CN117475270B - 糖尿病视网膜病变图像的病灶识别方法及系统 - Google Patents

糖尿病视网膜病变图像的病灶识别方法及系统 Download PDF

Info

Publication number
CN117475270B
CN117475270B CN202311547796.8A CN202311547796A CN117475270B CN 117475270 B CN117475270 B CN 117475270B CN 202311547796 A CN202311547796 A CN 202311547796A CN 117475270 B CN117475270 B CN 117475270B
Authority
CN
China
Prior art keywords
image
fundus
blocks
fundus image
model
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.)
Active
Application number
CN202311547796.8A
Other languages
English (en)
Other versions
CN117475270A (zh
Inventor
杨卫华
张少冲
谢翠娟
姚雪
胡馨雅
李王婷
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.)
Shenzhen Eye Hospital (shenzhen Institute Of Eye Disease Prevention And Control)
Original Assignee
Shenzhen Eye Hospital (shenzhen Institute Of Eye Disease Prevention And Control)
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 Shenzhen Eye Hospital (shenzhen Institute Of Eye Disease Prevention And Control) filed Critical Shenzhen Eye Hospital (shenzhen Institute Of Eye Disease Prevention And Control)
Priority to CN202311547796.8A priority Critical patent/CN117475270B/zh
Publication of CN117475270A publication Critical patent/CN117475270A/zh
Application granted granted Critical
Publication of CN117475270B publication Critical patent/CN117475270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种糖尿病视网膜病变图像的病灶识别方法及系统，涉及糖尿病视网膜病变检测技术领域。首先获取原始彩色眼底照相图像序列，将序列中的图像进行对齐和归一化处理，并进行图像分块和图像块的加权重建，得到若干个重建眼底图像块；将若干个重建眼底图像块进行拼接，得到特征增强的目标眼底图像；将目标眼底图像输入预先建立的糖尿病视网膜病变图像病灶检测模型中，输出糖尿病视网膜病变的病灶类型、位置以及轮廓形状，并将输出结果显示在目标眼底图像上。本发明多张眼底图像的特征信息融合在一张图像上，分别使用半监督分割模型和ResNet网络模型对最终图像进行病变区域识别和病灶类型识别，能够得到更准确的病灶识别结果。

Description

糖尿病视网膜病变图像的病灶识别方法及系统
技术领域
本发明涉及糖尿病视网膜病变检测技术领域，更具体的说是涉及糖尿病视网膜病变图像的病灶识别方法及系统。
背景技术
糖尿病是一组以高血糖为特征的代谢性疾病。高血糖则是由于胰岛素分泌缺陷或其生物作用受损，或两者兼有引起。糖尿病时长期存在的高血糖导致各种组织特别是眼、肾、心脏、血管、神经的慢性损害、功能障碍。糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病患者中高血糖引起的一种眼底并发症，约三分之一的糖尿病患者会并发糖尿病视网膜病变，其主要的病理特征有微动脉瘤(MA)、出血点(HE)、硬性渗出(EX)和软性渗出(SE)等。
现有的基于图像识别技术的糖尿病视网膜病变识别方法存在识别准确率较低的问题。另一方面，现有技术方案通常只能对病灶进行大致定位，无法直接显示出病灶形状。并且在传统型深度学习方案中，由于拍摄问题导致得到的眼底图像对于信息的提取不全面，没有展示眼底图像的全部重要特征，易丢失判定糖尿病视网膜病变分级的重要信息，导致诊断的准确率下降。
发明内容
有鉴于此，本发明提供了一种糖尿病视网膜病变图像的病灶识别方法及系统，目的在于对糖尿病视网膜病变图像进行病灶识别，提高糖尿病视网膜病变的检测结果准确率。
为了实现上述目的，本发明提供如下技术方案：
一种糖尿病视网膜病变图像的病灶识别方法，包括以下步骤：
步骤1、通过眼底相机对患者眼底不同方位进行若干次拍摄，获取原始彩色眼底照相图像序列；
步骤2、将所述原始彩色眼底照相图像序列进行对齐和归一化处理，得到标准眼底图像序列；
步骤3、对所述标准眼底图像序列中的图像进行分块，并对图像序列中各个图像对应的图像块进行加权重建，得到若干个重建眼底图像块；
步骤4、将所述若干个重建眼底图像块进行拼接，得到特征增强的目标眼底图像；
步骤5、将所述目标眼底图像输入预先建立的糖尿病视网膜病变图像病灶检测模型中，输出糖尿病视网膜病变的病灶类型、位置以及轮廓形状；
步骤6、将所述病灶类型、位置以及轮廓形状在目标眼底图像上进行显示。
可选的，所述步骤2中，对原始彩色眼底照相图像序列进行对齐和归一化处理的方法为：
计算原始彩色眼底照相图像序列中的每幅图像与预设标准图像之间的汉明距离，基于所述汉明距离，对原始彩色眼底照相图像序列中的每幅图像与预设标准图像进行对齐；
将对齐后的每幅图像依据预设标准图像进行像素和尺寸的归一化。
可选的，计算图像间汉明距离的方法为：
确定每幅图像的哈希值，基于哈希值计算所述原始彩色眼底照相图像序列中的每幅图像与预设标准图像之间的汉明距离。
可选的，所述步骤3中，对标准眼底图像序列中的图像进行分块的方法为：
对标准眼底图像序列中的图像按照预设的分块标准进行分割，每个图像均被分割为若干个图像块。
可选的，所述步骤3中，对图像序列中各个图像对应的图像块进行加权重建，具体方法为：
将标准眼底图像序列中每个图像分割成的图像块按照对应位置进行分组，即得到若干个图像块集合，每个图像块集合中均包含与标准眼底图像序列中图像数量相同的图像块；
对每个图像块集合中的所有图像块按照图像质量进行排序，按照图像质量排序结果，选取m个最优图像块；
将m个最优图像块进行自适应权重加权重建。
可选的，将m个最优图像块进行自适应权重加权重建的方法为：
对m个最优图像块进行自适应像素级权重生成，得到每个最优图像块的融合权重图；将每个最优图像块与其对应的融合权重图进行逐元素乘法，得到若干个加权图像块；
将所述加权图像块进行逐元素加法，得到加权融合图像块；
将所述加权融合图像块进行归一化，得到重建眼底图像块。
可选的，所述步骤5中，病灶类型包括出血点、硬性渗出、软性渗出、微动脉瘤这4种主要常见病灶类型。
可选的，所述步骤5中，糖尿病视网膜病变病灶检测模型包括病变区域分割子模型和病灶类型识别子模型。
可选的，所述病变区域分割子模型和病灶类型识别子模型的训练过程为：
获取带有第一标注信息的第一眼底图像训练数据集，所述第一标注信息包括位置以及轮廓形状；
获取带有第二标注信息的第二眼底图像训练数据集，所述第二标注信息包括病灶类型；
采用第一眼底图像训练数据集训练半监督分割模型，得到病变区域分割子模型；采用第二眼底图像训练数据集训练ResNet网络模型，得到病灶类型识别子模型。
一种糖尿病视网膜病变图像的病灶识别系统，包括：
原始图像获取模块，用于通过眼底相机对患者眼底不同方位进行若干次拍摄，获取原始彩色眼底照相图像序列；
图像预处理模块，用于将所述原始彩色眼底照相图像序列进行对齐和归一化处理，得到标准眼底图像序列；
图像块重建模块，用于对所述标准眼底图像序列中的图像进行分块，并对图像序列中各个图像对应的图像块进行加权重建，得到若干个重建眼底图像块；
图像块拼接模块，用于将所述若干个重建眼底图像块进行拼接，得到特征增强的目标眼底图像；
糖尿病视网膜病灶识别模块，用于将所述目标眼底图像输入预先建立的糖尿病视网膜病变图像病灶检测模型中，输出糖尿病视网膜病变的病灶类型、位置以及轮廓形状；
结果显示模块，用于将所述病灶类型、位置以及轮廓形状在目标眼底图像上进行显示。
经由上述的技术方案可知，本发明提供了一种糖尿病视网膜病变图像的病灶识别方法及系统，与现有技术相比，具有以下有益效果：
本发明通过对采集的多张眼底图像进行初步预处理后再分块、加权重建，最终将多张眼底图像上的信息融合在一张图像上，剔除了各个图像中不重要的特征，而将重要的图像块进行自适应权重加权重建，所得到的最终图像能够充分展现糖尿病所导致的视网膜图像特征。在此基础上，分别使用半监督分割模型和ResNet网络模型对最终图像进行病变区域识别和病灶类型识别，能够得到更准确的病灶识别结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法步骤示意图；
图2为本发明的系统模块示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种糖尿病视网膜病变图像的病灶识别方法，参见图1，包括以下步骤：
步骤1、通过眼底相机对患者眼底不同方位进行若干次拍摄，获取n张原始彩色眼底照相图像，构成原始彩色眼底照相图像序列；
步骤2、将所述原始彩色眼底照相图像序列进行预处理，包括：
步骤2.1、对原始彩色眼底照相图像序列中的每幅图像与预设标准图像进行对齐：
将每幅图像沿四周方向扩展，得到扩展图像序列；
在所述扩展图像序列的中间开一个窗口，所述窗口大小与原始彩色眼底照相图像序列中的每幅图像大小相同；
对所述扩展图像序列的每幅图像，逐行、逐列滑动所述窗口，计算所述窗口内图像与所述预设标准图像的汉明距离，将所述汉明距离最小的所述窗口内图像作为对齐后的图像。
上述步骤中，可基于哈希值计算图像之间的汉明距离。
步骤2.2、将对齐后的每幅图像依据预设标准图像进行像素和尺寸的归一化，得到标准眼底图像序列。
步骤3、对所述标准眼底图像序列中的图像进行分块和加权重建：
步骤3.1、对标准眼底图像序列中的图像进行分块：对标准眼底图像序列中的图像按照预设的分块标准进行分割，每个图像均被分割为若干个图像块。
步骤3.2、对图像序列中各个图像对应的图像块进行加权重建，具体方法为：
步骤3.2.1、图像块分组：将标准眼底图像序列中每个图像分割成的图像块按照对应位置进行分组，即得到若干个图像块集合，每个图像块集合中均包含与标准眼底图像序列中图像数量相同的图像块，相同位置处的图像块被收集在一个图像块集合中；
步骤3.2.2、对每个图像块集合中的所有图像块按照图像质量进行排序，按照图像质量排序结果，选取m个最优图像块，m<n；其中，可采用平均梯度值方法对图像块的图像质量进行判定；
步骤3.2.3、将m个最优图像块进行自适应权重加权重建：对m个最优图像块进行自适应像素级权重生成，得到每个最优图像块的融合权重图；将每个最优图像块与其对应的融合权重图进行逐元素乘法，得到若干个加权图像块；将所述加权图像块进行逐元素加法，得到加权融合图像块；将所述加权融合图像块进行归一化，得到重建眼底图像块。
按照上述步骤3.2.2-步骤3.2.3的方法对步骤3.2.1中的每个图像块集合进行重建，则每个图像块集合均可以得到一个对应于该位置的重建眼底图像块，进而得到若干个重建眼底图像块。
步骤4、将所述若干个重建眼底图像块按照步骤3中图像分块时的原位置进行拼接，得到特征增强的目标眼底图像。
步骤5、将所述目标眼底图像输入预先建立的糖尿病视网膜病变图像病灶检测模型中，输出糖尿病视网膜病变的病灶类型、位置以及轮廓形状，病灶类型包括出血点、硬性渗出、软性渗出、微动脉瘤这4种主要常见病灶类型。
糖尿病视网膜病变病灶检测模型包括病变区域分割子模型和病灶类型识别子模型，所述病变区域分割子模型和病灶类型识别子模型的训练过程为：
获取带有第一标注信息的第一眼底图像训练数据集，所述第一标注信息包括位置以及轮廓形状；
获取带有第二标注信息的第二眼底图像训练数据集，所述第二标注信息包括病灶类型；
采用第一眼底图像训练数据集训练半监督分割模型，得到病变区域分割子模型；采用第二眼底图像训练数据集训练ResNet网络模型，得到病灶类型识别子模型。
步骤6、将所述病灶类型、位置以及轮廓形状在目标眼底图像上进行显示。
本发明另一实施例还公开一种糖尿病视网膜病变图像的病灶识别系统，参见图2，包括：
原始图像获取模块，用于通过眼底相机对患者眼底不同方位进行若干次拍摄，获取原始彩色眼底照相图像序列；
图像预处理模块，用于将所述原始彩色眼底照相图像序列进行对齐和归一化处理，得到标准眼底图像序列；
图像块重建模块，用于对所述标准眼底图像序列中的图像进行分块，并对图像序列中各个图像对应的图像块进行加权重建，得到若干个重建眼底图像块；
图像块拼接模块，用于将所述若干个重建眼底图像块进行拼接，得到特征增强的目标眼底图像；
糖尿病视网膜病灶识别模块，用于将所述目标眼底图像输入预先建立的糖尿病视网膜病变图像病灶检测模型中，输出糖尿病视网膜病变的病灶类型、位置以及轮廓形状；
结果显示模块，用于将所述病灶类型、位置以及轮廓形状在目标眼底图像上进行显示。
对于实施例公开的系统模块而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种糖尿病性视网膜病变图像的病灶识别方法，其特征在于，包括以下步骤：
步骤1、通过眼底相机对患者眼部进行多次拍摄，获取原始眼底图像序列；
步骤2、将所述原始眼底图像序列进行对齐和归一化处理，得到标准眼底图像序列；
其中，对原始眼底图像序列进行对齐和归一化处理的方法为：计算原始眼底图像序列中的每幅图像与预设标准图像之间的汉明距离，基于所述汉明距离，对原始眼底图像序列中的每幅图像与预设标准图像进行对齐；将对齐后的每幅图像依据预设标准图像进行像素和尺寸的归一化；
步骤3、对所述标准眼底图像序列中的图像进行分块，并对图像序列中各个图像对应的图像块进行加权重建，得到若干个重建眼底图像块；
其中，对图像序列中各个图像对应的图像块进行加权重建的具体方法为：
将标准眼底图像序列中每个图像分割成的图像块按照对应位置进行分组，即得到若干个图像块集合，每个图像块集合中均包含与标准眼底图像序列中图像数量相同的图像块；
对每个图像块集合中的所有图像块按照图像质量进行排序，按照图像质量排序结果，选取m个最优图像块；
将m个最优图像块进行自适应权重加权重建，具体的，对m个最优图像块进行自适应像素级权重生成，得到每个最优图像块的融合权重图；将每个最优图像块与其对应的融合权重图进行逐元素乘法，得到若干个加权图像块；将所述加权图像块进行逐元素加法，得到加权融合图像块；将所述加权融合图像块进行归一化，得到重建眼底图像块；
步骤4、将所述若干个重建眼底图像块按照步骤3中图像分块时的原位置进行拼接，得到特征增强的目标眼底图像；
步骤5、将所述目标眼底图像输入预先建立的糖尿病性视网膜病变图像病灶检测模型中，输出糖尿病性视网膜病变的病灶类型、位置以及轮廓形状；
所述糖尿病性视网膜病变病灶检测模型包括病变区域分割子模型和病灶类型识别子模型，所述病变区域分割子模型和病灶类型识别子模型的训练过程为：
获取带有第一标注信息的第一眼底图像训练数据集，所述第一标注信息包括位置以及轮廓形状；
获取带有第二标注信息的第二眼底图像训练数据集，所述第二标注信息包括病灶类型；
采用第一眼底图像训练数据集训练半监督分割模型，得到病变区域分割子模型；采用第二眼底图像训练数据集训练ResNet网络模型，得到病灶类型识别子模型；
步骤6、将所述病灶类型、位置以及轮廓形状在目标眼底图像上进行显示。
2.根据权利要求1所述的一种糖尿病性视网膜病变图像的病灶识别方法，其特征在于，计算图像间汉明距离的方法为：
确定每幅图像的哈希值，基于哈希值计算所述原始眼底图像序列中的每幅图像与预设标准图像之间的汉明距离。
3.根据权利要求1所述的一种糖尿病性视网膜病变图像的病灶识别方法，其特征在于，所述步骤3中，对标准眼底图像序列中的图像进行分块的方法为：
对标准眼底图像序列中的图像按照预设的分块标准进行分割，每个图像均被分割为若干个图像块。
4.根据权利要求1所述的一种糖尿病性视网膜病变图像的病灶识别方法，其特征在于，所述步骤5中，病灶类型包括出血点、硬性渗出物、软性渗出物、微动脉瘤。
5.一种糖尿病性视网膜病变图像的病灶识别系统，其特征在于，包括：
原始图像获取模块，用于通过眼底相机对患者眼部进行多次拍摄，获取原始眼底图像序列；
图像预处理模块，用于将所述原始眼底图像序列进行对齐和归一化处理，得到标准眼底图像序列；
其中，对原始眼底图像序列进行对齐和归一化处理的方法为：计算原始眼底图像序列中的每幅图像与预设标准图像之间的汉明距离，基于所述汉明距离，对原始眼底图像序列中的每幅图像与预设标准图像进行对齐；将对齐后的每幅图像依据预设标准图像进行像素和尺寸的归一化；
图像块重建模块，用于对所述标准眼底图像序列中的图像进行分块，并对图像序列中各个图像对应的图像块进行加权重建，得到若干个重建眼底图像块；
其中，对图像序列中各个图像对应的图像块进行加权重建的具体方法为：
将标准眼底图像序列中每个图像分割成的图像块按照对应位置进行分组，即得到若干个图像块集合，每个图像块集合中均包含与标准眼底图像序列中图像数量相同的图像块；
对每个图像块集合中的所有图像块按照图像质量进行排序，按照图像质量排序结果，选取m个最优图像块；
将m个最优图像块进行自适应权重加权重建，具体的，对m个最优图像块进行自适应像素级权重生成，得到每个最优图像块的融合权重图；将每个最优图像块与其对应的融合权重图进行逐元素乘法，得到若干个加权图像块；将所述加权图像块进行逐元素加法，得到加权融合图像块；将所述加权融合图像块进行归一化，得到重建眼底图像块；
图像块拼接模块，用于将所述若干个重建眼底图像块按照步骤3中图像分块时的原位置进行拼接，得到特征增强的目标眼底图像；
糖尿病性病灶识别模块，用于将所述目标眼底图像输入预先建立的糖尿病性视网膜病变图像病灶检测模型中，输出糖尿病性视网膜病变的病灶类型、位置以及轮廓形状；
所述糖尿病性视网膜病变病灶检测模型包括病变区域分割子模型和病灶类型识别子模型，所述病变区域分割子模型和病灶类型识别子模型的训练过程为：
获取带有第一标注信息的第一眼底图像训练数据集，所述第一标注信息包括位置以及轮廓形状；
获取带有第二标注信息的第二眼底图像训练数据集，所述第二标注信息包括病灶类型；
采用第一眼底图像训练数据集训练半监督分割模型，得到病变区域分割子模型；采用第二眼底图像训练数据集训练ResNet网络模型，得到病灶类型识别子模型；
结果显示模块，用于将所述病灶类型、位置以及轮廓形状在目标眼底图像上进行显示。
CN202311547796.8A 2023-11-20 2023-11-20 糖尿病视网膜病变图像的病灶识别方法及系统 Active CN117475270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311547796.8A CN117475270B (zh) 2023-11-20 2023-11-20 糖尿病视网膜病变图像的病灶识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311547796.8A CN117475270B (zh) 2023-11-20 2023-11-20 糖尿病视网膜病变图像的病灶识别方法及系统

Publications (2)

Publication Number Publication Date
CN117475270A CN117475270A (zh) 2024-01-30
CN117475270B true CN117475270B (zh) 2024-07-23

Family

ID=89625475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311547796.8A Active CN117475270B (zh) 2023-11-20 2023-11-20 糖尿病视网膜病变图像的病灶识别方法及系统

Country Status (1)

Country Link
CN (1) CN117475270B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490860A (zh) * 2019-08-21 2019-11-22 北京大恒普信医疗技术有限公司 糖尿病视网膜病变识别方法、装置及电子设备
CN111091566A (zh) * 2020-02-04 2020-05-01 浙江省人民医院 一种糖尿病并发症视网膜病变数据检测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140314288A1 (en) * 2013-04-17 2014-10-23 Keshab K. Parhi Method and apparatus to detect lesions of diabetic retinopathy in fundus images
CN108615051B (zh) * 2018-04-13 2020-09-15 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
CN111507932B (zh) * 2019-01-31 2023-05-09 福州依影健康科技有限公司 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
CN111863241B (zh) * 2020-07-10 2023-06-30 北京化工大学 一种基于集成深度学习的眼底照分类系统
CN115409764B (zh) * 2021-05-28 2024-01-09 南京博视医疗科技有限公司 一种基于域自适应的多模态眼底血管分割方法及装置
CN114287878A (zh) * 2021-10-18 2022-04-08 江西财经大学 一种基于注意力模型的糖尿病性视网膜病变病灶图像识别方法
CN114792382A (zh) * 2022-04-27 2022-07-26 东北大学 基于切片病灶检测的糖尿病性视网膜病变等级分类装置
CN115908795A (zh) * 2022-10-18 2023-04-04 北京航空航天大学 眼底动静脉分割方法、血管参数计算方法，装置和设备
CN115937158A (zh) * 2022-12-16 2023-04-07 浙江大学 一种基于分层注意力机制的胃癌病灶区域分割方法
CN116403023A (zh) * 2023-03-06 2023-07-07 长沙理工大学 一种基于多尺寸斑块交叉增强的糖尿病视网膜病变诊断分级方案、系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490860A (zh) * 2019-08-21 2019-11-22 北京大恒普信医疗技术有限公司 糖尿病视网膜病变识别方法、装置及电子设备
CN111091566A (zh) * 2020-02-04 2020-05-01 浙江省人民医院 一种糖尿病并发症视网膜病变数据检测方法

Also Published As

Publication number Publication date
CN117475270A (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
US11666210B2 (en) System for recognizing diabetic retinopathy
US12114929B2 (en) Retinopathy recognition system
EP3373798B1 (en) Method and system for classifying optic nerve head
Abràmoff et al. Retinal imaging and image analysis
US8194936B2 (en) Optimal registration of multiple deformed images using a physical model of the imaging distortion
CN110648344B (zh) 一种基于局部病灶特征的糖尿病视网膜病变分类装置
CN110786824B (zh) 基于边界框修正网络的粗标注眼底照出血病变检测方法及系统
CN112017185B (zh) 病灶分割方法、装置及存储介质
KR101953752B1 (ko) 심층 신경망을 이용하여 영상의 분류 및 국소화를 수행하는 방법 및 이를 이용한 장치
CN108764342B (zh) 一种对于眼底图中视盘和视杯的语义分割方法
JP2019192215A (ja) 深層学習を用いた網膜層の３ｄ定量解析
US11830193B2 (en) Recognition method of intracranial vascular lesions based on transfer learning
Zhu et al. Digital image processing for ophthalmology: Detection of the optic nerve head
CN112233087A (zh) 一种基于人工智能的眼科超声疾病诊断方法和系统
CN117058676B (zh) 一种基于眼底检查影像的血管分割方法、装置和系统
Uribe-Valencia et al. Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model
Zaaboub et al. Optic disc detection and segmentation using saliency mask in retinal fundus images
CN106446805A (zh) 一种眼底照中视杯的分割方法及系统
Xue et al. Optic disk detection and segmentation for retinal images using saliency model based on clustering
Giancardo et al. Quality assessment of retinal fundus images using elliptical local vessel density
CN116030042B (zh) 一种针对医生目诊的诊断装置、方法、设备及存储介质
CN109447948B (zh) 一种基于病灶彩色视网膜眼底图像的视盘分割方法
CN110276333B (zh) 眼底身份识别模型训练方法、眼底身份识别方法和设备
Liu et al. Retinal vessel segmentation using densely connected convolution neural network with colorful fundus images
CN117475270B (zh) 糖尿病视网膜病变图像的病灶识别方法及系统

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