[發(fā)明專利]光學(xué)相干層析圖像視網(wǎng)膜病變智能檢測(cè)系統(tǒng)及檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910188403.6
• 申請(qǐng)日: 2019-03-13
• 公開(kāi)（公告）號(hào): CN110010219B
• 公開(kāi)（公告）日: 2021-12-10
• 發(fā)明（設(shè)計(jì)）人: 范姍慧;劉士臣;沈艷艷;陳冬梅;魏凱華
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G16H15/00
• 分類號(hào): G16H15/00;G16H30/20;G16H50/20;G06T7/11;G06T5/00;G06N3/04;G06K9/62;A61B3/10
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 黃前澤

1.光學(xué)相干層析圖像視網(wǎng)膜病變智能檢測(cè)系統(tǒng)，包括圖像獲取模塊、圖像預(yù)處理模塊、視網(wǎng)膜病變分析模塊和病例報(bào)告輸出模塊，其特征在于：所述的圖像獲取模塊用于獲取檢查者的視網(wǎng)膜OCT數(shù)據(jù)；所述的圖像預(yù)處理模塊對(duì)OCT圖像進(jìn)行預(yù)處理；所述圖像預(yù)處理模塊的預(yù)處理包含圖像去噪和增強(qiáng)；圖像去噪使用高斯模糊、中值濾波和均值濾波，并引入各向異性擴(kuò)散濾波算法實(shí)現(xiàn)圖像去噪和增強(qiáng)，并基于gamma曲線實(shí)現(xiàn)對(duì)圖像對(duì)比度和亮度的調(diào)整；數(shù)據(jù)增強(qiáng)技術(shù)采用翻轉(zhuǎn)、加噪、模糊、變形或亮度調(diào)節(jié)中的一種或幾種組合；所述的視網(wǎng)膜病變分析模塊用于對(duì)視網(wǎng)膜病變的識(shí)別和分類以及對(duì)形態(tài)學(xué)參數(shù)的計(jì)算和病灶具體位置的標(biāo)注；所述的病例報(bào)告輸出模塊根據(jù)視網(wǎng)膜病變分析結(jié)果形成輔助診斷結(jié)果，并讓醫(yī)生確認(rèn)、修改或輸入醫(yī)囑，從而形成診斷報(bào)告；所述的視網(wǎng)膜病變分析模塊包含視網(wǎng)膜病變分類模塊和視網(wǎng)膜信息量化模塊；所述的視網(wǎng)膜病變分類模塊利用結(jié)合遷移學(xué)習(xí)的CNN結(jié)構(gòu)實(shí)現(xiàn)對(duì)不同視網(wǎng)膜病變的識(shí)別和分類，并通過(guò)提取病變圖像的圖像序列實(shí)現(xiàn)對(duì)病變圖像定位和識(shí)別；所述的視網(wǎng)膜信息量化模塊包含對(duì)病灶的定位和形態(tài)學(xué)參數(shù)計(jì)算，利用圖像分割算法獲得視網(wǎng)膜各層邊界，以獲得視網(wǎng)膜厚度和杯盤(pán)比；視網(wǎng)膜信息量化模塊利用異向?yàn)V波平滑、樣條插值、峰值探測(cè)、貪婪算法和Snake模型綜合技術(shù)，對(duì)OCT圖像中的視網(wǎng)膜進(jìn)行分割，自動(dòng)提取層狀結(jié)構(gòu)輪廓實(shí)現(xiàn)視網(wǎng)膜分層，基于各層邊界信息獲取視網(wǎng)膜厚度分布圖；

該光學(xué)相干層析圖像視網(wǎng)膜病變智能檢測(cè)系統(tǒng)的工作過(guò)程如下：

步驟1：圖像獲取模塊獲取患者的視網(wǎng)膜OCT數(shù)據(jù)，并轉(zhuǎn)換成OCT圖像；對(duì)得到的OCT圖像進(jìn)行數(shù)據(jù)標(biāo)注，每張圖像對(duì)應(yīng)一個(gè)序號(hào)；

步驟2：圖像預(yù)處理模塊對(duì)圖像獲取模塊得到的OCT圖像進(jìn)行預(yù)處理，利用圖像去噪和增強(qiáng)技術(shù)提高圖像質(zhì)量；

步驟3：將圖像預(yù)處理模塊處理后的OCT圖像輸入到視網(wǎng)膜病變分析模塊的CNN結(jié)構(gòu)中得到不同病變和正常圖像的特征值，從而進(jìn)行病變識(shí)別和分類，利用識(shí)別得到病變圖像的圖像序列，實(shí)現(xiàn)對(duì)病變位置的定位，正常和每種病變各自對(duì)應(yīng)一個(gè)特征值；所述的CNN結(jié)構(gòu)結(jié)合遷移學(xué)習(xí)，包含于視網(wǎng)膜病變分類模塊中；視網(wǎng)膜病變分類模塊包含數(shù)據(jù)擴(kuò)增模塊、模型訓(xùn)練模塊和模型測(cè)試模塊；數(shù)據(jù)擴(kuò)增模塊基于數(shù)據(jù)增強(qiáng)技術(shù)實(shí)現(xiàn)對(duì)OCT圖像數(shù)據(jù)庫(kù)中的數(shù)據(jù)集進(jìn)行拓展，數(shù)據(jù)增強(qiáng)技術(shù)采用翻轉(zhuǎn)、加噪、模糊、變形或亮度調(diào)節(jié)中的一種或幾種組合；將拓展后的數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集，用于訓(xùn)練模型；模型訓(xùn)練模塊是結(jié)合遷移學(xué)習(xí)策略，利用深度CNN結(jié)構(gòu)實(shí)現(xiàn)視網(wǎng)膜病變的識(shí)別和分類；遷移學(xué)習(xí)網(wǎng)絡(luò)是以ImageNet數(shù)據(jù)集上預(yù)先訓(xùn)練好的CNN模型為基礎(chǔ)網(wǎng)絡(luò)，保持卷積層參數(shù)不變，調(diào)整全連接層參數(shù)，利用預(yù)先訓(xùn)練好的CNN模型權(quán)重對(duì)目標(biāo)網(wǎng)絡(luò)進(jìn)行初始化，再用目標(biāo)網(wǎng)絡(luò)數(shù)據(jù)集對(duì)該目標(biāo)網(wǎng)絡(luò)進(jìn)行微調(diào)，采用隨機(jī)梯度下降法減小實(shí)際與期望值之間的差異，并利用反向傳播計(jì)算梯度系數(shù)，最后得到適用于目標(biāo)網(wǎng)絡(luò)的深度學(xué)習(xí)模型；模型測(cè)試模塊是利用模型訓(xùn)練模塊得到的模型對(duì)輸入的OCT圖像數(shù)據(jù)進(jìn)行測(cè)試；

步驟4：視網(wǎng)膜病變分析模塊的視網(wǎng)膜信息量化模塊對(duì)OCT圖像中的視網(wǎng)膜進(jìn)行分層，利用分層信息，計(jì)算視網(wǎng)膜厚度和杯盤(pán)比，并對(duì)視網(wǎng)膜病變分類模塊得到的病變圖像進(jìn)行標(biāo)記，提取病變區(qū)域信息；

視網(wǎng)膜信息量化模塊利用異向?yàn)V波平滑、樣條插值、峰值探測(cè)、貪婪算法和Snake模型綜合技術(shù)，對(duì)OCT圖像中的視網(wǎng)膜進(jìn)行分割，自動(dòng)提取層狀結(jié)構(gòu)輪廓實(shí)現(xiàn)視網(wǎng)膜分層，基于各層邊界信息獲取視網(wǎng)膜厚度分布圖；結(jié)合方向梯度直方圖特征和極限學(xué)習(xí)機(jī)，識(shí)別視網(wǎng)膜色素上皮層的兩個(gè)斷點(diǎn)；通過(guò)連接視網(wǎng)膜色素上皮層兩個(gè)斷點(diǎn)，得到一條直線，再將該直線向上平移150μm的距離，得到另一條直線，將第二條直線與視盤(pán)內(nèi)邊界的交點(diǎn)作為盤(pán)沿和視杯的劃分，進(jìn)而計(jì)算得到杯盤(pán)比；

步驟5：病例報(bào)告輸出模塊將視網(wǎng)膜病變分析模塊得到的病變圖像序列和病變信息轉(zhuǎn)換成文字信息，形成計(jì)算機(jī)輔助診斷報(bào)告，供醫(yī)生進(jìn)一步分析病情；其中的用戶交互模塊用于實(shí)現(xiàn)醫(yī)生對(duì)計(jì)算機(jī)診斷結(jié)果的確認(rèn)或修改以及醫(yī)囑的輸入。

2.根據(jù)權(quán)利要求1所述的光學(xué)相干層析圖像視網(wǎng)膜病變智能檢測(cè)系統(tǒng)，其特征在于：所述的病例報(bào)告輸出模塊包括病變信息輸出模塊和用戶交互模塊；所述的病變信息輸出模塊將視網(wǎng)膜病變分類模塊和視網(wǎng)膜信息量化模塊得到的結(jié)果轉(zhuǎn)換成文字模式并配以病變圖像進(jìn)行輸出，形成輔助診斷結(jié)果；所述的用戶交互模塊用于醫(yī)生對(duì)輔助診斷結(jié)果的確認(rèn)或修改以及對(duì)醫(yī)囑的輸入。