[發(fā)明專利]基于分割和分類相融合的糖尿病性視網(wǎng)膜病變檢測方法

在審

• 申請?zhí)枺?/td>: 202211290018.0
• 申請日: 2022-10-21
• 公開（公告）號: CN115661066A
• 公開（公告）日: 2023-01-31
• 發(fā)明（設計）人: 陳宇;徐仕豹
• 申請（專利權(quán)）人: 東北林業(yè)大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/26;G06V10/764;G06V10/82
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種基于分割和分類相融合的糖尿病性視網(wǎng)膜病變檢測方法，基于分割和分類相融合的糖尿病性視網(wǎng)膜病變檢測方法：首先獲取相關IDRiD和DDR的數(shù)據(jù)集。對數(shù)據(jù)集進行預處理，將其裁剪為512x512的尺寸，同時進行對比度增強，使得圖像的病變信息表現(xiàn)的更加明顯。為了降低DR分類的難度和解決圖像域差異的問題，我們采用兩階段的分類網(wǎng)絡實現(xiàn)DR的五分類。在第一階段中，使用ST?Net對NPDR和PDR數(shù)據(jù)進行分類。在第二階段中，使用改進的UNet和ViSion Transformer相結(jié)合(稱為MT?SNet)對病變進行分割，再融入到原始圖像中。在分割后的NPDR數(shù)據(jù)中，再使用SRVGG進行分類。

技術領域：

本發(fā)明涉及糖尿病視網(wǎng)膜領域，尤其涉及一種基于分割和分類相融合的糖尿病性視網(wǎng)膜病變檢測方法。

背景技術：

目前，糖尿病視網(wǎng)膜病變診斷檢測的研究領域已經(jīng)有了很多重要發(fā)現(xiàn)。國外基于全局圖像的糖尿病視網(wǎng)膜分類針對全圖的整體特征信息來設計不同的特征提取方法進行分類，不需要針對單一的病灶特征信息進行特定的檢測方法，避免復雜的特征提取工作。2014年Antal提出了一種基于整體的糖尿病視網(wǎng)膜病變篩查方法。該方法是基于從幾種視網(wǎng)膜圖像處理算法的輸出中提取的特征，例如圖像級別(質(zhì)量評估，預篩查，AM/FM)，病變特定(微動脈瘤，滲出液)和解剖結(jié)構(gòu)(黃斑，視盤)。然后由一組機器學習分類器做出有關疾病存在的最終判斷。2016年Pratt提出了一種基于CNN的方法，用于從數(shù)字眼底圖像診斷DR并對其嚴重性進行準確分類。開發(fā)了具有CNN特性的體系結(jié)構(gòu)和數(shù)據(jù)增強功能的網(wǎng)絡，該網(wǎng)絡可以識別分類任務中涉及的復雜特征，例如視網(wǎng)膜上的微動脈瘤，滲出液和出血，因此可以自動進行診斷，而無需用戶輸入。2019年Torre等提出了糖尿病性視網(wǎng)膜病深度學習可解釋的分類器。一方面，它將視網(wǎng)膜圖像分類為具有可分辨特征的不同嚴重程度。另一方面，該分類器能夠通過為隱藏和輸入空間中的每個點分配分數(shù)來解釋分類結(jié)果。

在我國，已經(jīng)有很多高等院校進行了糖尿病視網(wǎng)膜分類檢測的研究，并且取得很多成果。2012年，哈爾濱工業(yè)大學的陳向在分類階段，針對分辨硬性滲出的需求，分析其圖像中的特點后對所有待檢驗區(qū)域抽取了44個特征向量，使用支持向量機(SupportVectorMachine,SVM)進行分類，進而獲得最終的分類器。2017年，人工智能技術得到了社會各界的廣泛關注,深度學習日漸成為人工智能領域的主流學習算法。2017年，北京交通大學的丁蓬莉根據(jù)視網(wǎng)膜數(shù)據(jù)集的特殊性提出了一系列圖像預處理方式，設計了緊湊的神經(jīng)網(wǎng)絡模型—CompactNet，比較了迭代次數(shù)和Kappa，可以得出CompactNet網(wǎng)絡的微調(diào)方法要優(yōu)于其他的網(wǎng)絡的結(jié)論。先對圖像數(shù)據(jù)集進行了數(shù)據(jù)預處理，使得不同類別的數(shù)量得到均衡。然后在DSN中添加了針對分類的監(jiān)督信號，使得網(wǎng)絡訓練的準確率提高，訓練時間也由15天減少至2.5天。同年，深圳大學的熊彪使用卷積神經(jīng)網(wǎng)絡對視網(wǎng)膜圖像進行分類。在進行數(shù)據(jù)預處理擴增圖像后，使用遷移學習對網(wǎng)絡結(jié)構(gòu)進行預訓練，最后使用視網(wǎng)膜圖像對網(wǎng)絡進行訓練。2018年周磊為了實現(xiàn)DR分類提出的一種多階段注意力模型，這種注意力機制與CNN相結(jié)合提高分類的準確率。此外，使用稠密條件隨機場進行圖像分割，并使用多目標的分割算法對病灶進行了分割。

發(fā)明內(nèi)容：

本發(fā)明為了克服現(xiàn)有方法的不足和缺點，提出一種基于分割和分類相融合的糖尿病性視網(wǎng)膜病變檢測方法，特別是針對目前該領域數(shù)據(jù)存在域差異的問題，該發(fā)明將病變進行分割，作為分類的主要依據(jù)。以解決糖尿病視網(wǎng)膜病變診斷檢測數(shù)據(jù)域差異的問題。

一種基于分割和分類相融合的糖尿病性視網(wǎng)膜病變檢測方法，其特征在于，包括如下步驟：

步驟1：獲取IDRiD和DDR公開的數(shù)據(jù)集，同時對數(shù)據(jù)集進行預處理；

步驟2：使用設計的ST-Net對NPDR和PDR數(shù)據(jù)進行分類；

步驟3：基于傳統(tǒng)的UNet網(wǎng)絡，對其中的Encoder進行改進，并融入VisionTransformer(構(gòu)成MT-SNet)對NPDR的視網(wǎng)膜病變分割。并將分割的病變再融入到對應的原始視網(wǎng)膜圖中；