[发明专利]基于计算机视觉特征的OCT图像分类方法及系统、设备

说明书

本发明提供了一种基于计算机视觉特征的OCT图像分类方法及系统、设备及存储介质，所述方法包括：生成OCT图像中的第一掩码图像并与OCT图像运算，获取第一兴趣图像；对第一兴趣图像进行处理，确定前景，将前景转换为第二掩码图像并进行处理；将处理后的第二掩码图像与第一兴趣图像运算，提取第二兴趣图像；对第二兴趣图像进行特征增强处理，得到第三兴趣图像；对第三兴趣图像进行分类，得到分类结果，获取分类结果的置信度，将最终结果显示OCT图像上。该方法增加了计算机视觉预处理部分，有效地去除OCT图像的噪声，从而增加信噪比，且对敏感区域进行特征提取及特征增强，进行深度学习的识别，从而提高总体的识别准确率，提高图像的判断结果的置信度。

技术领域

本发明属于计算机视觉、医学图像处理技术领域，尤其涉及一种基于计算机视觉特征的OCT图像分类方法及系统、设备及存储介质。

背景技术

黄斑(macula)的中央有一个凹陷的结构，称为中央凹，是视力最敏锐的地方。当黄斑区域发生病变时，常会导致患者中心视力的严重下降，甚至是不可逆性失明。常见的视网膜疾病包括年龄相关性黄斑病变(age-related macular degeneration，AMD)、糖尿病性黄斑水肿(diabetic macular edema，DME)等。

在眼科疾病的临床诊断中，光学相关断层扫描技术(opticalcoherencetomography，OCT)，是一种通过测量物体后向散射光的强度对物体进行断层成像的技术，它有着高分辨率、非接触、无创伤等特点，作为一种临床辅助手段被广泛应用。最初的医学图像分类采用人工标注的方法，医生通过观察大量的OCT横向扫描图像进行文本标注并且对其存储以确定患者的疾病类型，这种人工分析的方法耗时而且对医生的专业性有一定的要求，因此需要一种高效准确的视网膜OCT图像自动分类方法来辅助医生诊断。

目前，利用UNet进行医学图像的语义分割，能有效分割医学图像的病灶部分，并且模型的参数量比较小，但当OCT图像噪音比较大时，会发生语义分割错误的情况。首先，视网膜图像结构的复杂性，并不是每种眼科疾病的OCT图像上都有明显的差别，因此使用UNet进行视网膜OCT图像病灶语义分割时准确率有待提高。由于视网膜OCT图像噪音大，图像不规则，如果直接进行卷积神经网络识别不能有效的提高识别准确率。利用统计学的方法进行视网膜OCT的诊断，该方法不需要大量图片进行训练，但准确率有待提高，而且不能识别多种疾病。

发明内容

本发明所要解决的技术问题是：针对现有技术的问题，本发明提供了一种可以有效地去除OCT图像的噪声，且进行深度学习的识别，从而提高总体的识别准确率，并且提高了图像的判断结果的置信度方法。

为了解决上述技术问题，本发明采用的技术方案为：

第一方面，本发明提供了一种基于计算机视觉特征的OCT图像分类方法，所述方法包括：

生成OCT图像中的第一掩码图像，对所述第一掩码图像进行处理，将所述处理后的第一掩码图像与所述OCT图像进行运算，获取所述OCT图像中的第一兴趣区域图像；对所述第一兴趣区域图像进行处理，确定所述OCT图像中的前景区域，将所述前景区域转换为第二掩码图像并对所述第二掩码图像进行处理；

将处理后的第二掩码图像与所述第一兴趣区域图像进行运算，提取所述第一兴趣区域图像中的第二兴趣区域图像；

对所述第二兴趣区域图像进行特征增强处理，得到第三兴趣区域图像；

通过卷积神经网络对所述第三兴趣区域图像进行分类，得到所述第三区域图像的分类结果，获取所述分类结果的置信度，根据所述分类结果的置信度将最终分类结果显示于所述OCT图像上，所述分类结果包括所述最终分类结果。

第二方面，本发明提供了一种基于计算机视觉特征的OCT图像分类系统，所述系统包括：