[發明專利]一種基于深度學習的彩色眼底圖像青光眼篩查方法及系統

在審

• 申請號: 202011181380.5
• 申請日: 2020-10-29
• 公開（公告）號: CN112288720A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 石文秀;黨康;丁曉偉;張政
• 申請（專利權）人: 蘇州體素信息科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海段和段律師事務所 31334
• 代理人: 李佳俊;郭國中

1.一種彩色眼底圖像青光眼篩查方法，其特征在于，包括：

步驟M1：采集不同來源的彩色眼底圖像數據，并對部分彩色眼底圖像數據進行標注；

步驟M2：對采集到的彩色眼底圖像數據進行預處理；

步驟M3：利用預處理后的標注的圖像數據訓練卷積神經網絡，直至損失函數收斂，得到訓練后的卷積神經網絡，利用預處理后的未標注的彩色眼底圖像數據對訓練后的卷積神經網絡進行半監督方法訓練，得到半監督方法訓練后的卷積神經網絡；

步驟M4：利用半監督方法訓練后的卷積神經網絡分割眼底圖像中的視盤視杯區域，根據分割結果判斷青光眼。

2.根據權利要求1所述的彩色眼底圖像青光眼篩查方法，其特征在于，所述步驟M1包括：

步驟M1.1：采集不同年齡段的青光眼和非青光眼的眼底病變圖像；

步驟M1.2：將采集到的眼底病變圖像進行部分標注，標注為訓練數據和測試數據；未標注的眼底病變圖像大于等于標注的眼底病變圖像。

3.根據權利要求1所述的彩色眼底圖像青光眼篩查方法，其特征在于，所述步驟M2包括：

步驟M2.1：對采集到的彩色眼底圖像數據進行掩膜處理，得到掩膜處理后的圖像數據；

步驟M2.2：對掩膜處理后的圖像數據進行數據增強處理，得到數據增強后的圖像數據；

步驟M2.3：對數據增強后的圖像數據進行歸一化處理。

4.根據權利要求1所述的彩色眼底圖像青光眼篩查方法，其特征在于，所述步驟M3中卷積神經網絡包括：分割網絡；所述分割網絡包括分割網絡S1、分割網絡S2和分割網絡S3；

所述分割網絡獲取眼底病變圖像內容，提取眼底病變圖像中的視盤視杯結構特征并進行分割；

所述分割網絡S1獲取整個眼底病變圖像的全局信息，并對視盤視杯進行定位，根據視盤視杯定位結果裁剪視盤視杯區域；

所述分割網絡S2和分割網絡S3根據視盤視杯區域獲得局部視盤視杯區域。

5.根據權利要求4所述的彩色眼底圖像青光眼篩查方法，其特征在于，所述步驟M3包括：

步驟M3.1：使用帶有標簽的訓練數據訓練分割網絡S1，直至Dice損失函數收斂，得到訓練后的分割網絡S1；

步驟M3.2：凍結訓練后的分割網絡S1權重參數，訓練分割網絡S2和分割網絡S3，直至相應的交叉熵損失函數Loss1收斂，得到訓練后的分割網絡S2和分割網絡S3；

步驟M3.3：解凍訓練后的分割網絡S1權重參數，根據Dice損失函數和分割網絡S2和分割網絡S3相應的交叉熵損失函數計算得到卷積神經網絡損失函數Loss2；訓練卷積神經網絡，直至卷積神經網絡損失函數收斂，得到訓練后的卷積神經網絡；

步驟M3.4：使用訓練后的卷積神經網絡預測無標簽的數據，加權融合分割網絡S2的局部視盤視杯概率圖和分割網絡S3反變換坐標系下的局部視盤視杯概率圖，生成標注作為無標注數據的偽標注；

步驟M3.5：根據預設規則過濾置信度不符合預設要求的圖像；

步驟M3.6：使用帶有標簽的訓練數據和生成偽標注的數據訓練卷積神經網絡，重復執行步驟M3.4至步驟M3.6，直至卷積神經網絡損失函數收斂。

6.根據權利要求1所述的彩色眼底圖像青光眼篩查方法，其特征在于，所述步驟M4包括：

步驟M4.1：眼底病變圖像通過訓練后的分割網絡S1得到初步分割結果；

步驟M4.2：利用初步分割結果定位和裁剪眼底病變圖像中的視盤視杯區域；

步驟M4.3：將視盤視杯區域輸入分割網絡S2，生成局部視盤視杯概率圖；

步驟M4.4：將視盤視杯區域經過空間變換得到變換后坐標系下的圖像，將變換后坐標系下的圖像輸入分割網絡S3，生成變化后坐標系下的局部視盤視杯概率圖；將變換后坐標系下的局部視盤視杯概率圖再進行空間變換的反變換，得到反變換坐標系下的局部視盤視杯概率圖；

步驟M4.5：將分割網絡S2生成的局部視盤視杯概率圖與分割網絡S3生成的反變換坐標系下的局部視盤視杯概率圖進行融合，得到融合后的局部視盤視杯概率圖；

步驟M4.6：根據融合后的局部視盤視杯概率圖計算垂直杯盤比、面積的開方之比、顳側盤沿寬度與鼻側盤沿寬度之比。