[发明专利]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

权利要求书

1.高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，包括步骤：

通过预设步骤对眼底图像的病变区域进行病灶特征检测；

对经过预设步骤处理后的眼底图像进行预处理；

提取预处理后的眼底图像的主血管；

根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；

根据视盘圈定结果、黄斑中心凹圈定结果和主血管对所述病灶特征检测方法做进一步的完善，所述进一步的完善包括：去除所述圈定的黄斑中心凹一定比例直径的边缘圈内或与所述边缘圈有一定交集的病灶特征，标定所述圈定的视盘边缘圈内或与所述边缘圈有一定交集的病灶特征，去除与所述主血管有一定交集的病灶特征，对于视盘边缘圈内或与所述边缘圈有一定交集的白色或黄色病灶特征予以标定，所述有一定交集的病灶特征包括：血管瘤与出血点；

所述“通过预设步骤对眼底图像的病变区域进行病灶特征检测”，还包括步骤：

利用迁移学习和集成学习的方法对眼底图像进行分级；

利用弱监督学习算法对眼底图像病变区域进行定位；

利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型；

利用所述病灶模型在眼底图像的病变区域进行病灶特征检测；

所述“利用迁移学习和集成学习的方法对眼底图像进行分级”，还包括步骤：

使用预训练好的模型初始化VGGNet16和GoogLeNet模型参数，利用kaggle-DR数据集中的DR图像分级标签和图像对这两个模型进行微调；把原来全连接层1000个输出，改为4个输出，分别对应健康、轻度、中度和重度四个DR图像分级；

通过反向传播算法对预初始化的卷积神经滤波器的权重进行微调，使整个卷积神经网络符合眼底图像的特点。

2.根据权利要求1所述的高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，

所述“对所述眼底图像进行预处理；提取预处理后的眼底图像的主血管；根据所述主血管对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定；对预处理后的眼底图像进行视盘圈定和黄斑中心凹圈定”，还包括步骤：

所述预处理包括：绿色通道选择、中值滤波、有限对比度增强和灰度的均衡化和归一化处理；

对预处理后的眼底图像通过大津算法提取二值化血管图，并通过形态学方法对所述二值化血管图进行腐蚀得到主血管信息；

对主血管进行抛物线拟合计算，根据计算结果定位视盘中心和圈定视盘边缘；

以视盘中心作为圆心，第一预设半径值和第二预设半径值，构建圆形，形成环形区域；

在所述环形区域内根据黄斑亮度特征进行黄斑中心凹定位和圈定黄斑边缘。

3.根据权利要求1所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，

利用微调后的两个模型提取眼底图像特征向量分别训练五种分类器，所述五种分类器分别是VGGNet16分类层自带的Softmax分类器，GoogLeNet分类层自带的Softmax分类器，从微调后的VGGNet提取特征向量训练SVM分类器，从微调后的GoogLeNet提取特征向量训练SVM分类器，从微调后的VGGNet-16和GoogLeNet中提取特征向量训练SVM；

采用集成学习方法，通过平均法对多个分类器的判别结果取平均，共同判断眼底图像的类别。

4.根据权利要求1所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，

所述“利用弱监督学习算法对DR病变区域进行定位”，还包括步骤：

对眼底图像应用卷积神经网络的类别激活映射算法生成热图，对热图进行归一化和阈值分割，大于预设阈值的部位则判定为病变区域。

5.根据权利要求4所述高特异性的糖尿病性视网膜病变特征检测方法，其特征在于，

所述“利用卷积神经网络和支持向量机分类器训练得到出血点、血管瘤和渗出物病灶模型”，还包括步骤：

根据数据集中的病灶标注，利用滑动窗口在病灶标签区域和非病灶标签区域截取图像块，作为正负样本训练卷积神经网络和支持向量机分类器。