[发明专利]一种基于深度学习的青光眼筛查装置

说明书

本发明涉及一种基于深度学习的青光眼筛查装置，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。本发明能够有效筛查青光眼。

技术领域

本发明涉及辅助医疗技术领域，特别是涉及一种基于深度学习的青光眼筛查装置。

背景技术

青光眼是一种慢性视神经进行性退化眼部疾病，会导致不可逆的视力损失甚至是失明。青光眼的早期筛查与诊断对于保护视力、提高生活质量具有十分重要的作用。在临床诊断中，眼科医生通常基于视神经乳头(Optic Nerve Head，ONH)区域计算杯盘比(Cup-to-disc ratio，CDR)以诊断和筛查青光眼。通常，杯盘比越大，患青光眼的概率越大。OD和OC的准确分割是精确计算CDR的前提。在实际的临床环境中，眼科医生通常采用手动描绘的方式或对分割算法产生的轮廓进行修正后得到OD和OC的分割结果。然而，这种分割OD和OC的方式是耗时、费力且容易受到医生个人主观临床经验的影响。因此，迫切需要一种方法或工具能够自动从视网膜眼底图像中联合分割视盘(Optic disc，OD)和视杯(Optic cup，OC)，进而准确计算CDR，以辅助眼科医生对青光眼进行诊断和筛查。

传统的基于眼底图像分割OC和OD的方法(如：统计形状模型、多视图和多模式方法、基于超像素的方法等)，过分依赖于人工制作的特征，费时费力，缺乏鲁棒性和泛化性，导致了比较差的分割效果。近年来，随着深度学习技术在医学图像领域的不断进步，许多深度学习方法(如：改进的U-Net、M-Net、CE-Net等)，也已用于OC和OD的分割领域，并取得了不错的效果。但是，这些深度学习算法大都将OC和OD的分割任务作为两个独立的问题来处理，忽略了两个任务之间的关系，如：OC和OD的形状近似椭圆、OC位于OD的中心位置等，造成了分割结果欠佳、鲁棒性和泛化性不足、临床实用性较差等。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的青光眼筛查装置，能够有效筛查青光眼。

本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的青光眼筛查装置，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。

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。