[发明专利]一种基于局部病灶特征的糖尿病视网膜病变分类装置

说明书

本发明属于医疗图像分类领域，涉及深度学习，具体为一种基于局部病灶特征的糖尿病视网膜病变分类装置，用于解决深度模型在眼底图像上分类效果不佳、结果缺乏解释性等问题。本发明通过分别对眼底图像全局特征及局部病灶信息的提取，使得病变程度严重的图像中的信息能够得到充分利用，解决了由于数据量不足且不平衡导致的深度学习在糖网病变分类领域应用效果不佳的问题；并且在局部病灶信息提取过程中，输出了眼底图像中局部病灶信息的标注结果，解决了深度学习模型结果可解释程度低的问题，提高了对眼科医生诊断病情的辅助作用。

技术领域

本发明属于医疗图像分类领域，涉及深度学习，具体为一种基于局部病灶特征的糖尿病视网膜病变分类装置。

背景技术

糖尿病视网膜病变，一般简称为糖网病变，是一种血管病变，是较为常见的糖尿病并发症，糖尿病会造成患者人体血糖出现代谢紊乱，并对患者全身的血管和微血管造成侵害，病情恶化时甚至会造成人体血管破裂、缺血，双眼失明等严重问题。通过对患者视网膜眼底图像的检查是糖网病变诊断的主要手段，而传统的诊断糖网病变方法是依靠眼科医生对患者视网膜眼底图像的检查，该方法准确率高但耗时耗力，容易延误治疗。

随着生活水平的提高，人们的健康意识逐渐增强，医学的发展也成为社会关注的焦点。目前通过深度学习对患者眼底图像进行糖网病变病情的自动诊断方法主要是通过将预处理过后的视网膜眼底图像输入卷积神经网络中，最终输出对病情的诊断结果；但这种方法由于医疗图像的特殊性及医疗图像分析领域的专业性，存在着一些共性缺点：一是由于眼底图像中糖网病变特征分布稀疏，部分关键病灶所占区域小，在降低图像分辨率后检测非常困难，从而导致传统的深度学习模型难以取得良好的病变分类效果；二是深度模型的预测结果缺乏解释性，对医生诊断的辅助效果有限。

发明内容

本发明的目的在于针对上述缺陷，提供基于深度学习技术的一种基于局部病灶特征的糖尿病视网膜病变分类装置，旨在解决深度模型在眼底图像上分类效果不佳、结果缺乏解释性等问题。

为了达到上述目的，本发明采用技术方案如下：

一种基于局部病灶特征的糖尿病视网膜病变分类装置，所述装置包括：用于采集视网膜眼底图像的采集装置，用于接收所述视网膜眼底图像的计算机；所述计算机被编程以执行如下步骤：

步骤1、对患者双眼眼底图像进行预处理，首先对每张眼底图像中四个方向边缘进行检测，提取图像中心，得到眼底中心图像；然后对眼底中心图像依次进行绿色通道提取、对比度增强操作；

步骤2、将步骤1中得到的眼底中心图像的分辨率缩小为512×512，再将图像送入预训练的Inception-Resnet v2中进行特征提取，获得1024维的全局特征向量；

步骤3、对步骤1中得到的眼底中心图像通过128×128的滑动窗口顺序截取图像切片，每张眼底图像获取256个图像切片；将每个图像切片送入四个预训练的DenseNet中，得到一个4个概率向量，进而每张眼底图像获得1024维的局部病灶概率向量；

步骤4、随机对步骤1中的眼底中心图像进行图像翻转、平滑操作、对比度调整或图像旋转处理，并对处理后图像执行步骤2与步骤3、得到全局特征向量与局部病灶概率向量；重复该过程多次，并计算平均值，得到平均全局特征向量及平均局部病灶概率向量；再将平均全局特征向量与平均局部病灶概率向量合并，得到2048维的特征向量；最后将双眼眼底图像的特征向量合并，得到4096维的特征向量；

步骤5、将4096维特征向量送入预训练的轻量级梯度提升树，得到病变预测结果。

进一步的，所述步骤3中，四个预训练的DenseNet分别对应出血、硬性渗出、软性渗出及微动脉瘤四种病灶，每个图像切片送入四个预训练的DenseNet中，得到一个4个概率向量：