[發(fā)明專利]基于深度學(xué)習(xí)的眼底熒光造影圖像滲漏點(diǎn)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010125033.4
• 申請(qǐng)日: 2020-02-27
• 公開（公告）號(hào): CN111353980B
• 公開（公告）日: 2022-05-17
• 發(fā)明（設(shè)計(jì)）人: 葉娟;金凱;陳夢(mèng)露;吳健;尤堃;徐宇峰;陸逸飛
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/12;G06T7/155;G06T7/30
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 林超

1.一種基于深度學(xué)習(xí)的眼底熒光造影圖像滲漏點(diǎn)檢測(cè)方法，其特征在于，包括以下步驟：

步驟1：采集含有“墨漬樣”或“煙囪狀”典型滲漏點(diǎn)的眼底熒光造影圖像報(bào)告，眼底熒光造影圖像報(bào)告包括時(shí)序前后的多幅熒光造影圖像，將熒光造影圖像(FFA)標(biāo)記為含滲漏點(diǎn)和不含滲漏點(diǎn)兩類，僅將含滲漏點(diǎn)的圖像作為數(shù)據(jù)集；

步驟2：將數(shù)據(jù)集中含滲漏點(diǎn)的圖像進(jìn)行預(yù)處理，

步驟3：對(duì)步驟2預(yù)處理后的數(shù)據(jù)集圖像分別進(jìn)行視盤區(qū)域、黃斑區(qū)域、滲漏點(diǎn)輪廓線標(biāo)注，使用水漫填充法分別將標(biāo)注視盤區(qū)域、黃斑區(qū)域、滲漏點(diǎn)輪廓線后的圖像轉(zhuǎn)換為二值分割圖像；

步驟4：用滑動(dòng)窗對(duì)步驟3獲得的滲漏點(diǎn)輪廓線標(biāo)注后的二值分割圖像進(jìn)行遍歷處理，以每個(gè)滑動(dòng)窗作為一個(gè)子圖，從而將二值分割圖像分割成子圖，由所有子圖組成特征集；

步驟5：構(gòu)建用于分割滲漏點(diǎn)的第一U型神經(jīng)網(wǎng)絡(luò)以及用于同時(shí)分割黃斑區(qū)域和視盤區(qū)域的第二U型神經(jīng)網(wǎng)絡(luò)；

步驟6：

采用步驟4獲得的特征集和已標(biāo)注的滲漏點(diǎn)輪廓線一起輸入到第一U型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使用一個(gè)門控注意力網(wǎng)絡(luò)(attention-gated network)監(jiān)督，根據(jù)設(shè)定的學(xué)習(xí)率訓(xùn)練調(diào)整第一U型神經(jīng)網(wǎng)絡(luò)的參數(shù)，獲得訓(xùn)練后的第一U型神經(jīng)網(wǎng)絡(luò)；

采用原始的眼底熒光造影圖像和已標(biāo)注的視盤區(qū)域、黃斑區(qū)域一起輸入到第二U型神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，根據(jù)設(shè)定的學(xué)習(xí)率訓(xùn)練調(diào)整第二U型神經(jīng)網(wǎng)絡(luò)的參數(shù)，獲得訓(xùn)練后的第二U型神經(jīng)網(wǎng)絡(luò)；

步驟7：針對(duì)待測(cè)的眼底熒光造影圖像，重復(fù)上述步驟2-步驟4處理獲得特征集，并將特征集輸入訓(xùn)練后的第一U型神經(jīng)網(wǎng)絡(luò)，輸出圖像中每個(gè)像素點(diǎn)的是否為滲漏點(diǎn)的分類概率，取分類概率大于預(yù)設(shè)滲漏閾值的像素點(diǎn)組成作為滲漏點(diǎn)，實(shí)現(xiàn)眼底造影圖像的滲漏點(diǎn)分割的初步結(jié)果；

同時(shí)將待測(cè)的眼底熒光造影圖像，輸入訓(xùn)練后的第二U型神經(jīng)網(wǎng)絡(luò)，輸出圖像中視盤區(qū)域和黃斑區(qū)域；

步驟8：根據(jù)步驟7獲得的滲漏點(diǎn)與視盤區(qū)域、黃斑區(qū)域之間的相對(duì)位置，賦予滲漏點(diǎn)相對(duì)位置信息，通過相對(duì)位置信息對(duì)眼底熒光造影圖像中的時(shí)序前后造影圖進(jìn)行配準(zhǔn)，對(duì)時(shí)序前后造影圖中面積不變的滲漏點(diǎn)判斷為假滲漏點(diǎn)，進(jìn)行剔除，剩余保留的滲漏點(diǎn)作為最終滲漏點(diǎn)。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的眼底熒光造影圖像滲漏點(diǎn)檢測(cè)方法，其特征在于：

所述步驟2的預(yù)處理包括依次進(jìn)行的自適應(yīng)直方圖均衡化增強(qiáng)圖像和雙邊濾波降噪處理步驟。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的眼底熒光造影圖像滲漏點(diǎn)檢測(cè)方法，其特征在于：

所述步驟3中黃斑的標(biāo)注是利用已經(jīng)標(biāo)注的黃斑中心采用高斯核函數(shù)平滑處理建立平滑的黃斑區(qū)域標(biāo)注。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的眼底熒光造影圖像滲漏點(diǎn)檢測(cè)方法，其特征在于：所述步驟5中，第一U型神經(jīng)網(wǎng)絡(luò)包括依次連接的一個(gè)第一輸入層、連續(xù)的四個(gè)下采樣模塊、連續(xù)的四個(gè)上采樣模塊、一個(gè)輸出卷積模塊和一個(gè)輸出卷積層；每個(gè)下采樣模塊均由連續(xù)的兩個(gè)卷積模塊和最大池化層依次連接構(gòu)成，每個(gè)上采樣模塊均由連續(xù)的兩個(gè)卷積模塊和上采樣層依次連接構(gòu)成；第一U型神經(jīng)網(wǎng)絡(luò)融合有四處注意機(jī)制模塊，分別：第一個(gè)下采樣模塊的第二個(gè)卷積模塊與第四個(gè)上采樣模塊的第二個(gè)卷積模塊之間通過注意機(jī)制模塊連接；第二個(gè)下采樣模塊的第二個(gè)卷積模塊與第三個(gè)上采樣模塊的第二個(gè)卷積模塊之間通過注意機(jī)制模塊連接；第三個(gè)下采樣模塊的第二個(gè)卷積模塊與第二個(gè)上采樣模塊的第二個(gè)卷積模塊之間通過注意機(jī)制模塊連接；第四個(gè)下采樣模塊的第二個(gè)卷積模塊與第一個(gè)上采樣模塊的第二個(gè)卷積模塊之間通過注意機(jī)制模塊連接；每個(gè)注意機(jī)制模塊均包括由兩個(gè)1×1卷積層組成的卷積輸入層、整流線性單元層、一維卷積層、Sigmoid函數(shù)分類層和重采樣層；卷積輸入層的兩個(gè)1*1卷積層的輸入分別對(duì)應(yīng)連接到下采樣模塊的第二個(gè)卷積模塊的輸出和上采樣模塊的第二個(gè)卷積模塊的輸出，經(jīng)卷積輸入層的兩個(gè)1*1卷積層相加后再經(jīng)過整流線性單元層輸出至一維卷積層，再經(jīng)過Sigmoid函數(shù)分類層輸出至重采樣層，重采樣層的輸出與上采樣模塊的第二個(gè)卷積模塊的輸出相乘后作為注意機(jī)制模塊的輸出，每個(gè)注意機(jī)制模塊的輸出與上采樣模塊中上采樣層的輸出拼接后作為上采樣模塊的最終輸出。