[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

本發明提供了一種彩色眼底圖像青光眼篩查方法及系統，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。本發明采用了數據增強和半監督方法學習，提高模型的穩定性，降低算法對標注數據的需求。

技術領域

本發明涉及醫學影像領域，具體地，涉及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，更為具體地，涉及一種基于空間轉換和半監督學習的彩色眼底圖像青光眼篩查方法及系統。尤其涉及基于空間轉換的彩色眼底視盤視杯分割網絡和基于低標注數據的半監督訓練方式，以提高視盤視杯分割精度和模型的穩定性。

背景技術

青光眼是一種導致視神經進行性、特征性損傷的疾病，具有高患病率及高致盲率的特點，是我國乃至全球第一位的不可逆致盲性眼病。早期的診斷和治療對于提高青光眼患者生活質量至關重要，早期確診的患者通過合理治療，絕大部分可以終生保有視功能。然而目前青光眼篩查中存在缺乏早期發現的有效手段、不典型及復雜性青光眼診斷難度大、隨診困難等問題；傳統意義上的醫療資源配置調整、病因學研究投入增加等策略難以改變現狀；而且青光眼診斷仍然存在醫生主觀因素影響，特別是在早期青光眼檢測中；同時我國醫療資源分布差距明顯，基層醫院對青光眼診療水平不理想且診治水平差異較大。近年來很多高質量的AI算法已成功應用于輔助醫學診斷，在基層醫院推廣普及AI輔助診斷技術可以很好的解決醫療資源分布不均、醫師水平差異較大及效率低的問題,盡可能的避免因早期漏診導致青光眼視功能損害及青光眼致盲的發生。

臨床上，檢驗青光眼的方法主要包括：眼壓檢測，基于功能的視野檢測，視神經頭評估等。病理性高眼壓是青光眼的普遍癥狀，而然也有少部分青光眼患者眼壓是正常的，而有高眼壓患者也不一定患有青光眼，因此眼壓檢測并不能用來作為診斷青光眼的唯一依據；功能性視野檢測需要特定的設備，并且有些青光眼患者在早期并沒有視覺上的明顯癥狀；視神經頭是一種比較流行的基于臨床指標度量的評估方式，如杯盤比等，杯盤比越大，青光眼的風險越高。為了自動篩查青光眼，人們研究了一些基于度量的方法，首先分割出主要的眼底圖像結構如視盤和視杯區域，再根據分割結果計算一些度量參數來預測青光眼。然而這些方法依賴于分割精度，而分割精度又容易收到一些因素的干擾。

現有技術中，由于深度學習十分依賴大量的標注數據，相比自然圖像，利用深度學習進行醫學圖像分割任務的一大障礙源于分割標注難以獲得，且標注質量難以控制。在眼底圖像視盤視杯分割任務中，眼底病變復雜，種類繁多，視盤區域病變嚴重影響視盤視杯的標注，尤其是視杯的標注，依賴標注醫生主觀性經驗性地判斷。

Fu等人[1]提出了一種青光眼篩查神經網絡，首先對全局級眼底圖像進行視盤分割，根據視盤分割結果剪裁視盤區域，將剪裁后的視盤區域和極坐標轉換后的視盤區域分別輸入到青光眼的分類網絡中，從而進行青光眼篩查。然而，分類網絡的可解釋性相對較差，不能滿足臨床上提供杯盤比等量化參數的需求。

Fu等人[2]提出的基于極坐標轉換的視杯視盤分割方法，該方法主要研究的是剪裁后的視盤區域經過極坐標轉換后的分割模型，然而該方法對于數據質量和視盤區域定位的準確性的要求比較高，對于視盤區域有嚴重病變的數據，視盤區域的精準定位和剪裁比較困難，并且單一的視盤區域極坐標轉換后的分割模型，極坐標轉換分割后，在θ為0度和360度位置附近經過極坐標反變換后可能出現不連續的問題。針對這些問題，本專利采用了multi stream聯合訓練的方法融合了全局特征和局部特征/極坐標空間特征和笛卡爾空間特征，提高分割準確性。