[发明专利]病灶自动识别方法、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，揭露了一种病灶自动识别方法，该方法包括：采集眼底图像数据，并对所述眼底图像数据执行预处理操作；利用预处理操作之后的眼底图像数据训练病灶识别模型；及将需要进行病灶识别的眼底图像以预设的N个像素为步长均匀地产生图像块，对每个图像块运用所述病灶识别模型得到该图像块的概率值，对所有图像块的概率值进行平均运算，得到该输入的眼底图像中病灶的概率值。本发明还提出一种装置以及一种计算机可读存储介质。本发明可以实现眼底病灶的自动识别。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种病灶自动识别方法、装置及计算机可读存储介质。

背景技术

糖尿病视网膜病变是一种主要的致盲疾病，然而糖尿病患者如果能及时发现并且获得规范的治疗，多数可以摆脱失明的危险。几乎所有的眼病都可能发生在糖尿病患者身上，如眼底血管瘤、眼底出血、泪囊炎、青光眼、白内障、玻璃体浑浊、视神经萎缩、黄斑变性、视网膜脱落。而且糖尿病患者发生这些眼病的几率明显高于非糖尿病人群。

目前，糖尿病视网膜病变诊治过程中存在的关键问题是如何更加安全准确，更加及早的发现相关症状，从而采取相应措施预防视力障碍。目前主要的诊断方法仍然是依靠人工的诊断，从眼底彩片中人工识别是否含有病灶，而随着患者数目的增加，传统的人工诊暴露出了成本高、效率低、偶然因素大等问题，亟待自动化的辅助诊断手段。

深度学习在医学影像中已经得到了广泛成熟的应用，医学图像分析已广泛应用于良恶性肿瘤、脑功能与精神障碍、心脑血管疾病等重大疾病的临床辅助筛查、诊断、分级、治疗决策与引导、疗效评估等方面。医学图像分类与识别、定位与检测、组织器官与病灶分割是当前医学图像分析深度学习方法研究的主要应用领域，但同时不同成像原理的医学图像分析和计算机视觉领域中的自然图像分析存在较大的差别。

发明内容

本发明提供一种病灶自动识别方法、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眼底病灶的自动识别方案。

为实现上述目的，本发明的病灶自动识别方法，包括：

采集眼底图像数据，并对所述眼底图像数据执行预处理操作；

利用预处理操作之后的眼底图像数据训练病灶识别模型；及

将需要进行病灶识别的眼底图像以预设的N个像素为步长均匀地产生图像块，对每个图像块运用所述病灶识别模型得到该图像块的概率值，对所有图像块的概率值进行平均运算，得到该输入的眼底图像中病灶的概率值。

可选地，所述预处理操作包括图像剪裁处理，所述图像剪裁处理通阈值图像分割法把眼底部分从所述眼底图像数据中提取出来。

可选地，所述预处理操作包括归一化处理，所述归一化处理通过下述公式，将所述眼底图像数据从RGB颜色空间转换为LUV颜色空间：

u^*＝13L^*·(u′-u′_n)

v^*＝13L^*·(v′-v′_n)，②

其中，b为定值，u'和v'是色度坐标，将式子①中得到的X、Y、Z的值以及所述色度坐标u'和v'代入式子②中，得到调整后的L通道值L*与U和V通道的值u*和v*后，再将所述眼底图像数据转换回RGB色彩空间，完成归一化处理。

可选地，所述病灶识别模型为卷积神经网络模型，以及所述利用经上述预处理操作之后的眼底图像数据训练病灶识别模型包括：

以64个像素为步长从所述眼底图像提取256x256的小图像块，形成初始训练样本；

采用数据增强方法增加所述初始训练数量样本；