[发明专利]同时识别糖尿病视网膜病变的分期和病变特征的判断方法

说明书

本公开描述了一种同时识别糖尿病视网膜病变的分期和病变特征的判断方法，该判断方法包括获取眼底图像；并且将眼底图像输入基于深度学习的多任务网络以同时识别眼底图像所属的分期和眼底图像的病变特征，多任务网络至少包括骨干网络、特征头部网络和分期头部网络，骨干网络接收眼底图像并输出第一特征图，特征头部网络接收第一特征图并判断眼底图像的病变特征，并通过特征头部网络的中间层得到第二特征图，分期头部网络接收第一特征图并基于分期头部网络的中间层得到第三特征图，然后对第三特征图和第二特征图进行特征融合以判断眼底图像所属的分期。由此，能够模拟病变特征和分期之间的因果关系从而同时提高对分期和病变特征进行识别的性能。

技术领域

本公开大体涉及一种同时识别糖尿病视网膜病变的分期和病变特征的判断方法及判断系统。

背景技术

糖尿病是一组以高血糖为特征的代谢性疾病。长期的高血糖会导致各种组织损害或功能障碍，尤其是对眼睛的损害，严重时可能会引致眼底出血而令患者视力模糊或完全失去视觉。据统计，大约有80％以上的糖尿病患者会发生糖尿病视网膜病变，其失明的危险性比正常人高25倍。糖尿病视网膜病变是可以避免失明的眼病，而在早期视网膜的病变并不明显，但是若能够在发病初期定期进行眼底检查，由糖尿病视网膜病变引起的失明风险可以下降90％以上。因此，早筛查、早诊断、早治疗是糖尿病视网膜病变患者保留视力的关键。

近年，以深度学习为代表的人工智能技术得到了显著的发展，其在医学影像例如眼底图像诊断领域等应用也越来越得到关注。研究者们利用深度学习技术进行眼底图像的糖尿病视网膜病变的自动识别并取得了良好的效果。

然而，基于深度学习的医疗影像诊断技术一个最大问题是深度学习自动学习的图像特征缺乏解释性，因而医生不能很好的理解和接受基于深度学习的诊断结果。同样地，对于糖尿病视网膜病变的识别而言，当前已有的技术也无法提供可理解的证据(例如与糖尿病视网膜病变的分期相关的病变特征)以支持识别结果(也即眼底图像所属的糖尿病视网膜病变的分期)，因而阻碍了该技术的应用。

发明内容

本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够模拟糖尿病视网膜病变的病变特征和分期之间的因果关系从而同时提高对糖尿病视网膜病变的分期和病变特征进行识别的性能的同时识别糖尿病视网膜病变的分期和病变特征的判断方法及判断系统。

为此，本公开第一方面提供了一种同时识别糖尿病视网膜病变的分期和病变特征的判断方法，包括：获取眼底图像；并且将所述眼底图像输入基于深度学习的多任务网络以同时识别所述眼底图像所属的糖尿病视网膜病变的分期和所述眼底图像的糖尿病视网膜病变的病变特征，所述多任务网络至少包括骨干网络、特征头部网络和分期头部网络的三类子网络，所述多任务网络的网络参数通过多任务联合训练得到，在所述多任务联合训练中，通过反向传播调整所述三类子网络的网络参数，所述骨干网络接收所述眼底图像并输出第一特征图，所述特征头部网络接收所述第一特征图并判断所述眼底图像的糖尿病视网膜病变的病变特征，并通过所述特征头部网络的中间层得到第二特征图，所述分期头部网络接收所述第一特征图并基于所述分期头部网络的中间层得到第三特征图，然后对所述第三特征图和所述第二特征图进行特征融合以判断所述眼底图像所属的糖尿病视网膜病变的分期。在本公开中，多任务网络包括骨干网络、特征头部网络和分期头部网络的三类子网络，多任务网络的网络参数通过多任务联合训练得到，利用骨干网络提取第一特征图并输入特征头部网络和分期头部网络进行处理，然后将特征头部网络的中间层和分期头部网络的中间层输出的特征图进行特征融合处理，分期头部网络基于融合后的特征图获取眼底图像所属的糖尿病视网膜病变的分期，特征头部网络获取眼底图像的糖尿病视网膜病变的病变特征。在这种情况下，多任务网络模拟糖尿病视网膜病变的病变特征和分期之间的因果关系，通过多任务联合学习，能够同时提高识别糖尿病视网膜病变的分期和病变特征的性能。由此，可以更好地为糖尿病视网膜病变的识别提供更好的解释和支持。