[发明专利]用于彩色眼底图像的视网膜新生血管检测方法及成像方法

权利要求书

1.一种用于彩色眼底图像的视网膜新生血管检测方法，包括如下步骤：

S1.获取彩色眼底图像数据，并对图像数据进行预处理，从而得到训练数据；

S2.构建用于视网膜新生血管检测的深度学习网络模型；具体为采用如下模型作为用于视网膜新生血管检测的深度学习网络模型：

模型框架为全卷积神经网络，由ResNet特征提取模块、金字塔池化模块和特征融合模块构成；

ResNet特征提取模块：采用如下所示结构作为ResNet特征提取模块提取结构：

网络层名称：conv1；尺寸：3*3，64，stride 2；

网络层名称：conv2；尺寸：3*3，64，stride 2；

网络层名称：conv3；尺寸：3*3，128，stride 2；

网络层名称：pooling1；尺寸：3*3，max pool，stride 2；

网络层名称：conv_block1；尺寸：

网络层名称：conv_block2；尺寸：

网络层名称：conv_block3；尺寸：

网络层名称：conv_block4；尺寸：其中conv代表卷积层，pooling代表池化层，conv_block代表卷积块，stride代表图像运算中卷积核或池化核的跨度；尺寸中第一个数为核的尺寸，第二个数为核的数量；每个卷积块由若干个三层的残差学习模块组成；

金字塔池化模块：采用4个不同大小的池化核，分别为1×1、2×2、3×3和6×6，构建级别为4的特征金字塔，从而将ResNet特征提取模块提取到的浅层特征进一步处理为不同尺度的特征图；具体包括如下步骤：

a.通过不同尺度的全局均值池化操作获取不同级别的特征，这些特征包含不同子区域之间的不同尺度信息；

b.采用一个卷积核数目为512、内核尺寸为1×1的卷积层将各特征的维度都缩减至原来的1/4；

c.对得到的金字塔特征进行双线性插值上采样操作，从而使得尺寸大小与输入特征相同；

特征融合模块：将ResNet特征提取模块和金字塔池化模块提取的特征进行融合，从而得到最终的特征图数据；

在每一个卷积层后面进行Batch Normalization和relu激活操作，并在网络结构的最优一个卷积层的后面增加Dropout层；

模型最后采用Softmax函数对各个像素的类别进行预测；

S3.采用步骤S1获取的训练数据，对步骤S2构建的深度学习网络模型进行训练，从而得到视网膜新生血管检测器；

S4.对待检测的彩色眼底图像数据进行预处理；

S5.将步骤S4得到的预处理后的待检测的彩色眼底图像数据，输入到步骤S3得到的视网膜新生血管检测器，从而得到待检测的彩色眼底图像中判定为视网膜新生血管的像素的预测概率图；

S6.对步骤S5得到的待检测的彩色眼底图像中判定为视网膜新生血管的像素的预测概率图，进行阈值化处理，从而得到最终的待检测的彩色眼底图像中的视网膜新生血管的检测结果。

2.根据权利要求1所述的用于彩色眼底图像的视网膜新生血管检测方法，其特征在于步骤S1所述的对图像数据进行预处理，具体为采用如下步骤进行预处理：

A.针对图像数据，裁剪出视野区域；

B.统一步骤A得到的视野区域的分辨率大小；

C.在步骤B得到的图像数据基础上，进行数据增广操作；

D.对步骤C得到的所有图像数据进行对比度增强。

3.根据权利要求2所述的用于彩色眼底图像的视网膜新生血管检测方法，其特征在于步骤A所述的针对图像数据，裁剪出视野区域，具体为：先将彩色眼底图像数据转换为灰度图像；然后对灰度图像进行阈值处理，从而将灰度图像转换为掩模图像；再裁剪出掩模图像中白色圆形区域的外接矩形，并用得到的外接矩形的位置坐标来裁剪眼底图像，从而得到眼底图像的视野矩形区域。

4.根据权利要求3所述的用于彩色眼底图像的视网膜新生血管检测方法，其特征在于步骤B所述的统一步骤A得到的视野区域的分辨率大小，具体为：首先计算步骤A得到的所有视野区域的分辨率大小的平均值；然后采用插值法将所有视野矩阵区域的分辨率大小缩放为平均值。