[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

说明书

本发明涉及医学图像处理技术领域，特别涉及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。所述高特异性的糖尿病性视网膜病变特征检测方法，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病灶特征检测的特异性进行进一步完善。较之只能体现出眼底图像级别、基于图像级别的眼底图像分类方法或仅仅通过深度学习的病灶特征提取方法能够通过直接获取红色和亮色病灶的位置、类型和个数后，减少病灶检测错误的方法，提升病灶特征检测的特异性。

技术领域

本发明涉人工智能与医学图像处理技术领域，特别涉及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。

背景技术

糖尿病视网膜病变(Diabetic Retinopathy,DR)是一种慢性且不易察觉的疾病，是人类致盲的主要原因之一。因此，在正常人群中，及早、定时筛查DR是非常必要的。大规模眼底图像的筛查增加了医生的负担，为了降低医生的工作量并提高效率，在DR筛查系统中实现病灶自动检测具有重大意义。

在DR早期检测的研究中，出血点、血管瘤(红色病灶)和渗出物(亮色病灶)的检测尤为重要。然而，眼底图像中的解剖结构和病灶在某些特征上的相似性以及成像的硬件条件造成的眼底图像质量问题给DR的检测带来难度。

发明内容

为此，需要提供高特异性的糖尿病性视网膜病变特征检测方法，用以解决上述技术问题，具体的技术方案如下：

高特异性的糖尿病性视网膜病变特征检测方法，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病灶特征检测的特异性进行进一步完善。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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；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。

进一步的，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。