[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

说明书

本发明公开了一种用于彩色眼底图像的视网膜新生血管检测方法，包括获取彩色眼底图像数据并预处理得到训练数据；构建用于视网膜新生血管检测的深度学习网络模型；采用训练数据对深度学习网络模型进行训练得到视网膜新生血管检测器；对待检测的彩色眼底图像数据进行预处理；采用视网膜新生血管检测器对预处理后的待检测的彩色眼底图像数据进行检测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，并进行阈值化处理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。本发明还公开了包括所述用于彩色眼底图片的视网膜新生血管检测方法的成像方法。本发明可靠性高、实用性好且检测效果好。

技术领域

本发明属于图像处理领域，具体涉及一种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。

背景技术

随着经济技术的发展和人们生活水平的提高，人们对于眼部的健康也越来越关注。视网膜新生血管是眼部状态的重要反映，在临床上具有较高的应用价值。因此，对于视网膜新生血管的检测，一直是研究的重点。

目前，对于视网膜新生血管的检测，一般采用的是眼部荧光造影法或者彩色眼底图像检测法。眼部荧光造影法虽然能够清晰、准确的反映检查者的视网膜新生血管的相关信息，但是其是有创性检测，而且检测结果受时间因素影响较大，因此安全性和可靠性均相对较差。彩色眼底图像检测法的安全性较高，因此是现阶段的主流检测方法。

但是，视网膜新生血管在彩色眼底图像中表征相对较弱，因此需要经验丰富的专业人员进行仔细判别；费时费力，而且可靠性也不高。因此，随着现阶段人工智能算法的兴起，研究人员已经开始将人工智能算法应用于彩色眼底图像的检测中，从而能够更好的在彩色眼底图像中表征视网膜新生血管。

但是，由于视网膜新生血管较为细小，成像后的对比度较低，分布不规则，而且血管轮廓不明显，区域模糊，容易与其他背景部分混淆；因此，视网膜新生血管的成像和检测均相对困难。目前对于彩色眼底图像上的视网膜新生血管的检测，多采用传统机器学习的方法，通过手动提取相关特征，训练分类器实现目标。手动提取的特征包括：血管纹理、血管长度、血管亮度、血管曲折度等。但是，有效特征的提取是一个困难的过程，而且此类方法还需要先分割出视网膜血管，从而进一步增加了方法的复杂性。

发明内容

本发明的目的之一在于提供一种可靠性高、实用性好且检测效果好的用于彩色眼底图像的视网膜新生血管检测方法。

本发明的目的之二在于提供一种包括了上述用于彩色眼底图片的视网膜新生血管检测方法的成像方法。

本发明提供的这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；

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。

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；