[發明專利]基于暗通道和亮通道的眼底圖像質量評估方法

在審

• 申請號: 202011494714.4
• 申請日: 2020-12-17
• 公開（公告）號: CN112598633A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 鄒北驥;程真真;徐子雯;劉晴
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/90;G06N3/04;G06N3/08
• 代理公司: 長沙永星專利商標事務所(普通合伙) 43001
• 代理人: 周詠;米中業

本發明公開了一種基于暗通道和亮通道的眼底圖像質量評估方法，包括獲取眼底圖像的歷史數據并標注；構建初步眼底圖像質量評估模型；采用標注后的眼底圖像歷史數據訓練初步眼底圖像質量評估模型得到眼底圖像質量評估模型；采用眼底圖像質量評估模型對目標眼底圖像進行識別評估得到最終的眼底圖像質量實時評估結果。本發明方法不僅實現了圖像質量的評估，而且可靠性高、實用性好、準確性高且易于實施。

技術領域

本發明屬于圖像處理領域，具體涉及一種基于暗通道和亮通道的眼底圖像質量評估方法。

背景技術

隨著經濟技術的發展和人們生活水平的提高，人們對于健康的關注也越來越高。

視網膜圖像能夠較好的反映眼睛眼底的狀態，是人們了解自身眼底狀態的重要檢查依據。目前，隨著人們對于健康的關注度越來越高，視網膜圖像在醫學上的需求和應用也越來越廣泛。獲取視網膜圖像后，醫技人員首先需要對獲取的視網膜圖像的圖像質量進行評估：只有高質量的視網膜圖像，才能夠傳遞到臨床的醫生的手中，進而幫助臨床醫生獲取更多有用的信息。

目前的視網膜圖像的圖像質量評估方法，一般采用的是醫技人員人工評估的方式。但是，醫技人員憑借自身的業務水平對圖像質量進行評估，存在較大的主觀因素，導致圖像質量評估結果的可靠性不高，質量評估結果嚴重依賴于醫技人員的主觀意識和業務水平；此外，人工評估的方式效率較差，成本高昂。

目前，研究人員已經開發了采用機器學習算法來進行視網膜圖像的圖像質量評估的技術。但是，這類檢測算法大都著眼于眼底圖像中紋理、色彩、對比度等信息的分析，通常流程為選擇一種自然場景圖像分類的深度學習模型，以彩色眼底圖像數據集為訓練集學習視網膜圖像的豐富的深層特征，進行微調或者將眼底圖像的色彩空間的信息進行分別提取然后融合學習以此得到最終質量評估結果。這類方法一方面要求單個網絡的復雜性，引入多框架并行來學習圖像質量評估的先驗知識以便獲得更加全面的質量評估依據信息使學習的模型更加具有魯棒性；另一方面其訓練的模型由于復雜的框架和需要優化的參數迅速增加，輔助任務的學習還需要額外的注釋數據且整個框架無法端到端的訓練。

因此，無論是人工評估還是智能算法評估，目前的視網膜圖像的圖像質量評估方法的可靠性都不高，而且實用性較差。

發明內容

本發明的目的在于提供一種可靠性高、實用性好、準確性高且易于實施的基于暗通道和亮通道的眼底圖像質量評估方法。

本發明提供的這種基于暗通道和亮通道的眼底圖像質量評估方法，包括如下步驟：

S1.獲取眼底圖像的歷史數據，并對獲取的眼底圖像進行人工標注；

S2.構建初步眼底圖像質量評估模型；

S3.采用步驟S1獲取的標注后的眼底圖像歷史數據，對步驟S2構建的初步眼底圖像質量評估模型進行訓練，從而得到眼底圖像質量評估模型；

S4.采用步驟S3獲取的眼底圖像質量評估模型，對目標眼底圖像進行識別評估，從而得到最終的眼底圖像質量實時評估結果。

步驟S2所述的構建初步眼底圖像質量評估模型，具體為采用如下步驟構建模型：

采用固定高斯核和通道合并池化層的深度卷積估計暗通道和亮通道的先驗信息；

對于輸入的圖像，將每個顏色通道與固定高斯核卷積后，再進行逐個通道最小化合并運算來估計暗通道的先驗信息；將每個顏色通道與固定高斯核卷積后，再進行逐個通道最大化合并運算來估計亮通道的先驗信息

模型主網絡為DenseNet-121網絡，共包括若干個密集塊；由先驗引導模塊獲得的先驗信息圖級聯輸入密集塊，首先經過卷積處理，然后是全局平均池化層和完全連接層；完全連接層將模型學習到的特征映射為圖像質量評估結果；