[發明專利]一種基于卷積神經網絡的多模型糖網病變自動篩查方法

在審

• 申請號: 202011142595.6
• 申請日: 2020-10-23
• 公開（公告）號: CN112200794A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 曹魚;陳齊磊;倪京;劉本淵
• 申請（專利權）人: 蘇州慧維智能醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州銘浩知識產權代理事務所(普通合伙) 32246
• 代理人: 朱斌兵

1.一種基于卷積神經網絡的多模型糖網病變自動篩查方法，其特征在于，包括如下步驟：

獲取眼底圖像；

利用糖網圖像質量檢查CNN分類器篩選出眼底圖像中的正常眼底圖像；

通過糖網等級分類器模塊獲取正常眼底圖像中糖網圖像所屬病變的糖網國標等級；

通過糖網病變區域檢測模塊獲取正常眼底圖像上的病變位置以及類別信息；

將糖網圖像所屬病變的糖網國標等級和病變位置以及類別信息通過糖網早期篩查等級分類融合模塊融合后獲取篩查等級；

將病變位置以及類別信息通過卷積神經網絡類別激活映射模塊后，獲取出血位置的精確面積。

2.根據權利要求1所述的基于卷積神經網絡的多模型糖網病變自動篩查方法，其特征在于，所述利用糖網圖像質量檢查CNN分類器篩選出眼底圖像中的正常眼底圖像的步驟如下：

S1:將眼底圖像輸入到以Squeezenet為卷積神經網絡結構的模型中，形成維度為4096的特征向量；

S2:特征向量經過二分類線性分類器之后，獲得是否為正常眼底圖像的分類標簽。

3.根據權利要求2所述的基于卷積神經網絡的多模型糖網病變自動篩查方法，其特征在于，所述糖網圖像質量檢查CNN分類器的構建方法如下：

a使用具有兩種標簽的圖像作為數據來源，經過審核后形成訓練數據集，其中，兩種標簽為正常眼底圖片和非正常眼底圖片；

b通過在ImageNet訓練獲得以Squeezenet為卷積神經網絡結構的模型的初始化參數；

c將具有兩種標簽的數據集對以Squeezenet為卷積神經網絡結構的模型進行訓練，獲得糖網圖像質量檢查CNN分類器。

4.根據權利要求3所述的基于卷積神經網絡的多模型糖網病變自動篩查方法,其特征在于，所述通過糖網等級分類器模塊獲取正常眼底圖像中糖網圖像所屬病變的糖網國標等級的步驟如下：

①將正常眼底圖像輸入到以InceptionV3為卷積神經網絡結構的模型中，形成維度為4096的特征向量；

②特征向量經過五分類線性分類器之后，獲得該眼底圖像的糖網國標等級分類標簽。

5.根據權利要求4所述的基于卷積神經網絡的多模型糖網病變自動篩查方法,其特征在于，所述糖網等級分類器模塊的構建過程如下：

一、使用具有五種標簽的圖像作為數據來源，經過審核后形成訓練數據集，其中，五種標簽為無糖網病變、輕度糖網病變、中度糖網病變、重度糖網病變和增殖性糖網病變；

二、通過在ImageNet訓練獲得以InceptionV3卷積神經網絡結構的模型的初始化參數；

三、將具有五種標簽的數據集對InceptionV3卷積神經網絡結構的模型進行訓練，獲得糖網等級分類器模塊。

6.根據權利要求3所述的基于卷積神經網絡的多模型糖網病變自動篩查方法,其特征在于，所述通過糖網病變區域檢測模塊獲取正常眼底圖像上的病變位置以及類別信息的步驟如下：

第一步：將正常眼底圖像輸入到以FasterRCNN為卷積神經網絡結構和區域提取網絡之后形成若干局部候選框；

第二步：將候選框映射到神經網絡產生的特征圖上；

第三步：每個候選框所對應的特征圖的局部區域再經過四分類線性分類器之后，最終獲得該眼底圖像上所有病變區域的位置和類別信息。

7.根據權利要求6所述的基于卷積神經網絡的多模型糖網病變自動篩查方法,其特征在于，所述糖網病變區域檢測模塊構建過程如下：

步驟一使用具有四種病變部位類別的圖像作為數據來源，經過審核后形成訓練數據集，其中，四種病變部位類別為出血、微動脈瘤、硬滲和棉絨斑；

步驟二通過在ImageNet訓練獲得糖網病變區域檢測模塊的初始化參數；

步驟三將糖網病變部位類別數據集對糖網病變區域檢測模塊進行訓練，獲得糖網病變區域檢測模塊。