[发明专利]修改用于深度学习模型的视网膜眼底图像的方法

说明书

公开了一种修改用于深度学习模型的视网膜眼底图像的方法100。在所描述的实施例中，方法100包括：通过将视网膜眼底图像111的像素172转换为0二值图像131的低强度经修改像素和高强度经修改像素来将视网膜眼底图像111转换为二值图像131，以及确定在二值图像131的低强度经修改像素与高强度经修改像素之间的第一边界151。该方法进一步包括：从第一边界151移除离群边界值162，根据剩余边界值163构建第二边界161，标识视网膜眼底图像在第二边界161之内的的像素172，以及5构建用于深度学习模型的经修改的视网膜眼底图像171，该经修改的视网膜眼底图像包含所标识的像素172。

技术领域

本公开涉及用于深度学习技术的图像处理，并且更具体地但是非排他性地涉及一种修改用于深度学习模型的视网膜眼底图像的方法。

背景

在全球范围内，糖尿病性视网膜病变(DR)是引起视力丧失的主要原因。筛查DR并及时进行转诊和治疗是预防视力受损的普遍接受的策略。当前，由评估人员针对DR进行的临床眼底镜检查或者视网膜照片评估是最常用的DR筛查方法。然而，此类DR筛查项目受到实施问题、评估人员的提供和训练以及长期财务可持续性的挑战。随着全球糖尿病患病率的增加，需要可持续的、具有成本效益的DR筛查项目。

已提出了深度学习系统(DLS)，作为用于通过分析视网膜图像来进行大规模DR筛查的一种选择。DLS利用人工智能和表示学习法来处理自然原始数据，以识别高维信息中错综复杂的结构。与用于检测特定图像、图案和病变的传统模式识别型软件不同，DLS使用大型数据集来实现对有意义的图案或特征的挖掘、提取和机器学习。

DLS的性能部分取决于用于训练和/或验证模型的数据集。例如，两项先前的DLS研究显示出具有用于DR筛查的巨大潜力，从而证明在从视网膜照片中检测可转诊DR方面具有高灵敏度和特异性(>90％)。然而，所使用的性能指标基于从两个可公开获得的数据库中检索到的、而且在很大程度上局限于单个族群的高质量视网膜图像。

在“现实世界”DR筛查项目中，所捕获的、用于进行筛查的视网膜图像可能存在很大的可变性。例如，可能会使用不同的相机型号，从而导致图像差异。各个筛查中心之间的捕获标准也可能不同，这导致视网膜图像具有不同的质量(例如，很差的瞳孔扩张、很差的对比度/对焦)。各患者也可能具有不同的族裔，从而导致所捕获的视网膜图像具有不同的眼底色素沉着。这些可变因素将对在具有低可变性的高质量视网膜图像上训练的DLS的性能具有影响。为了将DLS在测试环境中的性能转变为在“现实世界”中的性能，应该使用“现实世界”DR筛查项目对DLS进行训练和验证，在“现实世界”DR筛查项目中，用于训练的视网膜图像会受到“现实世界”可变因素的影响。

此外，在任何DR筛查项目中，都期望包括对偶发但是常见的威胁视力的病症(诸如可疑青光眼(GS)和年龄相关性黄斑变性(AMD))的检测。这进一步拓宽了要纳入DLS的训练数据集中的视网膜图像的可变性。

因此，期望提供一种通过各种各样的视网膜图像来训练DLS的方法，以便解决现有技术中提到的问题和/或为公众提供有用的选择。

概述

现在将描述本公开的各个方面，以便提供本公开的总体概述。这些方面决不界定本发明的范围。

根据第一方面，提供了一种修改用于深度学习模型的视网膜眼底图像的方法。该方法包括：通过将视网膜眼底图像的像素转换为二值图像的低强度经修改像素和高强度经修改像素来将视网膜眼底图像转换为二值图像，以及确定在二值图像的低强度经修改像素与高强度经修改像素之间的第一边界。该方法进一步包括：从第一边界移除离群边界值；根据剩余边界值构建第二边界；标识视网膜眼底图像的在第二边界之内的像素；以及构建用于所述深度学习模型的经修改的视网膜眼底图像，所述经修改的视网膜眼底图像包括所标识的像素。