[发明专利]一种区域特征融合的高血压视网膜病变分类方法

说明书

本发明公开了一种区域特征融合的高血压视网膜病变分类方法，该算法提出两个阶段模型，分别为局部动静脉交叉压迫分类模型和整体高血压视网膜病变分类模型，目的将局部特征动静脉交叉压迫分类模型与整体高血压视网膜病变分类模型融合来增强高血压视网膜病变分类效果，其中动静脉交叉压迫图像块是经过血管分割、动静脉分类、交叉点检测等方法从高血压视网膜病变眼底图像中提取得到。该方法可以帮助医生尽早识别高血压视网膜病变，对高血压患者进行尽早诊断与治疗，采用神经网络可以适应海量数据，克服患者数量增多所引起的误诊、漏诊和医学水平不均衡的弊端，减轻医生负担，节省医生的宝贵时间，大大提高医生的工作效率。

技术领域

本发明涉及眼底图像分类领域，特别是涉及一种区域特征融合的高血压视网膜病变分类方法。

背景技术

高血压是一种长期医学疾病，是其他重大疾病(例如脑卒中、冠心病、肾衰竭等)的主要危险因素，因此对高血压的预防和治疗尤其重要，医学研究认为使用眼科镜对高血压性视网膜病变进行检测是高血压患者评估标准的一部分，通过眼底检测能够及早发现高血压疾病，达到对高血压防治的目的；然而，对高血压视网膜病变的检测耗时耗力，因此在早期筛查中开发出一种高血压视网膜病变检测系统来改善医疗效果是非常必要的。

目前关于高血压视网膜病变识别分类的问题已经有了一系列研究，高血压视网膜病变的识别与分类的研究大多是基于图像形态学的机器学习算法，还有一小部分基于深度学习算法；其中，基于图像形态学的机器学习算法属于传统分类算法针对数据量小的情况；少量的数据时，利用传统情感分类方法能够取得良好的分类效果；基于深度学习的方法是在海量数据、电脑硬件如GPU、CPU快速发展、深度学习模型已经在医疗影像领域取得了良好效果。

由于高血压视网膜病变的病灶特征不明显并且集中在血管方面，正常眼底图像动静脉比率为2:3，当动静脉比率值低于2:3就表明视网膜动脉狭窄，而动脉狭窄是判定存在高血压视网膜病变的重要依据之一，许多研究者通过测量动静脉比率来检测是否存在高血压视网膜病变；动静脉比率计算方法是基于圆的光强分布提出的，该方法首先使用RGB图像中的红色通道进行视盘检测，然后以视盘中心为圆心，以视盘直径为半径作一个圆，沿着该圆可以得到绿色通道的强度分布，该分布的凹陷部分可视为血管，并根据形状对其进行动静脉的分类，血管宽度大于7个像素的用于计算动静脉比率。

继机器学习后提出了全自动动静脉比率计算方法，该方法依次进行视盘的定位、感兴趣区域的确定、动静脉血管的分类、动静脉比率的计算；以往的研究多是通过计算动静脉比率对高血压视网膜病变进行识别与检测，没有依照其他病灶特征，识别依据单一，且传统形态学机器学习算法的缺点在于能够处理的数据量小，缺乏普遍性且识别精度不够高，在面对海量眼底图像时，传统机器学习算法就显得苍白无力，因此基于深度学习的医疗图像领域的算法应运而生。

发明内容

本文针对上述现有状况，提出了一种区域特征融合的高血压视网膜病变分类方法，该算法提出两个阶段模型，分别为高血压视网膜病变分类模型和动静脉交叉压迫分类模型，目的将局部特征动静脉交叉压迫分类模型与高血压视网膜病变分类模型相融合来增强高血压视网膜病变识别和分类效果，可缓解由于患者量增多出现的误诊、漏诊和医学水平不均衡的问题，减轻医生负担，并能尽早识别高血压视网膜病变，从而对高血压患者进行诊断与治疗。

为实现上述目的，本文提出的方案是：一种区域特征融合的高血压视网膜病变分类方法，具体步骤如下：

S1：获取拍摄的眼底图像；

S2：将眼底图像进行图像预处理，包括去除黑色背景、调整图像分辨率、图像归一化和数据扩增四个步骤；

S3：将预处理好的图像分别送入动静脉交叉压迫分类模型和高血压视网膜病变分类模型；

S4：在动静脉交叉压迫分类模型中，首先利用SeqNet对预处理的图像进行血管分割与动静脉分类；