所述分支网络的输出层进行融合；
S05：将测试集图像数据按照S02步骤进行预处理，利用S04步骤中微调后的所述三维卷积神经网络模型进行测试，输出三种模式下的OCT图像为正常或异常的分类结果。
2.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，采用三维线性插值的方法，对所有三维视网膜OCT图像进行降采样，得到96×96×16尺寸大小的三维图像。
3.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述训练好的三维卷积神经网络模型主流网络包括1个输入层、8个卷积层、5个池化层、2个全连接层和1个输出层，从1到8卷积层的滤波器个数分是64,128,256,256,512,512,512,512，卷积核大小是3×3×3，每个全连接层有4096个输出，输出层有6个输出，所述池化层均采用最大池化法。
4.根据权利要求3所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述分支网络加在第4个卷积层后。
5.根据权利要求4所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述分支网络采用平均池化方法对第4卷积层进行降采样，包括1个池化层、2个卷积层、2个全连接层和1个输出层。
6.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述输出层采用Softmax分类器。
7.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，步骤S04中所述融合采用最大概率融合方法。
CN201710506132.5A 2017-06-28 2017-06-28 基于三维卷积神经网络的视网膜oct图像的分类方法 Active CN107437092B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710506132.5A CN107437092B (zh) 2017-06-28 2017-06-28 基于三维卷积神经网络的视网膜oct图像的分类方法
PCT/CN2018/089072 WO2019001209A1 (zh) 2017-06-28 2018-05-30 基于三维卷积神经网络的视网膜oct图像的分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710506132.5A CN107437092B (zh) 2017-06-28 2017-06-28 基于三维卷积神经网络的视网膜oct图像的分类方法

Publications (2)

Publication Number Publication Date
CN107437092A CN107437092A (zh) 2017-12-05
CN107437092B true CN107437092B (zh) 2019-11-15

Family

ID=60459558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710506132.5A Active CN107437092B (zh) 2017-06-28 2017-06-28 基于三维卷积神经网络的视网膜oct图像的分类方法

Country Status (2)

Country Link
CN (1) CN107437092B (zh)
WO (1) WO2019001209A1 (zh)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437092B (zh) * 2017-06-28 2019-11-15 苏州比格威医疗科技有限公司 基于三维卷积神经网络的视网膜oct图像的分类方法
CN107945176B (zh) * 2017-12-15 2021-05-11 西安中科微光影像技术有限公司 一种彩色ivoct成像方法
CN108395986A (zh) * 2018-03-23 2018-08-14 余晖 基于深度学习的人类乳头状瘤病毒自动分型检测装置
CN108510004B (zh) * 2018-04-04 2022-04-08 深圳大学 一种基于深度残差网络的细胞分类方法及系统
US10685265B2 (en) * 2018-04-11 2020-06-16 International Business Machines Corporation Cognitive analysis and classification of apparel images
CN111656357B (zh) 2018-04-17 2024-05-10 深圳华大生命科学研究院 眼科疾病分类模型的建模方法、装置及系统
CN110415252B (zh) * 2018-04-26 2022-08-05 北京连心医疗科技有限公司 一种基于cnn的眼周器官分割方法、设备和存储介质
US11538083B2 (en) 2018-05-17 2022-12-27 International Business Machines Corporation Cognitive fashion product recommendation system, computer program product, and method
CN109325398B (zh) * 2018-06-30 2020-10-09 东南大学 一种基于迁移学习的人脸属性分析方法
CN109376767B (zh) * 2018-09-20 2021-07-13 中国科学技术大学 基于深度学习的视网膜oct图像分类方法
CN109583297B (zh) * 2018-10-25 2020-10-02 清华大学 视网膜oct体数据识别方法及装置
CN109726743B (zh) * 2018-12-12 2023-03-24 苏州大学 一种基于三维卷积神经网络的视网膜oct图像分类方法
US10963757B2 (en) 2018-12-14 2021-03-30 Industrial Technology Research Institute Neural network model fusion method and electronic device using the same
CN109816714B (zh) * 2019-01-15 2023-03-21 西北大学 一种基于三维卷积神经网络的点云物体类型识别方法
CN109670489B (zh) * 2019-02-18 2023-06-27 广州视源电子科技股份有限公司 基于多实例学习的弱监督式早期老年性黄斑病变分类方法
CN110147715A (zh) * 2019-04-01 2019-08-20 江西比格威医疗科技有限公司 一种视网膜OCT图像Bruch膜开角自动检测方法
CN110110600B (zh) * 2019-04-04 2024-05-24 平安科技（深圳）有限公司 眼部oct图像病灶识别方法、装置及存储介质
CN110009626A (zh) * 2019-04-11 2019-07-12 北京百度网讯科技有限公司 用于生成图像的方法和装置
CN111860064B (zh) * 2019-04-30 2023-10-20 杭州海康威视数字技术股份有限公司 基于视频的目标检测方法、装置、设备及存储介质
CN110222716B (zh) * 2019-05-08 2023-07-25 天津大学 基于全分辨率深度卷积神经网络的图像分类方法
CN110443286B (zh) * 2019-07-18 2024-06-04 广州方硅信息技术有限公司 神经网络模型的训练方法、图像识别方法以及装置
CN110427954A (zh) * 2019-07-26 2019-11-08 中国科学院自动化研究所 基于肿瘤影像的多区域的影像组学特征提取方法
CN110415244A (zh) * 2019-08-02 2019-11-05 陈晋音 判断骨骼状态的方法及其模型训练方法、装置
CN110910371A (zh) * 2019-11-22 2020-03-24 北京理工大学 基于生理指标和影像融合的肝肿瘤自动分类方法及装置
CN110942106B (zh) * 2019-12-13 2023-11-07 东华大学 一种基于平方平均的池化卷积神经网络图像分类方法
CN111144296B (zh) * 2019-12-26 2023-04-18 湖南大学 基于改进cnn模型的视网膜眼底图片分类方法
CN111402217B (zh) * 2020-03-10 2023-10-31 广州视源电子科技股份有限公司 一种图像分级方法、装置、设备和存储介质
CN111723738B (zh) * 2020-06-19 2024-06-21 安徽工业大学 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统
CN112446860B (zh) * 2020-11-23 2024-04-16 中山大学中山眼科中心 一种基于迁移学习的糖尿病黄斑水肿自动筛查方法
CN113034475B (zh) * 2021-03-30 2024-04-19 浙江工业大学 基于轻量级三维卷积神经网络的手指oct体数据去噪方法
CN114037660A (zh) * 2021-10-26 2022-02-11 国药集团基因科技有限公司 Oct视网膜病变图像识别方法及系统
CN115219810B (zh) * 2022-05-18 2023-06-20 四川大学 一种基于雷电定位系统的线路跳闸预测方法
CN114821205B (zh) * 2022-06-30 2022-09-13 澄影科技(北京)有限公司 一种基于多维特征的图像处理方法、装置及设备
CN115170503B (zh) * 2022-07-01 2023-12-19 上海市第一人民医院 基于决策规则和深度神经网络的眼底图像视野分类方法及装置
CN116188719B (zh) * 2023-04-27 2023-11-17 中地云智慧科技有限公司 一种实景三维数据的碎片去除方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281858A (zh) * 2014-09-15 2015-01-14 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN105825509A (zh) * 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
CN105975931A (zh) * 2016-05-04 2016-09-28 浙江大学 一种基于多尺度池化的卷积神经网络人脸识别方法
CN106326939A (zh) * 2016-08-31 2017-01-11 深圳市诺比邻科技有限公司 卷积神经网络的参数优化方法及系统
CN106875386A (zh) * 2017-02-13 2017-06-20 苏州江奥光电科技有限公司 一种利用深度学习自动进行牙齿健康状况检测的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437092B (zh) * 2017-06-28 2019-11-15 苏州比格威医疗科技有限公司 基于三维卷积神经网络的视网膜oct图像的分类方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104281858A (zh) * 2014-09-15 2015-01-14 中安消技术有限公司 三维卷积神经网络训练方法、视频异常事件检测方法及装置
CN105825509A (zh) * 2016-03-17 2016-08-03 电子科技大学 基于3d卷积神经网络的脑血管分割方法
CN105975931A (zh) * 2016-05-04 2016-09-28 浙江大学 一种基于多尺度池化的卷积神经网络人脸识别方法
CN106326939A (zh) * 2016-08-31 2017-01-11 深圳市诺比邻科技有限公司 卷积神经网络的参数优化方法及系统
CN106875386A (zh) * 2017-02-13 2017-06-20 苏州江奥光电科技有限公司 一种利用深度学习自动进行牙齿健康状况检测的方法

Also Published As

Publication number Publication date
WO2019001209A1 (zh) 2019-01-03
CN107437092A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
CN107437092B (zh) 基于三维卷积神经网络的视网膜oct图像的分类方法
CN106920227B (zh) 基于深度学习与传统方法相结合的视网膜血管分割方法
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN106650806B (zh) 一种用于行人检测的协同式深度网络模型方法
CN104850825B (zh) 一种基于卷积神经网络的人脸图像颜值计算方法
CN107610087B (zh) 一种基于深度学习的舌苔自动分割方法
CN110263705A (zh) 面向遥感技术领域两期高分辨率遥感影像变化检测方法
CN108615010A (zh) 基于平行卷积神经网络特征图融合的人脸表情识别方法
CN109670510A (zh) 一种基于深度学习的胃镜活检病理数据筛查系统和方法
CN110428432A (zh) 结肠腺体图像自动分割的深度神经网络算法
CN108806792A (zh) 深度学习面诊系统
CN109658422A (zh) 一种基于多尺度深监督网络的视网膜图像血管分割方法
CN104143079A (zh) 人脸属性识别的方法和系统
CN109376767A (zh) 基于深度学习的视网膜oct图像分类方法
KR20200101540A (ko) 피부 이미지 기반의 인공지능 딥러닝을 이용한 피부질환 판별용 api 엔진을 구성하는 스마트 피부질환 판별 플랫폼시스템
CN109508644A (zh) 基于深度视频数据分析的面瘫等级评估系统
Cao et al. Gastric cancer diagnosis with mask R-CNN
CN104484886B (zh) 一种mr图像的分割方法及装置
CN102567734A (zh) 基于比值的视网膜细小血管分割方法
Ding et al. Retinopathy of prematurity stage diagnosis using object segmentation and convolutional neural networks
CN109344845A (zh) 一种基于Triplet深度神经网络结构的特征匹配方法
CN107330393A (zh) 一种基于视频分析的新生儿疼痛表情识别方法
CN112926652A (zh) 一种基于深度学习的鱼类细粒度图像识别方法
CN107748889A (zh) 一种乳腺肿瘤超声图像自动分类方法
Aydin et al. Domain modelling for a lightweight convolutional network focused on automated exudate detection in retinal fundus images

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Classification of retinal OCT images based on three-dimensional convolutional neural network

Effective date of registration: 20220614

Granted publication date: 20191115

Pledgee: Bank of Suzhou Limited by Share Ltd. Industrial Park Branch

Pledgor: SUZHOU BIGVISION MEDICAL TECHNOLOGY Co.,Ltd.

Registration number: Y2022320010233

PE01 Entry into force of the registration of the contract for pledge of patent right