[发明专利]一种基于卷积神经网络的多模型糖网病变自动筛查方法

说明书

本发明涉及基于卷积神经网络的多模型糖网病变自动筛查方法，包括如下步骤：获取眼底图像；利用糖网图像质量检查CNN分类器筛选出眼底图像中的正常眼底图像；通过糖网等级分类器模块获取正常眼底图像中糖网图像所属病变的糖网国标等级；通过糖网病变区域检测模块获取正常眼底图像上的病变位置以及类别信息；将糖网图像所属病变的糖网国标等级和病变位置以及类别信息通过糖网早期筛查等级分类融合模块融合后获取筛查等级；将病变位置以及类别信息通过卷积神经网络类别激活映射模块后，获取出血位置的面积，本发明能准确的进行自动化进行糖网影像早期筛查，提高了早期筛查的效率，减轻诊断人员的工作负担，另外还弥补了单个模型容错率低的缺点。

技术领域

本发明涉及一种筛查方法，尤其涉及一种基于卷积神经网络的多模型糖网病变自动筛查方法。

背景技术

糖尿病性视网膜病变(以下简称糖网)已经成为眼科疾病的重要问题，它是糖尿病最常见的并发症之一，严重情况下能够导致患者永久性失明。早期糖网筛查对于糖网病变控制以及治疗有至关重要的作用，在临床医学领域中比较成熟的筛查手段是通过对彩色数字眼底扫描图像进行检查。

但由于人工筛查过程耗时耗力又严重依赖于诊断医生的专业能力,无法满足逐年上升的病患需求，导致不少病人得不到及时的诊断从而延误了最佳治疗时机。因此,眼底图像的糖网病变自动筛查的研究与实现，对于糖网病变的及时发现与治疗有着重要意义。

近年来，随着深度学习算法的出现，人工智能(AI)领域的研究呈现出革命性的发展和进步，在医疗领域，深度学习算法显现出巨大的潜力，例如在应对皮肤病变图像诊断和CT肺部扫描图像的筛查方面，基于深度学习的AI系统在闭包测试过程中已经具备与医学专家相同甚至更佳的识别能力。

基于深度学习的糖网筛查也受到越来越多的关注。近年来，在海量糖网图像数据支撑下，基于深度学习的自动化糖网筛查方法也逐渐发展起来，将卷积神经网络在具有病变指标标注的糖网数据集上进行训练，得到的卷积神经网络模型能够智能的分析患者的糖网病变情况，进而实现糖网病变的大规模自动筛查。

但在现实应用中，单一的神经网络模型在糖网筛查方面存有些缺陷，首先，单一神经网络模型不能准确的剔除掉因医疗器械，医生经验，患者配合程度等客观因素产生的大量低质量的眼底照片；另一方面，只具有分类效果的单一神经网络模型不能显示供医生进一步分析的糖网病变细节。

发明内容

本发明目的是为了克服现有技术的不足而提供一种能够把控糖网图像质量，进行糖网等级初步筛查，以及为后续分析提供精细信息功效的基于卷积神经网络的多模型糖网病变自动筛查方法。

为达到上述目的，本发明采用的技术方案是：基于卷积神经网络的多模型糖网病变自动筛查方法，包括如下步骤：

获取眼底图像；

利用糖网图像质量检查CNN分类器筛选出眼底图像中的正常眼底图像；

通过糖网等级分类器模块获取正常眼底图像中糖网图像所属病变的糖网国标等级；

通过糖网病变区域检测模块获取正常眼底图像上的病变位置以及类别信息；

将糖网图像所属病变的糖网国标等级和病变位置以及类别信息通过糖网早期筛查等级分类融合模块融合后获取筛查等级；

将病变位置以及类别信息通过卷积神经网络类别激活映射模块后，获取出血位置的精确面积。

进一步的，所述利用糖网图像质量检查CNN分类器筛选出眼底图像中的正常眼底图像的步骤如下：

S1:将眼底图像输入到以Squeezenet为卷积神经网络结构的模型中，形成维度为4096的特征向量；

S2:特征向量经过二分类线性分类器之后，获得是否为正常眼底图像的分类标签。