CN111507932A - 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 - Google Patents

高特异性的糖尿病性视网膜病变特征检测方法及存储设备 Download PDF

Info

Publication number
CN111507932A
CN111507932A CN201910098174.9A CN201910098174A CN111507932A CN 111507932 A CN111507932 A CN 111507932A CN 201910098174 A CN201910098174 A CN 201910098174A CN 111507932 A CN111507932 A CN 111507932A
Authority
CN
China
Prior art keywords
fundus image
lesion
delineation
focus
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910098174.9A
Other languages
English (en)
Other versions
CN111507932B (zh
Inventor
余轮
林嘉雯
潘林
薛岚燕
曹新容
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou Yiying Health Technology Co ltd
Original Assignee
Fuzhou Yiying Health Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou Yiying Health Technology Co ltd filed Critical Fuzhou Yiying Health Technology Co ltd
Priority to CN201910098174.9A priority Critical patent/CN111507932B/zh
Publication of CN111507932A publication Critical patent/CN111507932A/zh
Application granted granted Critical
Publication of CN111507932B publication Critical patent/CN111507932B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及医学图像处理技术领域，特别涉及高特异性的糖尿病性视网膜病变特征检测方法及存储设备。所述高特异性的糖尿病性视网膜病变特征检测方法，包括步骤：通过预设步骤对眼底图像的病变区域进行病灶特征检测；对经过预设步骤处理后的眼底图像进行预处理；提取预处理后的眼底图像的主血管；根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；根据视盘圈定结果、黄斑中心凹圈定结果和主血管对病灶特征检测的特异性进行进一步完善。较之只能体现出眼底图像级别、基于图像级别的眼底图像分类方法或仅仅通过深度学习的病灶特征提取方法能够通过直接获取红色和亮色病灶的位置、类型和个数后，减少病灶检测错误的方法，提升病灶特征检测的特异性。

Description

高特异性的糖尿病性视网膜病变特征检测方法及存储设备
技术领域
本发明涉人工智能与医学图像处理技术领域，特别涉及高特异性的糖尿病性视网膜病变特征检测方法及存储设备。
背景技术
糖尿病视网膜病变(Diabetic Retinopathy,DR)是一种慢性且不易察觉的疾病，是人类致盲的主要原因之一。因此，在正常人群中，及早、定时筛查DR是非常必要的。大规模眼底图像的筛查增加了医生的负担，为了降低医生的工作量并提高效率，在DR筛查系统中实现病灶自动检测具有重大意义。
在DR早期检测的研究中，出血点、血管瘤(红色病灶)和渗出物(亮色病灶)的检测尤为重要。然而，眼底图像中的解剖结构和病灶在某些特征上的相似性以及成像的硬件条件造成的眼底图像质量问题给DR的检测带来难度。
纵观2017年以来国内外的许多人工智能DR筛查的眼底图像自动分析系统大都追求高敏感度、高准确率或高精确率，而忽略了医学上的特异性，产生了许多不必要的误判，对广大医生不但起不了多少帮助，而且特异性奇低！人工智能的系统本来是为了更好地辅助医生完成DR病灶特征的判读和分级，误判率奇高，不但严重影响DR分级，而且还反而迫使医生花更多的时间去排除可能误判的病灶或特征点，误判出来的这些病灶对医生倒是越帮越忙！特异性太低就难以投入实际应用！
发明内容
为此，需要提供高特异性的糖尿病性视网膜病变特征检测方法，用以解决上述技术问题，具体的技术方案如下：
高特异性的糖尿病性视网膜病变特征检测方法，包括步骤：通过预设步骤对眼底图像的病变区域进行病灶特征检测；对经过预设步骤处理后的眼底图像进行预处理；提取预处理后的眼底图像的主血管；根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；根据视盘圈定结果、黄斑中心凹圈定结果和主血管对病灶特征检测的特异性进行进一步完善。
进一步的，所述“通过预设步骤对眼底图像的病变区域进行病灶特征检测”，还包括步骤：利用迁移学习和集成学习的方法对眼底图像进行分级；利用弱监督学习算法对眼底图像病变区域进行定位；利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型；利用所述病灶模型在眼底图像的病变区域进行病灶特征检测。
进一步的，所述“对所述眼底图像进行预处理；提取预处理后的眼底图像的主血管；根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定”，还包括步骤：所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的均衡化和归一化处理；对预处理后的眼底图像通过大津算法提取二值化血管图，并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息；对主血管进行抛物线拟合计算，根据计算结果定位视盘中心和圈定视盘边缘；以视盘中心作为圆心，第一预设半径值和第二预设半径值，构建圆形，形成环形区域；在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位和圈定黄斑边缘。
进一步的，所述“利用迁移学习和集成学习的方法对眼底图像进行分级”，还包括步骤：使用预训练好的模型初始化VGGNet16和GoogLeNet模型参数，利用kaggle-DR数据集中的DR图像分级标签和图像对这两个模型进行微调；把原来全连接层1000个输出，改为4个输出，分别对应健康、轻度、中度和重度四个DR图像分级；通过反向传播算法对预初始化的卷积神经滤波器的权重进行微调，使整个卷积神经网络符合眼底图像的特点。
进一步的，利用微调后的两个模型提取眼底图像特征向量分别训练五种分类器；采用集成学习方法，通过平均法对多个分类器的判别结果取平均，共同判断眼底图像的类别。
进一步的，所述“利用弱监督学习算法对DR病变区域进行定位”，还包括步骤：对眼底图像应用卷积神经网络的类别激活映射算法生成热图，对热图进行归一化和阈值分割，大于预设阈值的部位则判定为病变区域。
进一步的，所述“利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型”，还包括步骤：根据数据集中的病灶标注，利用滑动窗口在病灶标签区域和非病灶标签区域截取图像块，作为正负样本训练卷积神经网络和支持向量机分类器。
进一步的，所述“利用所述病灶模型在眼底图像的病变区域进行病灶特征检测”，还包括步骤：利用滑动窗口在由弱监督学习得到的病变区域上截取图像块，通过所述病灶模型对所述图像块进行特征提取并分类检测，判断所述图像块是否是病灶及其病灶类型。
为解决上述技术问题，还提供了一种存储设备，具体的技术方案如下：
一种存储设备，其中存储有指令集，所述指令集用于执行：上述提到的任意一个步骤。
本发明的有益效果是：通过预设步骤对眼底图像的病变区域进行病灶特征检测；在此基础上，再对经过预设步骤处理后的眼底图像进行预处理；提取预处理后的眼底图像的主血管；根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；根据视盘圈定结果、黄斑中心凹圈定结果和主血管提取结果，对病灶特征检测的特异性进行进一步完善，即对病灶特征的检测结果进行检测，去除错误的检测结果。通过以上步骤，较之只能体现出眼底图像级别、基于图像级别的眼底图像分类方法或仅仅通过深度学习的病灶特征提取方法能够通过直接获取红色和亮色病灶的位置、类型和个数后，减少病灶检测错误的方法，提升病灶特征检测的特异性。
附图说明
图1为具体实施方式所述高特异性的糖尿病性视网膜病变特征检测方法的流程图；
图2为具体实施方式所述步骤通过预设步骤对眼底图像的病变区域进行病灶特征检测的流程图；
图3为具体实施方式一种存储设备的模块示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1至图2，在本实施方式中，高特异性的糖尿病性视网膜病变特征检测方法特别应用于一种存储设备上，所述存储设备可以是智能手机、平板电脑、台式电脑、笔记本电脑、云服务器、云存储器、机房服务器、工作站等等。
首先对本实施方式中会出现的一些英文缩写做以下解释说明：
CNN：卷积神经网络。
SVM：支持向量机。
需要说明的是，在本实施方式中，所述眼底图像特指被确诊为患有糖尿病的患者的眼底图像。
在本实施方式中，高特异性的糖尿病性视网膜病变特征检测方法的具体实施方式如下：
步骤S101：通过预设步骤对眼底图像的病变区域进行病灶特征检测。
步骤S102：对经过预设步骤处理后的眼底图像进行预处理。
步骤S103：提取预处理后的眼底图像的主血管。
步骤S104：根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定。
步骤S105：根据视盘圈定结果、黄斑中心凹圈定结果和主血管对病灶特征检测的特异性进行进一步完善。。
请参阅图2，上述步骤S101还可以采用如下步骤：
步骤S201：利用迁移学习和集成学习的方法对眼底图像进行分级。
步骤S202：利用弱监督学习算法对眼底图像病变区域进行定位。
步骤S203：利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型。
步骤S204：利用所述病灶模型在眼底图像的病变区域进行病灶特征检测。
利用迁移学习和集成学习的方法对眼底图像进行分级；利用弱监督学习算法对眼底图像病变区域进行定位；利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型；利用所述病灶模型在眼底图像的病变区域进行病灶特征检测。较之只能体现出眼底图像级别、基于图像级别的眼底图像分类方法，更准确地获取红色和亮色病灶的位置、类型和个数，减少病灶检测错误的情况，提升病变检测的特异性。
在本实施方式中，所述“利用迁移学习和集成学习的方法对眼底图像进行分级”，还包括步骤：使用预训练好的模型初始化VGGNet16和GoogLeNet模型参数，利用kaggle-DR数据集中的DR图像分级标签和图像对这两个模型进行微调；把原来全连接层1000个输出，改为4个输出，分别对应健康、轻度、中度和重度四个DR图像分级；通过反向传播算法对预初始化的卷积神经滤波器的权重进行微调，使整个卷积神经网络符合眼底图像的特点。
在本实施方式中，所述“使用预训练好的模型初始化VGGNet16和GoogLeNet模型参数，并对这两个模型进行微调”，还包括步骤：使用预训练好的模型初始化VGGNet16和GoogLeNet模型参数，利用kaggle-DR数据集中的DR图像分级标签和图像对这两个模型进行微调，使得原连接层一千个输出，变为四个输出，所述四个输出包括：健康、轻度、中度和重度四个眼底图像分级。
进一步的，还包括步骤：利用微调后的两个模型提取眼底图像特征向量分别训练五种分类器；采用集成学习方法，通过平均法对多个分类器的判别结果取平均，共同判断眼底图像的类别。
上述具体可采用如下方式：需要说明的是，在本实施方式中的数据集主要来自于免费DR筛查平台并由数据竞赛平台Kaggle公开，简称Kaggle-DR数据集。用在ImageNet数据集上预训练好的模型初始化VGGNet16和GoogLeNet模型参数，并利用Kaggle-DR数据集中的DR图像分级标签和图像对这两个模型进行微调，把原来全连接层1000个输出，改为4个输出，分别对应健康、轻度、中度和重度四个DR图像分级。通过反向传播算法对预初始化的CNN滤波器的权重进行微调，使整个CNN网络符合DR图像的特点。
利用上述模型提取眼底图像特征向量训练5个分类器，分别是VGGNet16分类层自带的Softmax分类器，GoogLeNet分类层自带的Softmax分类器，从微调后的VGGNet提取特征向量训练SVM分类器，从微调后的GoogLeNet提取特征向量训练SVM分类器，从微调后的VGGNet-16和GoogLeNet中提取特征向量训练SVM，
上述过程中采用PCA(Principal Component Analysis，主成分分析)算法对所述模型提取的特征向量(即：上面提到的眼底图像特征向量)进行降维，再训练相应的分类器。
采用集成学习方法构建多个分类器，通过平均法对多个分类器的判别结果取平均，共同判断眼底图像的类别。
在本实施方式中，所述“利用弱监督学习算法对DR病变区域进行定位”，还包括步骤：对眼底图像应用卷积神经网络的类别激活映射算法生成热图，对热图进行归一化和阈值分割，大于预设阈值的部位则判定为病变区域。可采用如下方式：在本实施方式中，通过二次采样或插值的方法，使待处理的眼底图像大小统一为512*512像素，最后一个卷积层的输出有1024个14*14的特征图，再采用双线性插值法把每个特征图扩大到原图大小，并提取GAP层与Softmax层的权重，最后，将每个特征图与相应权重相乘，再累加在一起，得到眼底图像的病变区域热图；再对热图进行归一化，阈值分割，当阈值大于0.65，则判定为病灶，其中GAP(Global Average Pooling，平均池化层)的卷积神经网络的CAM(Class ActivationMapping，类别激活映射)算法。GAP与最大池化层的主要区别在于，GAP先在每个特征图内部取平均，即把卷积核大小设为与特征图尺寸一样，把每个特征图变成一个值，再输入Softmax层中。
在本实施方式中，所述“利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型”，还包括步骤：根据数据集中的病灶标注，利用滑动窗口在病灶标签区域和非病灶标签区域截取图像块，作为正负样本训练卷积神经网络和支持向量机分类器。
具体可采用如下方式：根据数据集ROC和e-ophtha中的红色病灶的标注，获得病灶的外包围盒区域作为正样本，不含该类病灶的包围盒区域为负样本；根据数据集e-ophtha中亮色病灶的标注，利用滑动窗口在病灶标签区域和非病灶标签区域截取图像块，作为正负样本训练卷积神经网络和支持向量机分类器。其中ROC(Retinopathy OnlineChallenge)视网膜病变在线挑战和e-ophtha数据集均是现有的。
进一步的，所述“利用所述病灶模型在眼底图像的病变区域进行病灶特征检测”，还包括步骤：利用滑动窗口在由弱监督学习得到的病变区域上截取图像块，通过所述病灶模型对所述图像块进行特征提取并分类检测，判断所述图像块是否是病灶及其病灶类型。
进一步的，在本实施方式中，所述“对所述眼底图像进行预处理；对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定”，还包括步骤：所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的均衡化和归一化处理；对预处理后的眼底图像通过大津算法提取二值化血管图，并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息；对主血管进行抛物线拟合计算，根据计算结果定位视盘中心和圈定视盘边缘；以视盘中心作为圆心，第一预设半径值和第二预设半径值，构建圆形，形成环形区域；在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位和圈定黄斑边缘。
所述预处理可去除眼底图像中多余的背景，有效去噪，更有利于后续眼底图像分析的进行。
作为一种实施方式，可根据彩色眼底图像中，蓝色通道下噪声较多，有用的信息基本丢失，红色通道下两斑较为突出，而暗色的血管、微血管瘤以及出血点等信息丢失较多等情况，故在本实施方式中对待检查的彩色眼底图像进行绿色通道选择，最大程度地保留、突出眼底血管；对绿色通道下的眼底图像进行中值滤波，实现去噪；为能获得更好的血管提取的效果，对已经去噪的图像进行对比度增强。为避免图像增强后出现过亮的情况，本实施方式中采用有限的对比度增强方法CLAHE。最后，进行归一化处理，使得一幅图像中所有像素点的像素值均落在0-1之间。
对所述待处理的眼底图像进行预处理后，执行步骤S103：对预处理后的眼底图像通过大津算法提取二值化血管图，并通过形态学方法对所述二值化血管图进行腐蚀得到主血管；
作为一种实施方式，对预处理后的眼底图像通过大津算法计算阈值，并根据以下公式将灰度值大于阈值的像素认定为血管；
Figure BDA0001964986700000081
并根据视盘直径为图像宽度的1/8-1/5，及主血管的宽度为视盘直径的1/4构造结构元素，利用所述结构元素对已提取的血管进行腐蚀操作，去除细小血管，得到主血管。
得到主血管后，执行步骤S104：对主血管进行抛物线拟合计算，根据计算结果得到视盘中心的定位和视盘边缘圈定。
可采用如下方式：
以眼底图像左上角为原点，水平方向为X轴，垂直方向为Y轴，建立坐标系；将所述主血管中的各个像素点映射为所述坐标系的坐标；
如以下公式所示，根据最小二乘法对主血管进行抛物线拟合，确定抛物线的参数，并计算抛物线的顶点，
f(x)＝ax2+bx+c
Figure BDA0001964986700000091
判断所述抛物线顶点是否落在原眼底图像中，若所述抛物线顶点落在原眼底图像中，则定义所述抛物线顶点为视盘中心，坐标为(ODXX,ODYY)，并对视盘边缘进行圈定；进而自动或半自动的得到视盘的直径，以像素个数对视盘直径ODD进行描述。
完成视盘中心的定位和视盘边缘圈定后，执行步骤S105：行黄斑中心凹定位；可采用如下方式：以视盘中心作为圆心，第一预设半径值和第二预设半径值，构建圆形，形成环形区域；在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位。具体如下：
依据黄斑与视盘间的位置关系，由于黄斑中心凹与视盘中心的距离一般在2倍到3倍的ODD大小。故在本实施方式中，优选地以视盘中心为圆心，2倍ODD大小为半径，构建第一个圆；视盘中心为圆心，3倍ODD大小为半径，构建第二个圆，两个圆之间形成的环形区域定义为掩膜区域；接着在掩膜区域内，根据中心凹亮度最低的特点，完成中心凹的定位，得到其坐标MX和MY。在一种优选方式下，采用局部定向对比度方法实现中心凹位置的检测；最后根据亮度信息，以中心凹为圆心，圆形拟合黄斑区域。
以预设大小的滑动窗口对所述候选区域内的每个像素点进行扫描；
并根据黄斑区域为眼底图像中最暗的区域，及黄斑中心凹不包含任何血管，构造出评价公式；
所述评价公式如下所示：
Figure BDA0001964986700000101
其中，fvessel为在任意一窗口内对应血管分布图中非0的血管像素点个数的得分值，fintensity为任意一窗口内的亮度得分。在本实施方式中，眼底图像中最暗，即对应公式中的亮度得分；不包含血管，对应公式中血管像素点个数得分。
在本实施方式中，以视盘直径/4*视盘直径/4(即：(ODD/4)*(ODD/4))大小的滑动窗口对所述候选区域内的每个像素点进行扫描。
在本实施方式中，通过所有窗口的得分最大值进行归一化处理，获得fvessel；
通过计算出窗口内所有像素点的亮度平均值，并利用255进行归一化处理，获得fintensity。
计算各滑动窗口的评价值，选取评价值最小的滑动窗口对应的中心像素点作为黄斑中心凹；以所述黄斑中心凹为圆心，视盘直径大小为直径，划定圆形，所述圆形包围的区域设定为黄斑区域。
得到视盘圈定结果、黄斑中心凹圈定结果和主血管后，根据上述三者对病灶特征检测的特异性进行进一步提高或完善。具体可采用如下方式：去除所述圈定的黄斑中心凹一定比例直径的边缘圈内或与所述边缘圈有一定交集的病灶特征；所述病灶特征包括：出血点与血管瘤(均为红色病灶，形态及亮度有所不同)，标定所述圈定的视盘边缘圈内或与所述边缘圈有一定交集的病灶特征，以便提交给后续人工分析是确认是否删除，所述病灶特征包括：血管瘤与出血点；去除与所述主血管有一定交集的病灶特征；所述有一定交集的病灶特征包括：血管瘤与出血点。此外，对于视盘边缘圈内或与所述边缘圈有一定交集的白色或黄色病灶特征(怀疑为不该有的硬性渗出)，应予以标定，以便提交给后续人工分析是确认是否删除。
通过预设步骤对眼底图像的病变区域进行病灶特征检测；在此基础上，再对经过预设步骤处理后的眼底图像进行预处理；通过自动或半自动的交互式提取方法，提取预处理后的眼底图像的主血管、视盘和黄斑中心凹，根据视盘定位或圈定结果、黄斑中心凹定位或圈定结果和主血管提取结果，对病灶特征自动或半自动检测结果进行检测，去除错误的检测结果。通过以上步骤，较之只能体现出眼底图像级别、基于图像级别的眼底图像分类方法或仅仅通过深度学习的病灶特征提取方法能够通过直接获取红色和亮色病灶的位置、类型和个数后，减少病灶检测错误的方法，提升病灶特征检测的特异性。
请参阅图3，在本实施方式中，一种存储设备300的具体实施方式如下：
一种存储设备300，其中存储有指令集，所述指令集用于执行：上述提到的任意步骤。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。特别是本发明提出的一种去除或减少错误判读、提升病灶特征检测的特异性的方法，同样适合于其它所有能够获取红色和亮色病灶的位置、类型和个数的病灶特征提取方法。
因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。

Claims (9)

1.高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，包括步骤：
通过预设步骤对眼底图像的病变区域进行病灶特征检测；
对经过预设步骤处理后的眼底图像进行预处理；
提取预处理后的眼底图像的主血管；
根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；
根据视盘圈定结果、黄斑中心凹圈定结果和主血管对所述病灶特征检测方法做进一步的完善。
2.根据权利要求1所述的高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
所述“通过预设步骤对眼底图像的病变区域进行病灶特征检测”，还包括步骤：
利用迁移学习和集成学习的方法对眼底图像进行分级；
利用弱监督学习算法对眼底图像病变区域进行定位；
利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型；
利用所述病灶模型在眼底图像的病变区域进行病灶特征检测。
3.根据权利要求1所述的高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
所述“对所述眼底图像进行预处理；提取预处理后的眼底图像的主血管；根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定”，还包括步骤：
所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的均衡化和归一化处理；
对预处理后的眼底图像通过大津算法提取二值化血管图，并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息；
对主血管进行抛物线拟合计算，根据计算结果定位视盘中心和圈定视盘边缘；
以视盘中心作为圆心，第一预设半径值和第二预设半径值，构建圆形，形成环形区域；
在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位和圈定黄斑边缘。
4.根据权利要求2所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
所述“利用迁移学习和集成学习的方法对眼底图像进行分级”，还包括步骤：
使用预训练好的模型初始化VGGNet16和GoogLeNet模型参数，利用kaggle-DR数据集中的DR图像分级标签和图像对这两个模型进行微调；把原来全连接层1000个输出，改为4个输出，分别对应健康、轻度、中度和重度四个DR图像分级；
通过反向传播算法对预初始化的卷积神经滤波器的权重进行微调，使整个卷积神经网络符合眼底图像的特点。
5.根据权利要求4所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
利用微调后的两个模型提取眼底图像特征向量分别训练五种分类器；
采用集成学习方法，通过平均法对多个分类器的判别结果取平均，共同判断眼底图像的类别。
6.根据权利要求2所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
所述“利用弱监督学习算法对DR病变区域进行定位”，还包括步骤：
对眼底图像应用卷积神经网络的类别激活映射算法生成热图，对热图进行归一化和阈值分割，大于预设阈值的部位则判定为病变区域。
7.根据权利要求6所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
所述“利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型”，还包括步骤：
根据数据集中的病灶标注，利用滑动窗口在病灶标签区域和非病灶标签区域截取图像块，作为正负样本训练卷积神经网络和支持向量机分类器。
8.根据权利要求7所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，
所述“利用所述病灶模型在眼底图像的病变区域进行病灶特征检测”，还包括步骤：
利用滑动窗口在由弱监督学习得到的病变区域上截取图像块，通过所述病灶模型对所述图像块进行特征提取并分类检测，判断所述图像块是否是病灶及其病灶类型。
9.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：
上述权利要求1-8中的任意一个步骤。
CN201910098174.9A 2019-01-31 2019-01-31 高特异性的糖尿病性视网膜病变特征检测方法及存储设备 Active CN111507932B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910098174.9A CN111507932B (zh) 2019-01-31 2019-01-31 高特异性的糖尿病性视网膜病变特征检测方法及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910098174.9A CN111507932B (zh) 2019-01-31 2019-01-31 高特异性的糖尿病性视网膜病变特征检测方法及存储设备

Publications (2)

Publication Number Publication Date
CN111507932A true CN111507932A (zh) 2020-08-07
CN111507932B CN111507932B (zh) 2023-05-09

Family

ID=71870833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910098174.9A Active CN111507932B (zh) 2019-01-31 2019-01-31 高特异性的糖尿病性视网膜病变特征检测方法及存储设备

Country Status (1)

Country Link
CN (1) CN111507932B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489003A (zh) * 2020-11-25 2021-03-12 哈尔滨理工大学 一种基于深度学习的糖尿病视网膜病变区域定位检测方法
CN112652394A (zh) * 2021-01-14 2021-04-13 浙江工商大学 基于多病灶目标检测的早产儿视网膜病变诊断系统
CN112652392A (zh) * 2020-12-22 2021-04-13 成都市爱迦科技有限责任公司 一种基于深度神经网络的眼底异常预测系统
CN112826442A (zh) * 2020-12-31 2021-05-25 上海鹰瞳医疗科技有限公司 基于眼底图像的心理状态识别方法及设备
CN112883962A (zh) * 2021-01-29 2021-06-01 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN113989191A (zh) * 2021-09-29 2022-01-28 杭州电子科技大学 基于深度学习的眼底图像与造影图像的标签迁移分类方法
CN114155306A (zh) * 2021-08-27 2022-03-08 北京工业大学 一种计算机视觉和深度学习的眼底疾病可视化分析方法
CN114549395A (zh) * 2021-12-14 2022-05-27 依未科技(北京)有限公司 基于视计算的图像特征确定的方法、装置、介质和设备
CN117475270A (zh) * 2023-11-20 2024-01-30 深圳市眼科医院(深圳市眼病防治研究所) 糖尿病视网膜病变图像的病灶识别方法及系统
CN118115466A (zh) * 2024-03-07 2024-05-31 珠海全一科技有限公司 一种眼底伪病灶检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170296049A1 (en) * 2016-04-15 2017-10-19 Canon Kabushiki Kaisha Image processing apparatus
CN108021916A (zh) * 2017-12-31 2018-05-11 南京航空航天大学 基于注意力机制的深度学习糖尿病视网膜病变分类方法
CN109101950A (zh) * 2018-08-31 2018-12-28 福州依影健康科技有限公司 一种基于主血管拟合的视盘定位方法与存储设备
CN109199322A (zh) * 2018-08-31 2019-01-15 福州依影健康科技有限公司 一种黄斑检测方法及一种存储设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170296049A1 (en) * 2016-04-15 2017-10-19 Canon Kabushiki Kaisha Image processing apparatus
CN108021916A (zh) * 2017-12-31 2018-05-11 南京航空航天大学 基于注意力机制的深度学习糖尿病视网膜病变分类方法
CN109101950A (zh) * 2018-08-31 2018-12-28 福州依影健康科技有限公司 一种基于主血管拟合的视盘定位方法与存储设备
CN109199322A (zh) * 2018-08-31 2019-01-15 福州依影健康科技有限公司 一种黄斑检测方法及一种存储设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁平等: "糖尿病视网膜病变眼底图像分类方法", 《深圳大学学报(理工版)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112489003A (zh) * 2020-11-25 2021-03-12 哈尔滨理工大学 一种基于深度学习的糖尿病视网膜病变区域定位检测方法
CN112652392A (zh) * 2020-12-22 2021-04-13 成都市爱迦科技有限责任公司 一种基于深度神经网络的眼底异常预测系统
CN112826442A (zh) * 2020-12-31 2021-05-25 上海鹰瞳医疗科技有限公司 基于眼底图像的心理状态识别方法及设备
CN112652394A (zh) * 2021-01-14 2021-04-13 浙江工商大学 基于多病灶目标检测的早产儿视网膜病变诊断系统
CN112883962A (zh) * 2021-01-29 2021-06-01 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN112883962B (zh) * 2021-01-29 2023-07-18 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN114155306A (zh) * 2021-08-27 2022-03-08 北京工业大学 一种计算机视觉和深度学习的眼底疾病可视化分析方法
CN113989191A (zh) * 2021-09-29 2022-01-28 杭州电子科技大学 基于深度学习的眼底图像与造影图像的标签迁移分类方法
CN114549395A (zh) * 2021-12-14 2022-05-27 依未科技(北京)有限公司 基于视计算的图像特征确定的方法、装置、介质和设备
CN117475270A (zh) * 2023-11-20 2024-01-30 深圳市眼科医院(深圳市眼病防治研究所) 糖尿病视网膜病变图像的病灶识别方法及系统
CN118115466A (zh) * 2024-03-07 2024-05-31 珠海全一科技有限公司 一种眼底伪病灶检测方法

Also Published As

Publication number Publication date
CN111507932B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN111507932B (zh) 高特异性的糖尿病性视网膜病变特征检测方法及存储设备
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
Shen et al. Domain-invariant interpretable fundus image quality assessment
Wang et al. A coarse-to-fine deep learning framework for optic disc segmentation in fundus images
CN109325942B (zh) 基于全卷积神经网络的眼底图像结构分割方法
CN108986106B (zh) 面向青光眼的视网膜血管自动分割方法
Narasimha-Iyer et al. Robust detection and classification of longitudinal changes in color retinal fundus images for monitoring diabetic retinopathy
EP3659067B1 (en) Method of modifying a retina fundus image for a deep learning model
CN106599804B (zh) 基于多特征模型的视网膜中央凹检测方法
Pathan et al. Automated segmentation and classifcation of retinal features for glaucoma diagnosis
CN108416344A (zh) 眼底彩照视盘与黄斑定位识别方法
CN111046835A (zh) 一种基于区域特征集合神经网络的眼底照多病种检测系统
CN111612856B (zh) 用于彩色眼底图像的视网膜新生血管检测方法及成像方法
Zou et al. Classified optic disc localization algorithm based on verification model
Salazar-Gonzalez et al. Optic disc segmentation by incorporating blood vessel compensation
JP7355434B2 (ja) 眼底画像認識方法及び装置並びに設備
David et al. Retinal Blood Vessels and Optic Disc Segmentation Using U‐Net
CN107563996A (zh) 一种新型视神经盘分割方法及系统
CN110110782A (zh) 基于深度学习的视网膜眼底图像视盘定位方法
Kovacs et al. Graph based detection of optic disc and fovea in retinal images
CN113924046A (zh) 用于将器官肿块分类为囊肿的基于计算机的方法
Mahdi et al. Glaucoma Diagnosis Based on Retinal Fundus Image: A Review
Balakrishnan NDC-IVM: An automatic segmentation of optic disc and cup region from medical images for glaucoma detection
CN113935961A (zh) 一种鲁棒性乳腺钼靶mlo视角图像胸肌分割方法
CN115272333B (zh) 一种杯盘比数据的存储系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant