[发明专利]基于深度学习的处理眼底图像的方法和装置

说明书

本发明提供一种准确可靠的基于深度学习的处理眼底图像的方法和装置，以解决现有技术中的问题。本发明的基于深度学习的处理眼底图像的方法，包括：获取多个原始样本眼底图像以及对应的病变等级参数；对多个原始样本眼底图像进行图像预处理操作和图像数据增强操作，得到多个训练样本眼底图像；对多个训练样本眼底图像以及对应的病变等级参数进行深度网络训练，得到眼底病变等级识别模型；将测试眼底图像输入眼底病变等级识别模型，得到病变等级识别结果。

技术领域

本发明涉及计算机视觉技术领域，特别地涉及一种基于深度学习的处理眼底图像的方法和装置。

背景技术

糖尿病性视网膜病变是糖尿病的微血管并发症之一。慢性高血糖损坏视网膜毛细血管，导致毛细血管渗漏和堵塞，进而造成视力减退甚至失明。在2015年，全球糖尿病患病人数高达4.15亿，其中，9300万患者视力受到不同程度的糖尿病性视网膜病变影响。如果及时接受诊断和治疗，糖尿病性视网膜病变患者的视力损伤通常可以减缓甚至逆转。然而，由于该病早期症状不明显，大多数患者没能及时主动就诊而错过治疗的最佳时机。

目前，临床上糖尿病性视网膜病变的检测仍然需要由经过专业训练的医师通过人工检查病人的眼底照片来完成。该过程较为耗时，病人往往在拍摄眼底照片的一到两天后才可以获得诊断结果，易造成治疗延误。另外，可用于糖尿病性视网膜病变检测的医疗资源较稀缺且分配不均匀，全世界只有约20万眼科医生，远不足对所有糖尿病患者进行定期眼科检查，而3/4的糖尿病患者又生活在医疗资源严重匮乏的低中等收入国家。随着糖尿病患者数量的逐年增长，对医疗资源的需求也将日益增加。

在这种形势下，研发可以自动分析处理眼底照片并对糖尿病性视网膜病变进行筛查的计算机算法的需求变得迫切。现有的糖尿病性视网膜病变自动筛查技术方案主要从形态学上对病变特征进行检测，大致可分为三步：

首先，进行图像预处理。使用直方图均衡化对视网膜图像进行颜色和亮度进行归一化处理，使曝光和对比度均匀，保证被处理图像的稳定性。

其次，进行眼底解剖结构分割。分割视网膜图像上的主要解剖结构，如视盘和视网膜血管，排除这些结构对下一步处理中病变检测的干扰。视盘分割一般采用阈值分割或区域生长分割算法，比较图像上每个像素与邻近像素的亮度差异，若差异值小于某个阈值，则这些像素被划为同一区域。分割结束后图像中亮度最大的区域被识别为视盘。血管分割一般采用边缘检测或简单的神经网络算法。

然后，进行视网膜病变检测。对于视网膜病变的检测主要包括微血管瘤，出血点和渗出的检测。在图像上，微血管瘤为小尺寸圆形红点，出血点为尺寸较大的点状、片状或火焰状红色区域，渗出为亮度较大边缘较明显的黄色或白色区域，呈不同形状、尺寸。微血管瘤和出血点在颜色上与视网膜血管相近，渗出在颜色和亮度上与视盘相近，因此在检测这些病变之前需剔除视网膜解剖结构的影响。剔除视网膜解剖结构影响之后，微血管瘤和出血点这些红色特征多在绿色通道下检测，而渗出则多在亮度通道下检测。检测出的病变特征可用于对糖尿病性视网膜病变程度进行粗略的分级。

现有技术方案基于由特定视网膜照相机采集的图像，并且要求图像中视网膜结构和病变特征清晰明显，因此仅适用于由特定视网膜相机拍摄的散瞳后的眼底图像或成像质量较高的免散瞳图像。临床上实际使用的视网膜相机品牌型号不同，采集的图像在色彩、曝光、对比度和清晰度上迥异，而且大部分为免散瞳图像。这些条件使得现有技术方案不能在临床上有良好的表现。