[发明专利]基于深度神经网络的角膜病图像序列化特征提取与分类方法及装置

权利要求书

1.一种基于深度神经网络的角膜病图像序列化特征提取与分类方法，其特征在于，包括如下步骤：

1)把角膜病裂隙灯图像按照眼表-角膜的自然界域进行区域标注的结果作为训练数据集，并利用滑动窗口对角膜图像中病变主体区域进行采样，形成区域子块集合；

2)对每张角膜图像中的所有区域子块，通过DenseNet模型进行特征提取，获取区域的向量化特征表示；

3)将特征提取结果进行序贯链接组合，从而保留区域子块之间的空间结构关系，并利用长短时记忆模型对特征序列进行处理，形成角膜图像特征，并进行分类；

所述的步骤1)具体包括以下子步骤：

101)将角膜病裂隙灯图像的病变主体区域用多边形进行标识，勾勒出角膜病图像病变区域轮廓，以形成训练数据集；轮廓由顶点集C＝{c₀，c₁，...，c_n-1}表示，其中c_i＝(x_i，y_i)，(x_i，y_i)为顶点c_i的坐标，i＝0，1，2，…，n-1；相邻两个顶点构成一条边界e_i，边界集合E＝(e₀，e₁，...，e_n-1)通过顶点表示为以下形式：

102)对于图像中每个像素点，利用射线法判断其是否在病变主体内部；其具体方法是，令图像高度为h，宽度为w，对于待测像素点(x_i，y_k)，x_i∈[0，h)，y_k∈[0，w)，作一条从该待测像素点到图像边缘的线段l_ik＝((x₀，y_k)，(x_i，y_k))，计算线段l_ik对表示病变主体边界的多边形边界集合E的穿越次数；生成与图像相等大小的掩膜M，若穿越次数为奇数，则点(x_i，y_k)属于病变主体区域，掩膜M上对应(x_i，y_k)位置像素点值记为1；反之，若穿越次数为偶数，则点(x_i，y_k)处于病变主体区域外，掩膜M上对应(x_i，y_k)位置像素点值记为0；若该点在多边形边界集合上，则直接判定其在多边形内部；

103)对于每张图像中的病变主体区域，首先计算得到其外接矩形的中心位置，再以中心位置为圆心，得到K_s+1个半径为R_i＝i*r，i∈[0，K_s]的同心圆；在每个同心圆上通过边长为l_w的滑动窗口对病变主体区域进行采样，得到一系列描述病变主体区域的图像子块；对于位于半径为R_i的同心圆上的子块p_ij，将其归入子块集合S_i当中；第i个从同心圆得到的子块集合包含n_i个子块，表示为针对所有的同心圆得一系列子块集合

2.如权利要求1所述的基于深度神经网络的角膜病图像序列化特征提取与分类方法，其特征在于，所述的步骤2)具体包括以下子步骤：

201)使用基于DenseNet深度残差神经网络模型对图像病变区域中的子块进行建模，对每个子块p_ij，网络输出端输出一个k_p维特征向量v_ij；则对于每个从同心圆得到的子块集合对应地得到一个向量集合对于子块集合对应地得到一系列子块特征向量集合

202)对于每个从同心圆得到的子块集合所对应向量集合对该集合中所有向量进行最大池化(Max-pooling)计算，得到描述该同心圆的特征向量v_layeri；从病变主体区域的圆心出发，由内向外序贯链接每个同心圆所对应特征向量，得到描述角膜病图像病变主体区域的特征向量序列该特征向量保留了病变主体区域中子块之间所固有的空间结构。