[发明专利]基于深度学习的眼底图像病灶区域标注方法

说明书

本发明公开一种基于深度学习的眼底图像病灶区域标注方法，该方法包括选取样本并进行预处理，包括图像的裁剪、水平上下翻转及归一化处理；构建卷积神经网络和解卷积神经网络作为图像生成器，输入预处理后的彩色眼底图像，输出对应的病灶概率图；构建卷积神经网络作为判别器，输入生成病灶图与真实病灶图，输出病灶图判断成真实图像的概率；交替训练生成网络与判别网络直到可以生成满意结果；根据生成的病灶概率图在眼底图像中标注病灶区域。本发明使用深度卷积神经网络生成眼底图像病灶概率图，对眼底图像病灶区域进行自动标注。自动标注可以为医生的诊断提供辅助依据，同时能够大大减轻人工标注的代价。

技术领域

本发明涉及一种基于深度学习的眼底图像病灶区域标注方法，属于医学图像处理领域。

背景技术

近年来，随着医学成像采集设备的不断完善，以及图像处理、模式识别、机器学习等学科的不断发展，多学科交叉的医学图像处理和分析领域取得了丰硕的成果。这些成果对于辅助医生进行快速精确的诊断具有重大的意义。

糖尿病性视网膜病变(Diabetic Retinopathy,DR)是糖尿病常见的并发症，也是导致中老年人致盲的主要原因之一，其临床病灶表现为微动脉瘤、出血斑点、硬渗出物和软渗出物。通过定期筛查以及对疾病进行早期诊断可以有效降低致盲率。由于需要筛查的人群数量巨大，单纯靠医生进行诊断是一件费时费力的任务，并且由于医生的经验和疲劳等主观因素的影响，容易出现误诊与漏诊。因此对能自动进行DR诊断的计算机辅助系统进行研究和开发，可以大大减轻医生的负担，也能减少人力物力的消耗。

随着深度学习等数据驱动方法的发展，自动DR诊断系统得到了迅速的发展。然而医学标注图像通常规模很小，并且标注的价格昂贵，因而我们希望能用一种简单直接的方式直接由眼底视网膜图像生成其病灶区域的标注，以减少人工标注的代价。该方法的实现同样对于辅助医生诊断具有重大意义，通过对病灶区域的自动标注，能够让医生和病人对图像内容具有更直观的感受，提高诊断准确率与速率。

发明内容

发明目的：为解决现有技术的不足，本发明提供了一种基于深度学习的眼底图像病灶区域标注方法，将彩色眼底视网膜图像送入由深度卷积神经网络组成的生成对抗网络(GAN)，可以生成与之对应的病灶概率图，实现对眼底图像病灶区域的自动标注，节省图像标注的人力物力，为医生提供辅助诊断的素材。

技术方案：本发明所述基于深度学习的眼底图像病灶区域标注方法，其特征在于，包括如下步骤：

(1)选取DIARETDB1数据集中含有硬渗出物病灶的眼底图像以及其对应的硬渗出物病灶概率图作为原始数据样本，对眼底图像和病灶概率图进行预处理，得到训练集和测试集；

(2)构建生成网络，通过深度卷积神经网络和解卷积神经网络构建图像生成器，对于给定的眼底图像生成对应的病灶概率图；

(3)构建判别网络，通过深度全卷积神经网络构建图像判别器，用于判断送入判别网络中的病灶概率图的真实性，同时判断其是否与眼底视网膜图像匹配；

(4)将预处理后得到的训练集，送入生成网络得到生成病灶概率图，然后将生成图像送入判别网络，计算损失函数，迭代更新参数，使得生成的病灶概率图在特征分布上尽可能接近真实的病灶概率图；

(5)生成图像后处理，对生成的病灶概率图进行阈值处理和边缘检测，提取病灶图的边界框并在原图上标出，实现对眼底图像病灶区域自动标注的功能；

(6)用训练好的眼底图像病灶区域标注模型在测试集上做测试，验证模型效果，根据模型效果微调参数，多次训练模型，获得最佳效果的模型。