[发明专利]一种基于深度学习的青光眼筛查装置

权利要求书

1.一种基于深度学习的青光眼筛查装置，其特征在于，包括：

图像采集模块：用于采集视网膜眼底图像，所述视网膜眼底图像包括OD区域和OC区域，所述OC区域位于OD区域中；

特征提取模块：用于通过构建的特征提取网络来提取所述视网膜眼底图像的第一特征图；

OD区域分割模块：用于构建DPN网络，所述DPN网络用于根据第一特征图获得OD区域；

OC区域分割模块：用于构建CPN网络，所述CPN网络用于获得OC区域；

融合注意力模块：构建用于级联所述DPN网络和CPN网络的视盘模块，并通过所述视盘模块根据OD区域来引导CPN网络对OC区域的定位；

筛查模块：用于计算OC区域与OD区域的比值来判断是否患有青光眼。

2.根据权利要求1所述的基于深度学习的青光眼筛查装置，其特征在于，所述特征提取模块中的特征提取网络为设置有DAC模块的ResNet34网络，所述ResNet34网络包括依次连接的卷积框架头模块、残差模块Layer1、残差模块Layer2、残差模块Layer3和残差模块Layer4，所述残差模块Layer4和DAC模块相连；其中，所述卷积框架头模块由通道数为64的7×7的卷积核和最大池化层组成。

3.根据权利要求2所述的基于深度学习的青光眼筛查装置，其特征在于，所述DAC模块包括第一分支、第二分支、第三分支和第四分支；所述第一分支包括卷积率为1的1×1卷积层，所述第二分支包括卷积率为1的1×1卷积层和卷积率为3的3×3卷积层，所述第三分支包括卷积率为1的1×1卷积层、卷积率为3的3×3卷积层和卷积率为1的3×3卷积层，所述第四分支包括卷积率为1的1×1卷积层、卷积率为5的3×3卷积层、卷积率为3的3×3卷积层和卷积率为1的3×3卷积层。

4.根据权利要求2所述的基于深度学习的青光眼筛查装置，其特征在于，所述视盘模块根据OD区域来引导CPN网络对OC区域的定位，具体为：

基于所述DPN网络获得的OD区域，将所述残差模块Layer4输出的特征图进行OD区域的裁切，得到第一OD区域裁切特征图；基于所述DPN网络获得的OD区域，将所述DAC模块输出的特征图进行OD区域的裁切，得到第二OD区域裁切特征图；

对所述第一OD区域裁切特征图进行1*1卷积操作，得到大小与第二OD区域裁切特征图相同的卷积特征图，将所述卷积特征图与第二OD区域裁切特征图进行拼接，得到通道数量为513的OD区域拼接特征图；

将所述OD区域拼接特征图进行3*3的卷积操作，得到通道大小为512的高等级语义特征图，将所述高等级语义特征图输入CPN网络，所述CPN网络基于DPN网络识别出的OD区域来引导OC区域的定位。

5.根据权利要求4所述的基于深度学习的青光眼筛查装置，其特征在于，所述OD区域分割模块中的DPN网络和OC区域分割模块中的CPN网络均包括：依次连接的RPN网络、旋转ROI池化层和分类器，其中，所述DPN网络中的RPN网络用于根据第一特征图得到OD区域的候选边界框，所述CPN网络中的RPN网络用于根据所述高等级语义特征图得到OC区域的候选边界框，所述旋转ROI池化层用于将所述OD区域或OC区域的候选边界框对应区域进行划分，并对划分的子区域进行最大池化得到第二特征图，所述分类器用于根据所述第二特征图计算OD区域或OC区域的最小边界框。

6.根据权利要求5所述的基于深度学习的青光眼筛查装置，其特征在于，所述RPN网络中的锚框为具有方向参数为尺度分别为8、16和32，以及纵横比为1:1、1:2和2:1的边界框；所述边界框由(x,y,h,w,θ)来表示，其中，(x,y)表示边界框的中心坐标，h和w表示边界框的高度和宽度，θ表示边界框长边与x轴正方向的夹角。