[發明專利]一種基于神經網絡和自適應形態學約束的黃斑檢測方法

在審

• 申請號: 202010864924.1
• 申請日: 2020-08-25
• 公開（公告）號: CN112006649A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 張寅升;尚倩;張國明
• 申請（專利權）人: 張寅升
• 主分類號: A61B3/12
• 分類號: A61B3/12;A61B3/14
• 代理公司: 上海思牛達專利代理事務所(特殊普通合伙) 31355
• 代理人: 丁劍

本發明公開了一種基于神經網絡和自適應形態學約束的黃斑檢測方法，涉及黃斑圖像檢測技術領域，包括以下步驟：搭建區域卷積神經網絡生成視盤和黃斑的候選區域，其中包括預先獲取原始眼底圖片作為區域卷積神經網絡的輸入；生成一組校準后的形態學約束規則，其中包括獲取眼底相機的光學參數、拍攝參數和患者信息；基于這組相機自適應形態學規則進一步篩選黃斑候選區域；獲取過濾后的最終區域特征信息。本發明基于人類眼底解剖學信息，通過黃斑形態學約束規則，結合眼底相機的光學參數、拍攝參數以及患者年齡、左右眼別信息對形態學約束規則進行細化和校準，使用形態學約束規則過濾掉不合理的候選區域，進而提高黃斑檢測的準確率。

技術領域

本發明涉及黃斑圖像檢測技術領域，具體來說，涉及一種基于神經網絡和自適應形態學約束的黃斑檢測方法。

背景技術

對象檢測的問題是在圖像中找到目標對象及其邊界框。傳統的對象檢測算法較多依賴人工特征工程(feature engineering)。隨著深度學習技術的興起，深度神經網絡被逐漸用于解決生物醫學領域的目標檢測問題，如顯微鏡圖像中的細胞檢測，內窺鏡視頻中胃腸道異常的識別，機器人輔助手術訓練中的工具檢測和眼底圖像中的關鍵對象檢測。從技術角度來看，當前基于深度學習的目標檢測技術分為兩大類，一類是基于區域提議的模型，如區域卷積神經網絡(R-CNN)系列，另一類是一步式全局回歸/分類模型，如YOLO(Redmon等人，2016)和SSD。

而黃斑是眼底視網膜圖像中的關鍵解剖結構，黃斑的檢測對于眼底病的診斷具有重要價值，例如，黃斑的位置在早產兒視網膜病變中是劃分三個區域(zone)的依據。

因此，我們提出一種基于神經網絡和自適應形態學約束的黃斑檢測方法。

針對相關技術中的問題，目前尚未提出有效的解決方案。

發明內容

針對相關技術中的問題，本發明提出一種基于神經網絡和自適應形態學約束的黃斑檢測方法，基于深度學習的目標檢測框架中，通過一組相機自適應的形態學先驗規則，以約束目標檢測的候選區域，進一步提高眼底照片中黃斑檢測的準確率，以克服現有相關技術所存在的上述技術問題。

本發明的技術方案是這樣實現的：

一種基于神經網絡和自適應形態學約束的黃斑檢測方法，包括以下步驟：

步驟S1，搭建區域卷積神經網絡生成視盤和黃斑的候選區域，其中包括預先獲取原始眼底圖片作為區域卷積神經網絡的輸入；

步驟S2，生成一組校準后的形態學約束規則，其中包括獲取眼底相機的光學參數、拍攝參數和患者信息；

步驟S3，基于這組相機自適應形態學規則進一步篩選黃斑候選區域；

步驟S4，獲取過濾后的最終區域特征信息。

進一步的，所述區域卷積神經網絡，包括卷積層、區域提議網絡和區域分類器，其中；

所述卷積層，用于提取紋理、邊緣、形狀、部件等高級語義特征；

所述區域提議網絡，通過選擇性搜索方法生成提議區域；

所述區域分類器，用于對提議的區域進行識別分類。

進一步的，所述形態學規則包括數量約束、尺寸約束、距離約束、角度約束和眼別約束。

進一步的，所述數量約束，包括黃斑的最大數量為1。

進一步的，所述尺寸約束，包括在1000像素寬度的圖像上，黃斑直徑約為16％，視盤直徑約為10％。；

進一步的，所述距離約束，包括視盤與黃斑中心凹的距離為4.4±0.4mm，視盤與黃斑中央凹之間的距離為32％。