[发明专利]基于人类视觉系统的眼底图像质量评估方法

说明书

本发明公开一种基于人类视觉系统的眼底图像质量评估方法，包括：选取数据集中的一部分眼底图像作为原始数据样本并进行预处理，去除背景部分并提取感兴趣区域部分；计算眼底图像的显著图；利用微调深度神经网络训练卷积神经网络，将自然图像的网络参数迁移到医学图像网络的训练中；提取出眼底图像的特征以及显著图中的显著性特征并进行特征融合；对融合的特征构建出样本的特征矩阵，并利用特征矩阵训练支持向量机分类器，对眼底图像质量进行分类。本发明通过将基于卷积神经网络的监督信息与基于显著图的无监督信息融合，并利用融合信息训练分类器来进行图像质量分类，利用迁移学习原理，使用微调深度卷积神经网络的方法来提高图像质量分类的性能。

技术领域

本发明涉及医学图像处理技术领域，具体涉及基于人类视觉系统的眼底图像质量评估。

背景技术

眼底图像质量评价是眼底图像在临床辅助诊断发展中一个基础性的问题，在自动化眼疾病病变筛查系统中，输入图像的质量对于眼疾病自动筛查诊断结果具有至关重要的作用。自动诊断分析系统要求输入的视网膜眼底图像具有能满足分析要求的最低质量，这样便于提取特征进行后续的诊断要求。然而在实际中由于诸如操作人员专业知识水平、使用的设备类型不同以及患者病情等因素的影响，获取的眼底图像会出现噪声、模糊、畸变以及低照明度等图像质量问题，进而影响后续的眼疾病诊断分析，因此图像质量评估是眼疾病自动筛查系统的重要组成部分。

当前大部分自动诊断算法中，对于图像质量评估所使用的方法几乎都依赖于手工设计特征建模，再进行分类器的构建。例如使用包括形状，颜色，亮度和先验知识等手工特征进行图像质量分类，这些特征基于通用或结构质量参数在新的数据集上泛化能力差，无法应用于较大数据集。另一方面，尽管专家依靠人类视觉系统的能力来识别质量差的眼底图像，并且能够适用于新的数据集中，但是这种评估在实际中带有很大的主观因素。除此之外，目前基于手工特征的方法不能利用人类视觉系统的特点来提高图像质量分类的性能。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种基于人类视觉系统的眼底图像质量分类方法，该方法将基于卷积神经网络的监督信息与基于显著图的无监督信息相结合，并利用这两种特征训练分类器进行图像质量分类。使用一种基于全分辨率的显著图，其能够获取与图像质量分类相关的局部以及全局特征。并且在卷积神经网络的学习中，利用迁移学习原理，使用微调深度卷积神经网络的方法来提高图像质量分类的性能。

技术方案：本发明所述基于人类视觉系统的眼底图像质量评估方法，用于图像处理系统，包括如下步骤：

（1）选取Kaggle数据集中部分眼底图像作为原始数据样本，对眼底图像进行预处理，去除图片背景区域中的黑色冗余信息，并对眼底图像的感兴趣区域进行提取，得到去除背景区域的彩色眼底图；

（2）使用一种频率调谐的方法对眼底图像计算显著图，通过合理的设置频率阈值范围来强调整体显著性区域，同时使显著性目标的边界更加明显并且忽略掉一部分干扰噪声；采用多个高斯滤波器的差分联合对显著图进行带通滤波，滤波器输出全分辨率显著图；

（3）构建卷积神经网络模型，采用ImageNet数据集自然图像单独对主神经网络进行训练，通过训练得到的参数对主神经网络进行微调并保存主神经网络模型参数；在保存的主神经网络模型参数中，选取眼底图像质量分类最好的主神经网络模型参数来初始化卷积神经网络中的主神经网络参数部分，余下参数随机初始化；

（4）提取全分辨率显著图中的显著性特征，同时提取眼底图像在卷积神经网络全连接层中的特征参数；分别归一化显著图的显著性特征和卷积神经网络的特征，将两个归一化特征进行融合，通过融合的特征构建特征矩阵；

（5）将特征矩阵送入支持向量机分类器，分类器在特征空间中找到一个超平面，该超平面能够将两类图片的特征向量最优地分开，实现图片质量“可接受的”和“不可接受的”两种情况的最优分类。