[发明专利]一种基于眼部B超图像的晶状体浑浊度分级方法

说明书

本发明公开了一种基于眼部B超图像的晶状体浑浊度分级方法，通过目标检测网络对原始眼部B超图像进行眼球检测，以解决眼球只占原始图像的一小部分以及无关背景中强回声干扰的问题，多个特征提取网络分别提取眼球区域的特征，在每个特征提取网络中，加入额外的注意力模块，使特征提取网络更加关注眼球中的晶状体区域，即重点提取区域的特征，从而提高晶状体浑浊度分级的准确率，最后的模型集成模块将多个特征提取网络进行集成，综合各个特征提取网络的优点，获得更可靠的晶状体特征和浑浊度识别结果。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于眼部B超图像的晶状体浑浊度分级方法。

背景技术

晶状体是眼球中的主要屈光结构，也是具有调节能力的屈光间质。晶状体最重要的作用是对不同距离进行对焦，通过改变屈光度使观看远近物体时的眼球聚光的焦点都能准确的落在视网膜上。晶状体呈双凸形扁圆体、透明、富有弹性，随着年龄的增长，晶状体会发生老化，影响透明度和弹性。如果由于各种原因造成晶状体部分或全部浑浊，导致原本透明的晶状体变得不透明或变成乳白色，就会阻碍光线进入眼内，使人看不清楚周围的东西。晶状体轻度浑浊就是白内障早期，而晶状体浑浊发展到重度会产生很多严重的并发症，如青光眼、色素膜炎等，还会出现眼红、眼痛伴头痛等症状，同时视力急剧下降甚至失去光感。晶状体浑浊如果及时发现并采取相应的应对措施，将会对视神经造成永久性损害。

通过眼部B超图像识别晶状体浑浊度需要眼科医生的准确判断，在低收入的偏远地区，眼科医生的极度缺乏使晶状体重度浑浊患者无法及时的被发现；目前，眼部B超检查具有无损伤、无痛苦、操作简便、重复性高和准确性好的优点，已被用作眼底检查的常规方法。在进行晶状体识别中，深度学习方法在计算机视觉领域取得了巨大的成功，已被用于各种复杂的图像任务。深度学习方法能够自动学习出模式特征，并将特征提取融入到模型的构建过程中，减少了人为设计特征造成的不完备性。在医学图像领域，卷积神经网络也已成功用于提取肺结节和皮肤癌等疾病的特征。对于眼部图像，Gao等人提出了一种递归卷积网络，从裂隙灯图像中自动学习其分级的特征。Zhang等人使用八层的卷积神经网络对视网膜眼底图像进行自动检测和分级，并可视化pool5层上的某些特征图。然而上述方法都是针对裂隙灯和眼底图像的，对眼部B超图像的晶状体浑浊度分级还没有简单快捷的有效方法。眼部B超图像因其自身的两个特点，导致晶状体浑浊度分级的特征提取较为困难。第一个是眼部B超图像范围大，晶状体只占很小的一部分。第二个是图像噪声多，导致正负样本之间的相似度高。同时，由于医学影像的特殊性，获取临床样本的成本很高，我们还面临训练数据量少的问题。

发明内容

针对现有技术中的上述不足，本发明提供的基于眼部B超图像的晶状体浑浊度分级方法解决了现有的眼部B超图像难以进行晶状体浑浊度分级的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于眼部B超图像的晶状体浑浊度分级方法，包括以下步骤：

S1、获取原始眼部B超图像，并对其进行预处理；

S2、将预处理后的眼部B超图像输入到训练好的目标检测网络YOLOv3中，得到眼球图像；

S3、将眼球图像分别输入到训练好的卷积神经网络DenseNet161、卷积神经网络ResNet152和卷积神经网络ResNet101中，得到对应的晶状体浑浊度预测结果；

S4、对三个晶状体浑浊度预测结果进行多数投票，得到最终的晶状体浑浊度分级结果。

进一步地，所述步骤S1中，对原始眼部B超图像进行预处理的方法具体为：

将DICOM格式的原始眼部B超图像转换为尺寸为720×576的PNG格式的眼部B超图像。

进一步地，所述步骤S2中训练目标检测网络YOLOv3的方法具体为：

A1、构建原始眼部B超图像数据集，并对每个原始眼部B超图像进行预处理；