[發明專利]一種基于注意力機制和深監督策略的早產兒視網膜病變自動分區識別方法

在審

• 申請號: 202011161035.5
• 申請日: 2020-10-27
• 公開（公告）號: CN112308830A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 陳新建;彭圓圓
• 申請（專利權）人: 蘇州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 蘇州隆恒知識產權代理事務所(普通合伙) 32366
• 代理人: 金京

本申請實施例公開一種基于注意力機制和深監督策略的早產兒視網膜病變自動分區識別方法，包括圖像的預處理，將二維視網膜眼底彩照圖像利用雙線性插值下采樣到256×256并進行減均值處理；對數據進行在線數據擴增操作；網絡結構的搭建，通過在DenseNet121卷積神經網絡中設置空間通道注意力模塊SACAB并引入深監督策略搭建為網絡結構；模型的訓練和測試，通過遷移學習將ImageNet上預訓練的DenseNet121卷積神經網絡作為預訓練模型，并通過訓練集中的數據訓練網絡結構，網絡結構訓練結束后，通過測試集測試網絡結構的性能。本申請實現了對早產兒視網膜眼底彩照圖像中I區/II區/III區的自動分類識別，為后續的ROP自動診斷奠定基礎。

技術領域

本申請涉及視網膜圖像分類方法技術領域，具體是一種基于注意力機制和深監督策略的早產兒視網膜病變自動分區識別方法。

背景技術

早產兒視網膜病變(Retinopathy of Prematurity,ROP)是一種視網膜血管增生性疾病，是早產兒眼部最危險、最嚴重的并發癥之一，是全球兒童致盲的主要原因。在大多數情況下，如果及時診斷和治療得當，ROP是可以治愈的。國際ROP分類(Internationalclassification of ROP,ICROP)定義了三個臨床檢查參數:區、期和附加疾病(Plus)。ICROP根據病變位置的不同，將臨床ROP分區定義為I、II和III區，病變越靠近后極部，病情越嚴重。也就是說，I區的病變最嚴重，III區的病變最輕。大多數ROP病變發生在III區，其次為II區。有研究表明對于嚴重的ROP，分區識別尤為重要。然而，眼科醫生直接從視網膜眼底彩照中進行區域識別的準確率不高且具有主觀性。因此，基于視網膜眼底彩照的ROP自動分區識別是非常重要的。

近年來，隨著深度學習的迅速發展，許多基于卷積神經網絡(ConvolutionalNeural Networks，CNN)的深度學習方法應用于醫學圖像分析。目前，基于視網膜眼底彩照的ROP研究工作主要集中在附加疾病(Plus)的識別和ROP的篩查，但是關于ROP三個區域的分區研究還很少。其中，Worrall等人使用ImageNet上預訓練的GoogLeNet對ROP中是否存在附加疾病進行了分類，這是首次嘗試采用深度神經網絡來識別附加疾病。毛建波等人利用深度學習網絡對視網膜血管和視盤進行分割，通過對血管曲率、寬度等病理特征的自動定量分析，進行附加疾病診斷。胡俊杰等人利用在ImageNet上預訓練的Inception-v2網絡識別ROP的存在和嚴重程度。張國明等人使用在ImageNet上預訓練的VGG16網絡實現ROP的篩查。彭圓圓等人利用ImageNet上預訓練的ResNet18網絡并結合注意力機制實現ROP的自動篩查。對于ROP分區識別的研究，趙金鳳等人使用在Microsoft COCO數據集上預訓練的ResNet50在視網膜眼底彩照上自動繪制I區邊界來進行ROP I區的識別。該算法首先檢測出圖像中的視盤和黃斑，然后定位視盤和黃斑中心，最后根據ICROP標準劃分I區，根據ROP病灶是否在I區來判斷病情的嚴重程度。盡管該自動識別ROP I區的深度學習框架取得了良好的結果，但是仍然存在許多限制。首先，該算法對I區的識別是基于對視網膜眼底彩照中視盤和黃斑的檢測，由于單張眼底彩照的視野有限，在ROP病變臨床分析往往需要采集多張多視角的視網膜眼底彩照，即在未同時出現視盤和黃斑兩個結構的視網膜眼底彩照不能使用該算法進行分析。其次，該ROP I區識別方法的性能取決于視盤和黃斑的檢測精度。然而，新生兒的黃斑發育不完全，對應的眼底彩照中黃斑結構不明顯，可能導致黃斑的識別準確率較低，進而影響ROP I區的識別精度。最后，該算法僅實現了對I區的自動識別，并未涉及II區和III區自動識別的研究。目前，ROP三區的自動識別研究尚未見報道，這對于評估ROP的嚴重程度很重要。

發明內容

本申請旨在解決上述技術問題，提供一種基于注意力機制和深監督策略的早產兒視網膜病變自動分區識別方法，實現對早產兒視網膜眼底彩照圖像中I區/II區/III區的自動分類識別，為后續的ROP自動診斷奠定基礎。