[發明專利]一種基于卷積神經網絡的眼底圖像硬性滲出物病變檢測方法

在審

• 申請號: 201811226566.0
• 申請日: 2018-10-22
• 公開（公告）號: CN109447962A
• 公開（公告）日: 2019-03-08
• 發明（設計）人: 張芳;肖志濤;徐旭;耿磊;吳駿;王雯;劉彥北
• 申請（專利權）人: 天津工業大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于卷積神經網絡的眼底圖像硬性滲出物檢測方法，該方法包括：1)對眼底圖像進行預處理，通過Gamma校正算法增強圖像對比度；2)對圖像進行分塊處理以擴充數據；3)將DRIVE、MESSIDOR數據庫中專家手動標注的病變結果作為監督數據，使用調整后的VGG?16網絡對分塊圖像進行訓練，同時引入通道加權模塊，以學習的方式顯式地建立特征通道的依賴關系；4)用訓練好的網絡模型對眼底圖像中硬性滲出物病變進行檢測。與傳統方案相比，本發明方法避免了復雜的圖像處理過程，不會受到眼底視盤和棉絮斑對硬性滲出物病變的影響，實現了硬性滲出物病變高精度檢測，可廣泛地用于眼底硬性滲出物自動篩查領域。

技術領域

本發明涉及一種基于卷積神經網絡的眼底圖像硬性滲出物檢測方法，在靈敏度、特異性以及準確性方面比傳統算法更優，具有較好的眼底硬性滲出物病變檢測性能，屬于圖像處理、醫學病變檢測、深度學習領域。

背景技術

糖尿病性視網膜病變(Diabetic retinopathy，DR)是糖尿病最為常見的眼部并發癥，是目前20-65歲成人出現新型失明的主要原因，對糖尿病患者而言，由于疾病初期征兆無明顯癥狀，直至患者自覺不適就診時大多已視覺受損，因此視網膜病變的及早發現對降低患者眼部失明幾率至關重要。然而目前醫學眼科專家較少，檢查效率低下，未能全面篩查。計算機輔助篩查系統是提高眼底病變篩查效率的有利工具，其中視網膜病變特征檢測是關鍵環節，硬性滲出物(hard exudates，HE)是視網膜病變中早期較為明顯的病變特征，也是計算機輔助篩查系統中需要檢測的關鍵部分。

目前HE的檢測算法主要分為兩類：一類是先分割眼底圖像關鍵結構，然后檢測HE病變。包括基于閾值的方法、基于形態學的方法、基于紋理分割的方法、基于水平集方法等；另一類是先提取圖像特征，利用機器學習算法對目標進行分類，從而檢出HE病變結構，主要包括貝葉斯分類器、支持向量機、傳統神經網絡等方法。但現有的算法存在兩個較大的問題。首先，眼底圖像中視盤和棉絮斑嚴重干擾HE檢測，多數算法僅考慮其中一個結構對HE檢測的影響，無法同時解決視盤和棉絮斑等對HE的影響，算法準確性難以提升。其次，很多算法能夠定位到HE，但對HE的分割精度不高，因此這些算法只做出了圖像級的結果評測，針對像素級的檢測精度難以提高。

深度學習是機器學習的一個分支，其在圖像識別、目標偵測等領域的應用發展迅速，表現出驚人的準確性。與傳統算法相比，基于深度學習方法效率高、可靠性好、可塑性強。針對目前醫院眼底病變篩查效率低下、傳統算法精確度低等缺點，將深度學習方法應用于眼底圖像硬性滲出物檢測，對提高眼底硬性滲出物病變檢測的準確性具有重要意義。

本發明運用深度學習方法，對VGG-16網絡進行適當調整，將圖像級別的分類進一步延伸到像素級別分類，保證了檢測目標的準確性，重點區分硬性滲出物與視盤和其他病變，提高病變像素級別分割精度，為眼底圖像的硬性滲出物病變檢測自動篩查提供可靠方案。

發明內容

本發明提出了一種基于卷積神經網絡的眼底圖像硬性滲出物病變檢測方法，該方法引進了Gamma校正算法，通過Gamma校正算法增強眼底圖像對比度；引進了調整后的VGG-16網絡結構，考慮到特征通道之間的相互依賴關系，引入通道加權模塊，以學習的方式顯示地建立特征通道的依賴關系；提取多尺度超列特征并優化網絡殘差模塊，通過訓練獲得更優的網絡模型；用訓練好的網絡模型對眼底圖像進行硬性滲出物病變檢測，結果可得，該網絡避免了復雜的圖像處理過程，不會受到眼底視盤和棉絮斑對硬性滲出物病變的影響，達到硬性滲出物病變高精度檢測。實現本發明的技術方案，包括下列步驟：

步驟1：為全面檢測不同眼底圖像中的硬性滲出物，首先收集正常眼底圖像和帶有不同種類不同病變程度的眼底圖像，包括DRIVE和MESSIDOR數據庫的眼底病變圖像和通過眼底相機隨機采集的正常眼底圖像作為樣本數據，圖像中的病變種類有出血點、棉絮斑、硬性滲出物，圖像的病變程度包括輕度、中度、重度；