[發明專利]基于人類視覺系統的眼底圖像質量評估方法

在審

• 申請號: 201910357643.4
• 申請日: 2019-04-29
• 公開（公告）號: CN110084803A
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 萬程;彭琦;王宜匡;俞秋麗;于鳳麗;華驍
• 申請（專利權）人: 南京星程智能科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開一種基于人類視覺系統的眼底圖像質量評估方法，包括：選取數據集中的一部分眼底圖像作為原始數據樣本并進行預處理，去除背景部分并提取感興趣區域部分；計算眼底圖像的顯著圖；利用微調深度神經網絡訓練卷積神經網絡，將自然圖像的網絡參數遷移到醫學圖像網絡的訓練中；提取出眼底圖像的特征以及顯著圖中的顯著性特征并進行特征融合；對融合的特征構建出樣本的特征矩陣，并利用特征矩陣訓練支持向量機分類器，對眼底圖像質量進行分類。本發明通過將基于卷積神經網絡的監督信息與基于顯著圖的無監督信息融合，并利用融合信息訓練分類器來進行圖像質量分類，利用遷移學習原理，使用微調深度卷積神經網絡的方法來提高圖像質量分類的性能。

技術領域

本發明涉及醫學圖像處理技術領域，具體涉及基于人類視覺系統的眼底圖像質量評估。

背景技術

眼底圖像質量評價是眼底圖像在臨床輔助診斷發展中一個基礎性的問題，在自動化眼疾病病變篩查系統中，輸入圖像的質量對于眼疾病自動篩查診斷結果具有至關重要的作用。自動診斷分析系統要求輸入的視網膜眼底圖像具有能滿足分析要求的最低質量，這樣便于提取特征進行后續的診斷要求。然而在實際中由于諸如操作人員專業知識水平、使用的設備類型不同以及患者病情等因素的影響，獲取的眼底圖像會出現噪聲、模糊、畸變以及低照明度等圖像質量問題，進而影響后續的眼疾病診斷分析，因此圖像質量評估是眼疾病自動篩查系統的重要組成部分。

當前大部分自動診斷算法中，對于圖像質量評估所使用的方法幾乎都依賴于手工設計特征建模，再進行分類器的構建。例如使用包括形狀，顏色，亮度和先驗知識等手工特征進行圖像質量分類，這些特征基于通用或結構質量參數在新的數據集上泛化能力差，無法應用于較大數據集。另一方面，盡管專家依靠人類視覺系統的能力來識別質量差的眼底圖像，并且能夠適用于新的數據集中，但是這種評估在實際中帶有很大的主觀因素。除此之外，目前基于手工特征的方法不能利用人類視覺系統的特點來提高圖像質量分類的性能。

發明內容

發明目的：本發明目的在于針對現有技術的不足，提供一種基于人類視覺系統的眼底圖像質量分類方法，該方法將基于卷積神經網絡的監督信息與基于顯著圖的無監督信息相結合，并利用這兩種特征訓練分類器進行圖像質量分類。使用一種基于全分辨率的顯著圖，其能夠獲取與圖像質量分類相關的局部以及全局特征。并且在卷積神經網絡的學習中，利用遷移學習原理，使用微調深度卷積神經網絡的方法來提高圖像質量分類的性能。

技術方案：本發明所述基于人類視覺系統的眼底圖像質量評估方法，用于圖像處理系統，包括如下步驟：

（1）選取Kaggle數據集中部分眼底圖像作為原始數據樣本，對眼底圖像進行預處理，去除圖片背景區域中的黑色冗余信息，并對眼底圖像的感興趣區域進行提取，得到去除背景區域的彩色眼底圖；

（2）使用一種頻率調諧的方法對眼底圖像計算顯著圖，通過合理的設置頻率閾值范圍來強調整體顯著性區域，同時使顯著性目標的邊界更加明顯并且忽略掉一部分干擾噪聲；采用多個高斯濾波器的差分聯合對顯著圖進行帶通濾波，濾波器輸出全分辨率顯著圖；

（3）構建卷積神經網絡模型，采用ImageNet數據集自然圖像單獨對主神經網絡進行訓練，通過訓練得到的參數對主神經網絡進行微調并保存主神經網絡模型參數；在保存的主神經網絡模型參數中，選取眼底圖像質量分類最好的主神經網絡模型參數來初始化卷積神經網絡中的主神經網絡參數部分，余下參數隨機初始化；

（4）提取全分辨率顯著圖中的顯著性特征，同時提取眼底圖像在卷積神經網絡全連接層中的特征參數；分別歸一化顯著圖的顯著性特征和卷積神經網絡的特征，將兩個歸一化特征進行融合，通過融合的特征構建特征矩陣；

（5）將特征矩陣送入支持向量機分類器，分類器在特征空間中找到一個超平面，該超平面能夠將兩類圖片的特征向量最優地分開，實現圖片質量“可接受的”和“不可接受的”兩種情況的最優分類。