[发明专利]视网膜图像硬性渗出物识别方法及成像方法

说明书

本发明公开了一种视网膜图像硬性渗出物识别方法，包括获取原始的视网膜图像、标记硬性渗出物并初步处理；建立视网膜图像硬性渗出物初步识别模型并设置模型的损失函数；采用处理后的图像数据对视网膜图像硬性渗出物初步识别模型进行训练得到视网膜图像硬性渗出物识别模型；将实时获取的视网膜图像输入视网膜图像硬性渗出物识别模型并完成实时获取的视网膜图像中硬性渗出物的识别。本发明还提供了一种包括所述视网膜图像硬性渗出物识别方法的成像方法。本发明采用基于多尺度的边缘检测网络HED模型进行硬性渗出物检测，同时更新了识别模型中的损失函数，从而保证了模型识别的精度和效果；因此，本发明方法的可靠性高、准确性好，而且效果较好。

技术领域

本发明属于图像处理领域，具体涉及一种视网膜图像硬性渗出物识别方法及成像方法。

背景技术

随着经济技术的发展和人们生活水平的提高，人们对于健康的关注也越来越多。眼底图像中硬性渗出物(EXs)识别和成像，是现今的一个重要研究领域。

传统的基于数字图像处理与机器学习技术的眼底图像的硬性渗出物识别方法，通常需要执行预处理步骤，消除与渗出物有相似亮度和纹理特征的结构，例如视盘和血管中央反射等，或者使用图像处理的方法克服视网膜的颜色多样性和光照不均等。同时，传统方法对于渗出物的特征设计有较为严格的要求，需要研究者花费较大的时间与精力进行人工特征的设计。

随着深度学习的不断发展，越来越多的学者开始进行基于深度学习方法的硬性渗出物分割与识别研究。与传统的检测方法相比，深度学习方法可以自动提取数据的层次结构特征，避免进行复杂的人工特征设计。基于图像小块的硬性渗出物分割识别方法，网络需要逐步对每一个小块进行测试，计算复杂度较大，而端到端的硬性渗出物分割识别方法，在提升检测精度的同时也可以提升检测效率。

但是，眼底图像中硬性渗出物的像素点与背景点存在严重的类别不均衡现象，即硬性渗出物像素点的个数远远小于背景像素点的个数。直接使用CE损失函数进行模型的训练学习，将会导致硬性渗出物像素点全部被误分类为背景点，因为此时网络只需要保证绝对大多数的背景点可以正确分类，而忽略所占比例极低的硬性渗出物像素点。CBCE加权损失函数，DICE，IoU损失函数等是深度学习领域用于解决类别不均衡问题的常用损失函数。但是，应用于硬性渗出物的分割识别时会导致各种问题，比如CBCE损失函数会使得病灶周围的背景点被误分类为病灶点，DICE以及IoU损失函数会使得一些病灶区域容易被漏检。Bin损失函数是针对硬性渗出物分割所提出来的损失函数，该损失函数对于假阳性区域的抑制情况相较于CBCE损失函数有所提升，但是对于硬性渗出物像素点周围的背景点仍然不能较好分类。

发明内容

本发明的目的之一在于提供一种可靠性高、准确性好且效果较好的视网膜图像硬性渗出物识别方法。

本发明的目的之二在于提供一种包括了所述视网膜图像硬性渗出物识别方法的成像方法。

本发明提供的这种视网膜图像硬性渗出物识别方法，包括如下步骤：

S1.获取原始的视网膜图像，并进行视网膜图像中硬性渗出物的标记；

S2.对步骤S1得到的标记后视网膜图像，进行图像初步处理；

S3.建立视网膜图像硬性渗出物初步识别模型，并设置模型的损失函数；

S4.采用步骤S2得到的处理后的图像数据，对步骤S3建立的视网膜图像硬性渗出物初步识别模型进行训练，得到视网膜图像硬性渗出物识别模型；

S5.将实时获取的视网膜图像，输入到步骤S4得到的视网膜图像硬性渗出物识别模型中，完成实时获取的视网膜图像中硬性渗出物的识别。

步骤S2所述的图像初步处理，具体为将彩色眼底图像统一缩放至1440×960大小，同时对缩放后的彩色眼底图像进行是数据增广操作。