[發明專利]基于深度學習的眼底熒光造影圖像滲漏點檢測方法

有效

• 申請號: 202010125033.4
• 申請日: 2020-02-27
• 公開（公告）號: CN111353980B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 葉娟;金凱;陳夢露;吳健;尤堃;徐宇峰;陸逸飛
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T7/155;G06T7/30
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 林超

本發明公開了一種基于深度學習的眼底熒光造影圖像滲漏點檢測方法。采集眼底熒光造影圖像，構建數據集并預處理，進行盤區域和滲漏點輪廓線標注，使用水漫填充法二值轉換；對二值分割圖像進行遍歷處理，分割成子圖，組成特征集；構建兩個U型神經網絡；采用特征集和滲漏點輪廓線輸入第一U型神經網絡訓練；采用原始圖像和視盤區域、黃斑區域輸入第二U型神經網絡訓練；針對待測的眼底熒光造影圖像處理預測，取分類概率大于預設滲漏閾值的像素點組成作為滲漏點，并輸出視盤區域和黃斑區域；時序前后造影圖配準，判斷假滲漏點剔除。本發明使用深度卷積神經網絡對滲漏點進行語義分割，排除錯誤的滲漏點，具有更高的準確率和可靠度。

技術領域

本發明屬于醫學圖像處理和深度學習技術領域的一種眼底圖像處理方法，具體涉及了一種基于深度學習的眼底熒光造影圖像滲漏點檢測方法。

背景技術

眼底熒光造影(FFA)圖像是不可缺少的影像學工具。根據FFA結果判讀滲漏點分布，手動匹配眼底相應位置，從而通過激光封閉滲漏點。但人眼觀察準確判讀眼底的滲漏位點并非易事。另一方面，手動配準激光費時費力，易受影響。

眼底熒光造影檢查具有時序性，判讀時往往通過前后對比確定，尤其針對眼底的“墨漬樣”或“煙囪狀”典型滲漏點，人眼單獨對靜態FFA圖像進行觀察判斷，很可能導致誤判、誤讀。

現有眼底造影圖像的滲漏點檢測方法僅針對于單張造影圖進行滲漏點識別，未進行時序前后的多幅造影圖的對比，忽略了眼底造影圖像的時序性在滲漏點識別中的作用。時序前后的多幅造影圖的視野并不相同，前后對比的實現依賴于造影圖的配準。

發明內容

為解決現有技術的上述不足，本發明提出了一種基于深度學習的眼底熒光造影圖像滲漏點檢測方法，目的是在識別靜態造影圖像滲漏點的基礎上，充分利用FFA造影圖像的時序信息，排除假的滲漏點，從而達到滲漏點的準確檢測，為眼底激光導航系統的實現打下關鍵的技術基礎。

本發明是通過以下技術方案實現的，包括如下步驟：

步驟1：采集含有“墨漬樣”或“煙囪狀”典型滲漏點的眼底熒光造影圖像報告，眼底熒光造影圖像報告包括時序前后的多幅熒光造影圖像，將熒光造影圖像(FFA)標記為含滲漏點和不含滲漏點兩類，僅將含滲漏點的圖像作為數據集；

步驟2：將數據集中含滲漏點的圖像進行預處理，

步驟3：對步驟2預處理后的數據集圖像分別進行視盤區域、黃斑區域、滲漏點輪廓線標注，使用水漫填充法分別將標注視盤區域、黃斑區域、滲漏點輪廓線后的圖像轉換為二值分割圖像；

步驟4：用256*256像素單位的滑動窗以128像素單位的步幅對步驟3獲得的滲漏點輪廓線標注后的二值分割圖像進行遍歷處理，以每個滑動窗作為一個子圖，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：構建用于分割滲漏點的第一U型神經網絡以及用于同時分割黃斑區域和視盤區域的第二U型神經網絡；

所述的第一U型神經網絡為門控模塊注意機制U型神經網絡。第一U型神經網絡和第二U型神經網絡均為卷積神經網絡。

步驟6：

采用步驟4獲得的特征集和已標注的滲漏點輪廓線一起輸入到第一U型神經網絡進行訓練，以步驟4獲得的訓練集作為第一U型神經網絡的輸入，以是否含滲漏點作為第一U型神經網絡的輸出標簽，使用一個門控注意力網絡(attention-gated network)監督，根據設定的學習率訓練調整第一U型神經網絡的參數，獲得訓練后的第一U型神經網絡；

采用原始的眼底熒光造影圖像和已標注的視盤區域、黃斑區域一起輸入到第二U型神經網絡進行訓練，以原始的眼底熒光造影圖像作為第二U型神經網絡的輸入，以視盤區域、黃斑區域作為第二U型神經網絡的輸出標簽，根據設定的學習率訓練調整第二U型神經網絡的參數，獲得訓練后的第二U型神經網絡；