[發明專利]一種糖尿病性視網膜病變體征檢測方法及裝置

在審

• 申請號: 201710442385.0
• 申請日: 2017-06-13
• 公開（公告）號: CN107330449A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 劉佳玉;薛丹;李德衡
• 申請（專利權）人: 瑞達昇科技（大連）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京億騰知識產權代理事務所11309
• 代理人: 陳霽

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種糖尿病性視網膜病變體征檢測方法及裝置。

背景技術

近年來，由于城市化進程的加快、人民生活水平的提高、飲食結構的改變以及生活節奏的日趨緊張，使得糖尿病在人群中的發病率越來越高，截至2016年我國糖尿病患者總人數已達1億。對于早期糖尿病患者，有效的診斷可以防止病情的惡化，并大幅度增加患者被治愈的可能性。糖尿病性視網膜病變(以下簡稱糖網)是糖尿病最為常見的眼部并發癥，是目前30-69歲成年人失明的主要原因。因此，糖網的及時診斷在糖尿病的預防和診斷過程中起著舉足輕重的作用。

眼底糖尿病性視網膜病變體征表現為滲出、出血、微動脈瘤等，根據眼底圖像中以上體征的程度改變，可將糖網分為五個時期：一期，無明顯視網膜病變；二期，輕度非增值性病變，有黃白色“硬性滲出”、微動脈瘤和少量出血點；三期，中度非增值性病變，有白色“軟性滲出”和可見的重度出血；四期，重度非增值性病變，視網膜四個象限上每個都有二十個以上出血，視力下降明顯；五期，增殖期，眼底有新生血管生成和纖維增生，視力嚴重受損。通過對眼底病變體征的分類統計可以有效地實現糖網的分級，這對糖網的診斷和治療工作有重要意義。

糖網早期篩查的一種有效手段是通過眼底相片進行診斷，研究表明現有絕大多數眼底照相篩查的敏感性(指實際患病且被診斷為有病的概率)均高于80％?，F階段對于眼底圖像的分析基本依靠眼科醫生的肉眼觀察，這種人工閱片的方法存在較大局限性。另外，基層和社區醫院通常缺乏專業的眼科醫生，這給普通的糖尿病患者、尤其是邊遠地區醫療條件受限的糖尿病患者帶來不便。如果能夠依靠計算機快速、可靠地識別出糖尿病患者的眼底圖像，不僅可以將醫生從繁重的人工閱片工作中解脫出來，更為糖網篩查的大規模實施提供必備的基礎條件。

對于糖尿病性視網膜病變的篩查工作早在上世紀七八十年代就有學者開始研究，到目前為止，較為常見的方法如基于灰度級、聚類、顏色、模板匹配、神經網絡等，其中基于神經網絡的方法更加成熟。評估當前較為流行的方法，發現這些方法在算法設計和方法應用上都存在一定的局限性，如：

糖網篩查較為成熟有效的方法大多是基于神經網絡實現的，而目前基于神經網絡的方法都是以整張圖像為單位進行模型訓練和篩查的，由于糖網不同時期圖像之間差異較大等原因，使得基于神經網絡的方法在實現時需求的數據量較大，而現有的數據不能滿足模型訓練的需求，且方法實現后效果不夠完美。

現有的方法除神經網絡外，大多只能進行某種病變特征的檢測，而糖網眼底圖像中大多數是多種病變共存的狀態，使得這些方法檢測效果不佳，僅具有理論研究意義而不具有使用價值，而神經網絡的方法僅能實現圖像的篩查，不能進行具體病變的檢測分類和糖網的分析。

發明內容

本發明提供一種糖尿病性視網膜病變體征檢測方法及裝置，實現了對糖網眼底圖像的病變檢測分類和對糖網的分級，從而有助于糖網的檢測分析。

第一方面提供了一種糖尿病性視網膜病變體征檢測方法。該方法包括：接收待檢測的眼底圖像；使用卷積神經網絡CNN模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區域樣本；根據病變區域樣本，構建與待檢測的眼底圖像對應的尺度不變特征變化SIFT特征描述子；根據SIFT特征描述子，使用支持向量機SVM分類器確定待檢測的眼底圖像的病變類型。

在一個可能的實施例中，使用CNN模型對待檢測的眼底圖像進行處理，獲取與待檢測的眼底圖像對應的病變區域樣本，包括：使用滑動窗的方法，通過矩形族對待檢測的眼底圖像進行分割，獲取與待檢測的眼底圖像對應的待檢測數據樣本；使用CNN模型對待檢測數據樣本進行處理，獲取與待檢測的眼底圖像對應的病變區域樣本。

在一個可能的實施例中，在根據SIFT特征描述子，使用SVM分類器確定待檢測的眼底圖像的病變類型之后，該方法還包括：根據待檢測的眼底圖像的病變類型，確定待檢測的眼底圖像的病期級別。

在一個可能的實施例中，CNN模型通過以下步驟獲得：收集具有病變區域的眼底圖像，并對眼底圖像中的病變區域以及眼底圖像中的病變區域的病變類型進行標注；使用滑動窗法對眼底圖像進行分割，獲取與眼底圖像對應的訓練數據樣本；根據訓練數據樣本和標注的結果，確定正樣本和負樣本；正樣本為訓練數據樣本中與標注的結果重疊度高于預設值的樣本，負樣本為訓練數據樣本中與標注的結果無重疊的樣本；根據正樣本和負樣本，以及CNN反饋修正規則，構建CNN模型。