申请/专利权人：广东省人民医院

申请日：2020-08-21

公开（公告）日：2023-09-05

公开（公告）号：CN112132782B

主分类号：G06T7/00

分类号：G06T7/00;G06T5/00;G06T3/40;G06V10/764;G06V10/82;G06N3/08;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2023.09.05#授权;2021.01.12#实质审查的生效;2020.12.25#公开

摘要：本发明提出了一种基于深度神经网络对DME分型进行处理的方法和终端，该方法包括：对待识别的OCT图像进行预处理；通过训练好的DME特征提取模型对经过预处理的所述OCT图像进行图像特征提取；所述DME特征提取模型是基于深度学习网络训练得到的；基于对所提取的图像特征进行处理，得到对应所述OCT图像中关于预设DME是否出现的二进制分类函数值；所述预设DME包括：DRT、CME和SRD；基于所述二进制分类函数值以及预设阈值得到二进制分类任务的结果。本方案实现了对不同类型DME的快速、准确的识别。

主权项：1.一种基于深度神经网络对DME分型进行处理的方法，其特征在于，包括：对待识别的OCT图像进行预处理；通过训练好的DME特征提取模型对经过预处理的所述OCT图像进行图像特征提取；所述DME特征提取模型是基于深度学习网络训练得到的；基于对所提取的图像特征进行处理，得到对应所述OCT图像中关于预设DME是否出现的二进制分类函数值；所述预设DME包括：DRT、CME和SRD；基于所述二进制分类函数值以及预设阈值得到DME分型的结果；其中，DeepDME模型是在VGG16卷积神经网络的基础上构建得到的，具体包括：采用交叉熵损失函数评估VGG16卷积神经网络输出值和真实值之间的差异程度；采用ReLU激活函数，提高VGG16卷积神经网络的非线性，增加VGG16卷积神经网络的稀疏性；采用Dropout层作用在VGG16卷积神经网络的全连接层；采用Batchnorm层作用在VGG16卷积神经网络中每层卷积层之后，将每层神经网络层的神经元输入值的分布拉回到标准正态分布；对在ImageNet数据集上进行了预训练的VGG16卷积神经网络进行调整，构建初始模型；将VGG16卷积神经网络最后一层全连接层、SoftMax层和分类层替换为包含3个神经元的全连接层和回归层，从而将VGG16卷积神经网络转换为回归网络；基于初始模型将所述OCT图像映射到DME的OCT分型中，并将最后一层全连接层的输出分别调整为DRT、CME和SRD三者的二进制分类函数值，得到DeepDME模型。

全文数据：

权利要求：

百度查询： 广东省人民医院 一种基于深度神经网络对DME分型进行处理的方法和终端

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD