[發明專利]一種基于RPN的視盤定位方法

在審

• 申請號: 201810372284.5
• 申請日: 2018-04-24
• 公開（公告）號: CN108717693A
• 公開（公告）日: 2018-10-30
• 發明（設計）人: 王麗冉;湯一平;何霞;陳朋
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

一種基于RPN的視盤定位方法，包括基于深度卷積神經網絡的眼底圖像整體特征提取、基于RPN網絡的視盤區域初步檢測和基于深度卷積神經網絡的視盤候選區域進行位置精修。本發明基于深度學習的方法，構建深度卷積神經網絡自動對視盤進行定位，能夠實現視盤的準確、快速、魯棒定位，輔助眼底疾病的診斷處理。

技術領域

本發明涉及一種定位方法，具體涉及計算機視覺、數字圖像處理、模式識別、深度學習和深度卷積神經網絡等技術在眼底圖像視盤自動定位領域的應用。

背景技術

眼底視網膜檢查在糖尿病視網膜病變、青光眼、老年性黃斑病變等眼科疾病的預防、診斷和治療中得到了廣泛應用。其中的血管、中央凹、黃斑、視盤是除背景外的視網膜圖像的主要可觀測對象。在正常視網膜眼底圖像中，視盤表現為圓形亮黃色區域，直徑約為眼底圖像ROI區域的1/7，主要血管由視盤進入眼部并向周邊輻射延伸，作為血管的交匯區，其包含大量較粗的血管。自動視盤定位是視網膜眼底圖像分析和計算機輔助診斷各類眼底病變的前提和關鍵步驟；也可以用于定位視網膜其它解剖結構如血管和黃斑；重要的是它有助于建立視網膜的眼底坐標系統，可以用來定位其它視網膜病變如溢出物、微脈瘤、出血等。因此，快速、準確地定位眼底圖像視盤區域尤為重要。

最早的視盤定位方法主要利用視盤的外觀特性如亮度、形狀信息作為定位特征，這類方法在質量較好的正常眼底圖像中的視盤檢測的成功率較高。但是在病變圖像中，由于病變造成視盤外觀改變或其它大面積亮色病變區域干擾，視盤檢測容易出錯。由于血管結構在圖像中相對穩定，特征顯著，因此基于血管特性的定位方法通常魯棒性較好，在病變圖像視盤定位中有更穩定的性能。這類方法最主要的問題在于血管提取本身就是一個非常復雜耗時的工作，甚至長達幾分鐘，而且血管分割也容易受到病變、視盤輪廓等對象的干擾。目前的視盤定位算法需要人工提取視盤的亮度、血管、紋理等特征。特征選取的好壞在很大程度上決定了定位效果的優劣。人工進行特征提取的方法經驗依賴性強、耗時耗力、也很難提取到具有完整表達力的視盤特征。因此，實現對眼底圖像高效、準確、魯棒的視盤定位有一定的難度。

發明內容

為了克服目前的視盤定位方法無法兼顧準確性與快速性的不足，本發明提出一種基于深度學習的方法，構建深度卷積神經網絡自動對視盤進行定位，實現對視盤高效、準確、魯棒的定位。

本發明解決其技術問題所采用的技術方案是：

一種基于RPN的視盤定位方法，包括基于深度卷積神經網絡的眼底圖像整體特征提取、基于RPN網絡的視盤區域初步檢測、基于深度卷積神經網絡的視盤候選區域進行位置精修；

所述的基于深度卷積神經網絡的眼底圖像整體特征提取，所述深度卷積神經網絡作為整個網絡模型的基礎網絡，共分為五層，由卷積層、激活層和池化層交替構成的深度結構，隱式地從給定的眼底圖像數據中進行參數學習；

所述的基于RPN網絡的視盤區域初步檢測，RPN網絡生成目標的候選區域信息，包括目標類別、置信度和位置信息；

所述的基于深度卷積神經網絡的視盤候選區域進行位置精修，所述深度卷積神經網絡由全連接層組成，對上一階段得到的候選區域進行深層特征提取，輸入區域在網絡中進行層層映射，得到不同的表示形式，提取其抽象特征，從而實現對候選區域的位置精修，得到視盤定位的結果。

進一步，所述的基于深度卷積神經網絡的眼底圖像整體特征提取中，通過卷積操作，使原信息增強并減少噪聲；通過池化操作，利用圖像局部相關性的原理，對圖像進行子抽樣，在保留圖像有用信息的基礎上減少數據的處理量；