[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

说明书

本发明公开了一种基于深度学习的眼底荧光造影图像渗漏点检测方法。采集眼底荧光造影图像，构建数据集并预处理，进行盘区域和渗漏点轮廓线标注，使用水漫填充法二值转换；对二值分割图像进行遍历处理，分割成子图，组成特征集；构建两个U型神经网络；采用特征集和渗漏点轮廓线输入第一U型神经网络训练；采用原始图像和视盘区域、黄斑区域输入第二U型神经网络训练；针对待测的眼底荧光造影图像处理预测，取分类概率大于预设渗漏阈值的像素点组成作为渗漏点，并输出视盘区域和黄斑区域；时序前后造影图配准，判断假渗漏点剔除。本发明使用深度卷积神经网络对渗漏点进行语义分割，排除错误的渗漏点，具有更高的准确率和可靠度。

技术领域

本发明属于医学图像处理和深度学习技术领域的一种眼底图像处理方法，具体涉及了一种基于深度学习的眼底荧光造影图像渗漏点检测方法。

背景技术

眼底荧光造影(FFA)图像是不可缺少的影像学工具。根据FFA结果判读渗漏点分布，手动匹配眼底相应位置，从而通过激光封闭渗漏点。但人眼观察准确判读眼底的渗漏位点并非易事。另一方面，手动配准激光费时费力，易受影响。

眼底荧光造影检查具有时序性，判读时往往通过前后对比确定，尤其针对眼底的“墨渍样”或“烟囱状”典型渗漏点，人眼单独对静态FFA图像进行观察判断，很可能导致误判、误读。

现有眼底造影图像的渗漏点检测方法仅针对于单张造影图进行渗漏点识别，未进行时序前后的多幅造影图的对比，忽略了眼底造影图像的时序性在渗漏点识别中的作用。时序前后的多幅造影图的视野并不相同，前后对比的实现依赖于造影图的配准。

发明内容

为解决现有技术的上述不足，本发明提出了一种基于深度学习的眼底荧光造影图像渗漏点检测方法，目的是在识别静态造影图像渗漏点的基础上，充分利用FFA造影图像的时序信息，排除假的渗漏点，从而达到渗漏点的准确检测，为眼底激光导航系统的实现打下关键的技术基础。

本发明是通过以下技术方案实现的，包括如下步骤：

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256*256像素单位的滑动窗以128像素单位的步幅对步骤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；

所述的第一U型神经网络为门控模块注意机制U型神经网络。第一U型神经网络和第二U型神经网络均为卷积神经网络。

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，以步骤4获得的训练集作为第一U型神经网络的输入，以是否含渗漏点作为第一U型神经网络的输出标签，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，以原始的眼底荧光造影图像作为第二U型神经网络的输入，以视盘区域、黄斑区域作为第二U型神经网络的输出标签，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；