[發(fā)明專利]基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜圖像分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201810330385.6
• 申請日: 2018-04-13
• 公開（公告）號: CN108615051B
• 公開（公告）日: 2020-09-15
• 發(fā)明（設(shè)計(jì)）人: 呂紹林;于川匯;崔宗會(huì);何校棟;陳瑞俠
• 申請（專利權(quán)）人: 博眾精工科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 蘇州創(chuàng)元專利商標(biāo)事務(wù)所有限公司 32103
• 代理人: 范晴;顧天樂

1.一種基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜圖像分類系統(tǒng)，其特征在于，包括：

微血管瘤識別模塊，用于使用微血管瘤病變識別模型對待檢圖像進(jìn)行識別，標(biāo)注待檢圖像中的微血管瘤病變部位并獲取相應(yīng)的病變特征信息；所述微血管瘤病變識別模型基于CNN模型訓(xùn)練得到，包括以下步驟：

A1，圖像預(yù)處理：提取綠色通道圖像，對綠色通道圖像使用r-polynomial變換進(jìn)行圖像灰度矯正，再利用高斯濾波進(jìn)行去噪處理，得到矯正圖像I′_W；

A2，微血管瘤病變候選區(qū)域I_candidate提取：在矯正圖像I′_W上隨機(jī)選取一個(gè)像素點(diǎn)，以該像素點(diǎn)作為基準(zhǔn)，以角度α為步長生成不同尺度的線性結(jié)構(gòu)元素，利用生成的線性結(jié)構(gòu)元素對矯正圖像I′_W進(jìn)行形態(tài)學(xué)處理，得到不同尺度線性結(jié)構(gòu)元素的響應(yīng)結(jié)果，保留每個(gè)像素點(diǎn)對應(yīng)的最小響應(yīng)結(jié)果I_closed，得到I_candidate＝I_closed-I′_W，對I_candidate進(jìn)行混合閾值分割提取；

A3，數(shù)據(jù)標(biāo)注：對微血管瘤病變候選區(qū)域I_candidate分割提取的結(jié)果進(jìn)行病變和非病變標(biāo)注，生成訓(xùn)練集；

A4，模型訓(xùn)練：輸入訓(xùn)練集至CNN模型進(jìn)行訓(xùn)練，得到微血管瘤病變識別模型；

出血識別模塊，用于使用出血病變識別模型對待檢圖像進(jìn)行識別，對識別得到的出血病變區(qū)域進(jìn)行分割并獲取相應(yīng)的病變特征信息；

滲出識別模塊，用于使用滲出病變識別模型對待檢圖像進(jìn)行識別，對識別得到的滲出病變區(qū)域進(jìn)行分割并獲取相應(yīng)的病變特征信息；

分類模塊，用于對識別待檢圖像得到的各病變區(qū)域的病變特征信息進(jìn)行分類以獲取待檢圖像病變等級分類結(jié)果。

2.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜圖像分類系統(tǒng)，其特征是，所述r-polynomial變換為：

其中，r是多項(xiàng)式的冪，取值為2；μ_min是灰度最小值，取值為0；μ_max是灰度最大值，取值為1；G是提取的綠色通道圖像；μ_W(i，j)是綠色通道圖像以(i，j)為中心、半徑為W的鄰域內(nèi)灰度均值；I_W是利用r-polynomial變換得到灰度均衡化圖像。

3.根據(jù)權(quán)利要求2所述基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜圖像分類系統(tǒng)，其特征是，所述混合閾值分割提取的條件為：

其中，K為常數(shù)，代表形態(tài)學(xué)處理中微血管瘤病變候選區(qū)域的最大個(gè)數(shù)，CC代表統(tǒng)計(jì)病變候選區(qū)域個(gè)數(shù)的函數(shù)；

t₁是設(shè)置的最小閾值，t_u是最大閾值，t_k為滿足CC條件的閾值，t_s是以0.001～0.004步長逐漸增長的閾值；

將t_s從I_candidate的最小值按照最小灰度間隔增加到I_candidate的最大灰度值，直到函數(shù)CC統(tǒng)計(jì)的個(gè)數(shù)滿足上式的條件為止，使用閾值t_K二值化I_candidate提取得到微血管瘤病變候選區(qū)域的二值圖。

4.根據(jù)權(quán)利要求1所述基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜圖像分類系統(tǒng)，其特征是，所述出血病變識別模型和滲出病變識別模型均基于FCN模型訓(xùn)練得到，包括以下步驟：

B1，通過圖像處理對眼底圖像進(jìn)行病變區(qū)域和非病變區(qū)域標(biāo)注，生成訓(xùn)練集；

B2，使用U-net網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建FCN模型，每次隨機(jī)取訓(xùn)練集中部分已標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，得到訓(xùn)練后的病變識別模型；訓(xùn)練采用的代價(jià)函數(shù)是DICE。

5.根據(jù)權(quán)利要求4所述基于深度學(xué)習(xí)的糖尿病視網(wǎng)膜圖像分類系統(tǒng)，其特征是，所述對眼底圖像的標(biāo)注還生成測試集，對已訓(xùn)練模型采用測試集測試，評估已訓(xùn)練模型的識別能力。