[发明专利]一种基于RPN的视盘定位方法

说明书

一种基于RPN的视盘定位方法，包括基于深度卷积神经网络的眼底图像整体特征提取、基于RPN网络的视盘区域初步检测和基于深度卷积神经网络的视盘候选区域进行位置精修。本发明基于深度学习的方法，构建深度卷积神经网络自动对视盘进行定位，能够实现视盘的准确、快速、鲁棒定位，辅助眼底疾病的诊断处理。

技术领域

本发明涉及一种定位方法，具体涉及计算机视觉、数字图像处理、模式识别、深度学习和深度卷积神经网络等技术在眼底图像视盘自动定位领域的应用。

背景技术

眼底视网膜检查在糖尿病视网膜病变、青光眼、老年性黄斑病变等眼科疾病的预防、诊断和治疗中得到了广泛应用。其中的血管、中央凹、黄斑、视盘是除背景外的视网膜图像的主要可观测对象。在正常视网膜眼底图像中，视盘表现为圆形亮黄色区域，直径约为眼底图像ROI区域的1/7，主要血管由视盘进入眼部并向周边辐射延伸，作为血管的交汇区，其包含大量较粗的血管。自动视盘定位是视网膜眼底图像分析和计算机辅助诊断各类眼底病变的前提和关键步骤；也可以用于定位视网膜其它解剖结构如血管和黄斑；重要的是它有助于建立视网膜的眼底坐标系统，可以用来定位其它视网膜病变如溢出物、微脉瘤、出血等。因此，快速、准确地定位眼底图像视盘区域尤为重要。

最早的视盘定位方法主要利用视盘的外观特性如亮度、形状信息作为定位特征，这类方法在质量较好的正常眼底图像中的视盘检测的成功率较高。但是在病变图像中，由于病变造成视盘外观改变或其它大面积亮色病变区域干扰，视盘检测容易出错。由于血管结构在图像中相对稳定，特征显著，因此基于血管特性的定位方法通常鲁棒性较好，在病变图像视盘定位中有更稳定的性能。这类方法最主要的问题在于血管提取本身就是一个非常复杂耗时的工作，甚至长达几分钟，而且血管分割也容易受到病变、视盘轮廓等对象的干扰。目前的视盘定位算法需要人工提取视盘的亮度、血管、纹理等特征。特征选取的好坏在很大程度上决定了定位效果的优劣。人工进行特征提取的方法经验依赖性强、耗时耗力、也很难提取到具有完整表达力的视盘特征。因此，实现对眼底图像高效、准确、鲁棒的视盘定位有一定的难度。

发明内容

为了克服目前的视盘定位方法无法兼顾准确性与快速性的不足，本发明提出一种基于深度学习的方法，构建深度卷积神经网络自动对视盘进行定位，实现对视盘高效、准确、鲁棒的定位。

本发明解决其技术问题所采用的技术方案是：

一种基于RPN的视盘定位方法，包括基于深度卷积神经网络的眼底图像整体特征提取、基于RPN网络的视盘区域初步检测、基于深度卷积神经网络的视盘候选区域进行位置精修；

所述的基于深度卷积神经网络的眼底图像整体特征提取，所述深度卷积神经网络作为整个网络模型的基础网络，共分为五层，由卷积层、激活层和池化层交替构成的深度结构，隐式地从给定的眼底图像数据中进行参数学习；

所述的基于RPN网络的视盘区域初步检测，RPN网络生成目标的候选区域信息，包括目标类别、置信度和位置信息；

所述的基于深度卷积神经网络的视盘候选区域进行位置精修，所述深度卷积神经网络由全连接层组成，对上一阶段得到的候选区域进行深层特征提取，输入区域在网络中进行层层映射，得到不同的表示形式，提取其抽象特征，从而实现对候选区域的位置精修，得到视盘定位的结果。

进一步，所述的基于深度卷积神经网络的眼底图像整体特征提取中，通过卷积操作，使原信息增强并减少噪声；通过池化操作，利用图像局部相关性的原理，对图像进行子抽样，在保留图像有用信息的基础上减少数据的处理量；