[发明专利]基于深度学习的眼底荧光造影图像渗漏点检测方法

权利要求书

1.一种基于深度学习的眼底荧光造影图像渗漏点检测方法，其特征在于，包括以下步骤：

步骤1：采集含有“墨渍样”或“烟囱状”典型渗漏点的眼底荧光造影图像报告，眼底荧光造影图像报告包括时序前后的多幅荧光造影图像，将荧光造影图像(FFA)标记为含渗漏点和不含渗漏点两类，仅将含渗漏点的图像作为数据集；

步骤2：将数据集中含渗漏点的图像进行预处理，

步骤3：对步骤2预处理后的数据集图像分别进行视盘区域、黄斑区域、渗漏点轮廓线标注，使用水漫填充法分别将标注视盘区域、黄斑区域、渗漏点轮廓线后的图像转换为二值分割图像；

步骤4：用滑动窗对步骤3获得的渗漏点轮廓线标注后的二值分割图像进行遍历处理，以每个滑动窗作为一个子图，从而将二值分割图像分割成子图，由所有子图组成特征集；

步骤5：构建用于分割渗漏点的第一U型神经网络以及用于同时分割黄斑区域和视盘区域的第二U型神经网络；

步骤6：

采用步骤4获得的特征集和已标注的渗漏点轮廓线一起输入到第一U型神经网络进行训练，使用一个门控注意力网络(attention-gated network)监督，根据设定的学习率训练调整第一U型神经网络的参数，获得训练后的第一U型神经网络；

采用原始的眼底荧光造影图像和已标注的视盘区域、黄斑区域一起输入到第二U型神经网络进行训练，根据设定的学习率训练调整第二U型神经网络的参数，获得训练后的第二U型神经网络；

步骤7：针对待测的眼底荧光造影图像，重复上述步骤2-步骤4处理获得特征集，并将特征集输入训练后的第一U型神经网络，输出图像中每个像素点的是否为渗漏点的分类概率，取分类概率大于预设渗漏阈值的像素点组成作为渗漏点，实现眼底造影图像的渗漏点分割的初步结果；

同时将待测的眼底荧光造影图像，输入训练后的第二U型神经网络，输出图像中视盘区域和黄斑区域；

步骤8：根据步骤7获得的渗漏点与视盘区域、黄斑区域之间的相对位置，赋予渗漏点相对位置信息，通过相对位置信息对眼底荧光造影图像中的时序前后造影图进行配准，对时序前后造影图中面积不变的渗漏点判断为假渗漏点，进行剔除，剩余保留的渗漏点作为最终渗漏点。

2.根据权利要求1所述的基于深度学习的眼底荧光造影图像渗漏点检测方法，其特征在于：

所述步骤2的预处理包括依次进行的自适应直方图均衡化增强图像和双边滤波降噪处理步骤。

3.根据权利要求1所述的基于深度学习的眼底荧光造影图像渗漏点检测方法，其特征在于：

所述步骤3中黄斑的标注是利用已经标注的黄斑中心采用高斯核函数平滑处理建立平滑的黄斑区域标注。

4.根据权利要求1所述的基于深度学习的眼底荧光造影图像渗漏点检测方法，其特征在于：所述步骤5中，第一U型神经网络包括依次连接的一个第一输入层、连续的四个下采样模块、连续的四个上采样模块、一个输出卷积模块和一个输出卷积层；每个下采样模块均由连续的两个卷积模块和最大池化层依次连接构成，每个上采样模块均由连续的两个卷积模块和上采样层依次连接构成；第一U型神经网络融合有四处注意机制模块，分别：第一个下采样模块的第二个卷积模块与第四个上采样模块的第二个卷积模块之间通过注意机制模块连接；第二个下采样模块的第二个卷积模块与第三个上采样模块的第二个卷积模块之间通过注意机制模块连接；第三个下采样模块的第二个卷积模块与第二个上采样模块的第二个卷积模块之间通过注意机制模块连接；第四个下采样模块的第二个卷积模块与第一个上采样模块的第二个卷积模块之间通过注意机制模块连接；每个注意机制模块均包括由两个1×1卷积层组成的卷积输入层、整流线性单元层、一维卷积层、Sigmoid函数分类层和重采样层；卷积输入层的两个1*1卷积层的输入分别对应连接到下采样模块的第二个卷积模块的输出和上采样模块的第二个卷积模块的输出，经卷积输入层的两个1*1卷积层相加后再经过整流线性单元层输出至一维卷积层，再经过Sigmoid函数分类层输出至重采样层，重采样层的输出与上采样模块的第二个卷积模块的输出相乘后作为注意机制模块的输出，每个注意机制模块的输出与上采样模块中上采样层的输出拼接后作为上采样模块的最终输出。