[发明专利]基于眼底造影图像深度学习的糖网病变无灌注区识别方法

说明书

本发明公开了一种基于眼底造影图像深度学习的糖网病变无灌注区识别方法。本发明针对医生标注的含无灌注区、不含无灌注区和含激光斑三类眼底造影图像，建立多层卷积神经网络，基于眼底造影图像对卷积神经网络的训练，使卷积神经网络的最终输出值符合医生标注的结果，从而可以利用训练好的卷积神经网络对糖尿病视网膜病变进行自动检测识别眼底无灌注区。本发明通过训练诊断标记的眼底造影图像，采用深度学习实现自动从训练范例眼底造影图像库中学习所需特征并进行分类判别，在训练过程中不断优化用于判断的数据特征以及卷积神经网络的参数，从而能够大幅提高临床运用中的糖尿病视网膜病变无灌注区智能识别的敏感性和特异性，精准地辅助眼底激光。

技术领域

本发明属于图像识别技术邻域，具体涉及一种基于眼底造影图像深度学习的糖网病变无灌注区识别方法。

背景技术

糖尿病视网膜病变(DR)是最常见的糖尿病并发症，目前全世界有超过6千万DR患者，患病初期并无明显异常症状，但最终会导致视力丧失，已经成为四大致盲眼病之一。DR若发现于早期，尚属可治盲；若待到晚期才发现，即使手术成功，视力预后也很差，且治疗费用高昂，已属难治盲。因此，DR的早发现、早治疗非常重要。

眼底激光光凝是DR的重要治疗手段之一，但目前在眼底激光治疗时，需要有经验的眼底病医生参照眼底荧光造影(FFA)来定位病灶和设定激光的能量，实时精准地识别眼底无灌注区存在一定困难，无法使用FFA图像上无灌注区精确辅助眼底激光。眼底激光光凝的准确性非常重要，与DR治疗的预后密切相关，特别是在黄斑区域和视网膜血管性疾病的无灌注区。只有根据FFA图像上有无大面积无灌注区，才能判断视网膜有无缺血。传统的计算机辅助诊断，通过机器学习医生对病灶的分割标注，应用于眼底图像中DR渗出和出血病灶的识别已有系列研究成果，但诊断的准确性依赖于医生的经验，对于大数据的标注需要耗费医生大量时间和精力。深度学习技术能直接从图像中学习到最具预测性的特征，对数据进行分类，而不是由医生来指定特征。随着大数据和精准医学时代的到来，基于深度学习能够准确地识别大样本FFA图像中的无灌注区，是通过眼底激光光凝精准治疗DR的前提条件。

发明内容

为了解决背景技术中的问题，本发明提供了一种基于FFA图像深度学习的糖尿病视网膜病变无灌注区智能识别方法，该方法能够充分利用FFA图像中的信息，从而提高识别糖尿病视网膜病变的无灌注区准确性。

本发明采用的技术方案如下：

本发明包括以下步骤：

步骤1：收集和标注眼底造影图像，将眼底造影图像标记为含无灌注区、不含无灌注区和含激光斑三类图像。

步骤2：将标记为含无灌注区、不含无灌注区和含激光斑的眼底造影图像进行预处理后得到训练范例眼底造影图像，由训练范例眼底造影图像构成训练数据库的数据；所述预处理为对眼底造影图像依次进行图像去噪平滑、图像对比度增强和像素归一化处理。

步骤3：扩增所述步骤2中的训练数据库数据：采用图像翻转和随机加入高斯噪声的方法对训练数据库数据进行扩增，得到扩增后的训练数据库。

步骤4：建立卷积神经网络，具体步骤如下：

步骤4.1：建立一个包括一个卷积层、四个稠密块，三个过渡块，一个全局均值池化层和一个全连接层的卷积神经网络。

步骤4.2：卷积神经网络具体主要由输入层、输入卷积层、四个稠密块，三个过渡块、全局均值池化层、全连接层和输出层依次连接构成，四个稠密块依次连接，且相邻两个稠密块之间连接有一个过渡块，输入层经输入卷积层与第一个稠密块相连，第四个稠密块经全局均值池化层与全连接层相连，全连接层输出连接至输出层；