[發明專利]視網膜血管測量

在審

• 申請號: 202080013842.4
• 申請日: 2020-02-11
• 公開（公告）號: CN113439278A
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 許為寧;李夢莉;徐德江;黃天蔭;張艷蕾
• 申請（專利權）人: 新加坡國立大學;新加坡保健服務集團有限公司
• 主分類號: G06N3/02
• 分類號: G06N3/02
• 代理公司: 北京匯知杰知識產權代理有限公司 11587
• 代理人: 李潔;董江虹

公開了一種用于訓練神經網絡以量化視網膜眼底圖像的血管口徑的方法。所述方法包含：接收多個眼底圖像；預處理所述眼底圖像以使所述眼底圖像的圖像特征歸一化；以及訓練多層神經網絡，所述神經網絡包括卷積單元、與過渡單元交替用于對由所述神經網絡確定的圖像特征進行下采樣的多個密集塊、以及全連接單元，其中每個密集塊包括一系列裝有多個卷積的cAdd單元，并且每個過渡層包括具有池化的卷積。

技術領域

本發明涉及用于根據眼底照片進行自動視網膜血管測量的深度學習系統。

背景技術

臨床研究已經表明，視網膜血管結構的改變是潛在心血管疾病(CVD)和其他狀況——諸如癡呆和糖尿病——的早期預警。這是因為視網膜小動脈和小靜脈的狀況反映身體其他部位的血管的狀況。

當前，由人類評估員對視網膜照片的評分受到實施問題、評估員的可用性和培訓以及長期財務可持續性的挑戰。深度學習系統(DLS)已經被提出作為對視網膜圖像的大規模分析的選擇。DLS利用人工智能和表示學習方法(representation-learning method)來處理自然原始數據，從而識別高維信息中的復雜結構。與用以檢測特定圖像、模式(pattern)和病變的傳統模式識別類型軟件相反，DLS使用大型數據集來實現有意義的模式或特征的采掘、提取和機器學習。

DLS的性能部分地取決于從圖像提取特征的神經網絡的層的連通性(connectedness)?？捎玫奶卣鞯臄的吭酱?，評估的置信度就越高。然而，這是以存儲器(memory，內存)和其他計算機資源為代價的。當尋求訓練神經網絡以確保誤差被反向傳播通過神經網絡時，也會存在問題——例如消失梯度(vanishing gradient)問題。

因此，期望的是，提供一種通過多種多樣的視網膜圖像來訓練DLS的方法，以解決目前的現有技術中所提到的問題和/或為公眾提供有用的選擇。

發明內容

本發明涉及一種用于對心血管障礙進行無創觀察的用于自動視網膜血管測量的新型深度學習系統。具體地，本發明的實施方案涉及用于獲得視網膜圖像特性以及基于視網膜血管特性自動計算與醫學狀況相關的度量(measure)的方法。

本文公開了一種用于訓練用于自動視網膜血管測量的神經網絡的方法，所述方法包括：

接收多個眼底圖像；

預處理所述眼底圖像以使所述眼底圖像的圖像特征歸一化；以及

在訓練多層神經網絡，所述神經網絡包括卷積單元(convolutional unit)、與過渡單元(transition unit)交替用于對由所述神經網絡確定的圖像特征進行下采樣的多個密集塊(dense block)、以及全連接單元(fully-connected unit)，其中每個密集塊包括一系列裝有多個卷積的cAdd單元，并且每個過渡層包括具有池化(pooling)的卷積。

所述方法還可以包括：將每個cAdd單元的輸入通道分組為非重疊群組并且將所述cAdd單元的輸出添加到所述非重疊群組中的一個，由此形成到所述系列中的下一個cAdd單元的輸入，并且對于所述cAdd單元中的連續的cAdd單元，所述系列中的前一個cAdd單元的輸出被添加到所述非重疊群組中的一個不同的群組。在本上下文中，所述cAdd單元形成一個系列。在處理期間，輸入被提供給所述系列中的第一cAdd單元，并且該單元處理該輸入并且將其傳遞到所述系列中的下一個cAdd單元，依此類推，直到最后一個cAdd單元。結果，將理解，一個給定的系列中的每個cAdd單元(除了第一cAdd單元以外)將具有“前一個”cAdd單元，該“前一個”cAdd單元是每個cAdd單元從其接收輸出的單元。類似地將理解，一個給定的系列中的每個cAdd單元(除了最后一個cAdd單元以外)將具有“下一個”cAdd單元，每個cAdd單元將其輸出傳遞到該“下一個”cAdd單元。

所述方法可以包括：自動檢測每個眼底圖像中的視神經盤的中心，以及將相應的圖像裁剪到以視神經盤中心為中心的預先確定的尺寸的區域。