[发明专利]微动脉瘤自动检测方法、装置及计算机可读存储介质

说明书

本发明涉及一种人工智能技术，揭露了一种微动脉瘤自动检测方法，该方法包括：采集眼球的眼底图像数据，并对所采集的眼底图像数据执行数据增强处理操作；检测所述眼底图像数据中的视网膜图像，制作眼底微动脉瘤检测模型的训练样本；利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练；及利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。本发明还提出一种装置以及一种计算机可读存储介质。本发明可以实现微动脉瘤自动检测。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种微动脉瘤自动检测方法、装置及计算机可读存储介质。

背景技术

由国际糖尿病联盟的统计数据显示，全球糖尿病患者已达到3.66亿，中国糖尿病患者，已超过9240万。伴随着对糖尿病研究的不断深入，医学家们发现，由糖尿病引发的眼部并发症(如糖尿病性视网膜病变)的发病率正与日俱增。世界卫生组织的一项调查研究表明，糖尿病视网膜病变是全世界导致视力障碍和失明的主要原因之一，糖尿病患者致盲的可能性是非糖尿病患者的25倍。微动脉瘤是糖尿病视网膜病变的早期标志，如果能对其准确检测，即能够有效评估和抑制病情的发展。

目前，国内外学者针对微动脉瘤的检测提出了多种方法，大致可以分为3类：数学形态学法、滤波器法和监督学习法。Top-hat变换是用于检测微动脉瘤最常见的数学形态学运算，通过消除视网膜图像上所有血管来得到疑似微动脉瘤。但是，为了检测到较大的微动脉瘤，数学形态学法需要增加结构元素的长度，不过这会导致血管分割劣化，以至于在血管上会检测到更多的杂散疑似微动脉瘤。滤波器方通过构建一个合适的核函数来匹配微动脉瘤，如果产生强响应便得到疑似微动脉瘤。常用的滤波器包括多尺度高斯核函数滤波器和高通滤波器等。滤波器法的局限性在于需要设计合适的滤波器匹配微动脉瘤。监督学习法中神经网络和学习字典用于训练分类器，但当样本量比较大时需要较长的训练时间，因此，监督学习法基本上不可行。综合近年来有关视网膜微动脉瘤检测的文献和研究报道，可以看出当前的研究虽然取得了很重要的进展，但是视网膜结构特征之间会相互影响，导致独立分割微动脉瘤易产生假阳性。基于以上所述，本发明提出了基于深度学习的微动脉瘤自动检测系统。

发明内容

本发明提供一种微动脉瘤自动检测方法、装置及计算机可读存储介质，其主要目的在于提供一种实现微动脉瘤自动检测方案。

本发明所述微动脉瘤自动检测包括：

采集眼球的眼底图像数据，并对所采集的眼底图像数据执行数据增强处理操作；

检测所述眼底图像数据中的视网膜图像，制作眼底微动脉瘤检测模型的训练样本；

利用上述得到的训练样本执行眼底微动脉瘤检测模型的训练；及

利用所述眼底微动脉瘤检测模型执行微动脉瘤自动检测。

可选地，所述执行数据增强处理操作包括对所述眼底图像数据进行两次自适应的直方图均衡化预处理，包括：

对眼底图像中像素灰度级r作归一化处理，使r被限定为[0,1]范围内；

对所述像素灰度级r执行式①所示的变换，得到输出灰度级S：

其中，p_r(w)为图像的灰度级的概率密度函数，w为积分的虚拟变量，将式①变换为式②：

其中，n_k是图像中出现r_k级灰度的像素数，n是图像像素总数，为频数，在直角坐标系中做出r_k与P_r(r_k)的关系图形称为图像的直方图。

可选地，所述检测所述眼底图像数据中的视网膜图像，制作眼底微动脉瘤检测模型的训练样本，包括：