[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的多模型糖網(wǎng)病變自動(dòng)篩查方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011142595.6
• 申請(qǐng)日: 2020-10-23
• 公開（公告）號(hào): CN112200794A
• 公開（公告）日: 2021-01-08
• 發(fā)明（設(shè)計(jì)）人: 曹魚;陳齊磊;倪京;劉本淵
• 申請(qǐng)（專利權(quán)）人: 蘇州慧維智能醫(yī)療科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州銘浩知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32246
• 代理人: 朱斌兵

本發(fā)明涉及基于卷積神經(jīng)網(wǎng)絡(luò)的多模型糖網(wǎng)病變自動(dòng)篩查方法，包括如下步驟：獲取眼底圖像；利用糖網(wǎng)圖像質(zhì)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(wǎng)等級(jí)分類器模塊獲取正常眼底圖像中糖網(wǎng)圖像所屬病變的糖網(wǎng)國(guó)標(biāo)等級(jí)；通過糖網(wǎng)病變區(qū)域檢測(cè)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(wǎng)圖像所屬病變的糖網(wǎng)國(guó)標(biāo)等級(jí)和病變位置以及類別信息通過糖網(wǎng)早期篩查等級(jí)分類融合模塊融合后獲取篩查等級(jí)；將病變位置以及類別信息通過卷積神經(jīng)網(wǎng)絡(luò)類別激活映射模塊后，獲取出血位置的面積，本發(fā)明能準(zhǔn)確的進(jìn)行自動(dòng)化進(jìn)行糖網(wǎng)影像早期篩查，提高了早期篩查的效率，減輕診斷人員的工作負(fù)擔(dān)，另外還彌補(bǔ)了單個(gè)模型容錯(cuò)率低的缺點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及一種篩查方法，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的多模型糖網(wǎng)病變自動(dòng)篩查方法。

背景技術(shù)

糖尿病性視網(wǎng)膜病變(以下簡(jiǎn)稱糖網(wǎng))已經(jīng)成為眼科疾病的重要問題，它是糖尿病最常見的并發(fā)癥之一，嚴(yán)重情況下能夠?qū)е禄颊哂谰眯允鳌Ｔ缙谔蔷W(wǎng)篩查對(duì)于糖網(wǎng)病變控制以及治療有至關(guān)重要的作用，在臨床醫(yī)學(xué)領(lǐng)域中比較成熟的篩查手段是通過對(duì)彩色數(shù)字眼底掃描圖像進(jìn)行檢查。

但由于人工篩查過程耗時(shí)耗力又嚴(yán)重依賴于診斷醫(yī)生的專業(yè)能力,無法滿足逐年上升的病患需求，導(dǎo)致不少病人得不到及時(shí)的診斷從而延誤了最佳治療時(shí)機(jī)。因此,眼底圖像的糖網(wǎng)病變自動(dòng)篩查的研究與實(shí)現(xiàn)，對(duì)于糖網(wǎng)病變的及時(shí)發(fā)現(xiàn)與治療有著重要意義。

近年來，隨著深度學(xué)習(xí)算法的出現(xiàn)，人工智能(AI)領(lǐng)域的研究呈現(xiàn)出革命性的發(fā)展和進(jìn)步，在醫(yī)療領(lǐng)域，深度學(xué)習(xí)算法顯現(xiàn)出巨大的潛力，例如在應(yīng)對(duì)皮膚病變圖像診斷和CT肺部掃描圖像的篩查方面，基于深度學(xué)習(xí)的AI系統(tǒng)在閉包測(cè)試過程中已經(jīng)具備與醫(yī)學(xué)專家相同甚至更佳的識(shí)別能力。

基于深度學(xué)習(xí)的糖網(wǎng)篩查也受到越來越多的關(guān)注。近年來，在海量糖網(wǎng)圖像數(shù)據(jù)支撐下，基于深度學(xué)習(xí)的自動(dòng)化糖網(wǎng)篩查方法也逐漸發(fā)展起來，將卷積神經(jīng)網(wǎng)絡(luò)在具有病變指標(biāo)標(biāo)注的糖網(wǎng)數(shù)據(jù)集上進(jìn)行訓(xùn)練，得到的卷積神經(jīng)網(wǎng)絡(luò)模型能夠智能的分析患者的糖網(wǎng)病變情況，進(jìn)而實(shí)現(xiàn)糖網(wǎng)病變的大規(guī)模自動(dòng)篩查。

但在現(xiàn)實(shí)應(yīng)用中，單一的神經(jīng)網(wǎng)絡(luò)模型在糖網(wǎng)篩查方面存有些缺陷，首先，單一神經(jīng)網(wǎng)絡(luò)模型不能準(zhǔn)確的剔除掉因醫(yī)療器械，醫(yī)生經(jīng)驗(yàn)，患者配合程度等客觀因素產(chǎn)生的大量低質(zhì)量的眼底照片；另一方面，只具有分類效果的單一神經(jīng)網(wǎng)絡(luò)模型不能顯示供醫(yī)生進(jìn)一步分析的糖網(wǎng)病變細(xì)節(jié)。

發(fā)明內(nèi)容

本發(fā)明目的是為了克服現(xiàn)有技術(shù)的不足而提供一種能夠把控糖網(wǎng)圖像質(zhì)量，進(jìn)行糖網(wǎng)等級(jí)初步篩查，以及為后續(xù)分析提供精細(xì)信息功效的基于卷積神經(jīng)網(wǎng)絡(luò)的多模型糖網(wǎng)病變自動(dòng)篩查方法。

為達(dá)到上述目的，本發(fā)明采用的技術(shù)方案是：基于卷積神經(jīng)網(wǎng)絡(luò)的多模型糖網(wǎng)病變自動(dòng)篩查方法，包括如下步驟：

獲取眼底圖像；

利用糖網(wǎng)圖像質(zhì)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(wǎng)等級(jí)分類器模塊獲取正常眼底圖像中糖網(wǎng)圖像所屬病變的糖網(wǎng)國(guó)標(biāo)等級(jí)；

通過糖網(wǎng)病變區(qū)域檢測(cè)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(wǎng)圖像所屬病變的糖網(wǎng)國(guó)標(biāo)等級(jí)和病變位置以及類別信息通過糖網(wǎng)早期篩查等級(jí)分類融合模塊融合后獲取篩查等級(jí)；

將病變位置以及類別信息通過卷積神經(jīng)網(wǎng)絡(luò)類別激活映射模塊后，獲取出血位置的精確面積。

進(jìn)一步的，所述利用糖網(wǎng)圖像質(zhì)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(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的模型中，形成維度為4096的特征向量；

S2:特征向量經(jīng)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(biāo)簽。