[发明专利]一种早产儿视网膜病变附加性病变的自动检查机器

说明书

本发明实施例公开了一种早产儿视网膜病变附加性病变的自动检查机器，输入一张早产儿视网膜图像，首先使用深度神经网络判断这张图片是否是后极部图片，如果这张图片是后极部图片，使用语义分割模型对原图中的血管进行分割得到血管的二值图像，然后根据原图定位后极部区域，使用后极部区域裁剪血管图像得到后极部的血管图像，最后使用深度神经网络对后极部血管图像进行分类，从而判断原图是否属于附加病变。采用本发明，结合了业务领域知识，能够屏蔽其他病变特征的影响，大大提高早产儿视网膜病变附加性病变自动检查系统的准确率（包括敏感度、特异度、F1等指标）。

技术领域

本发明涉及眼科疾病识别和图像识别的技术领域，尤其涉及一种早产儿视网膜病变附加性病变的自动检查机器。

背景技术

早产儿视网膜病变(Retinopathy of premature，ROP)是儿童视力受损以及导致不可逆致盲的主要原因,全世界每年约1.2%（18.47万）的早产儿发生ROP，其中约3万名早产儿发生永久性的视力受损甚至失明。随着新生儿重症监护室的普及和生命支持技术的发展，早产儿尤其是极低体重儿的成活率大大提高,ROP的发病数也在不断增加。ROP筛查能对病变进行早期诊断与适时转诊治疗，能有效避免或减轻ROP相关的视力损害。ROP的诊断需通过扩瞳后对眼底直接观察或拍照并由经验丰富的眼底专科医生进行判断，而低年资眼科医师或其他专科医师、诸如儿科或产科医生则不具有ROP筛查资质或能力。依赖专家进行诊断使得ROP筛查面临诸多挑战：一方面，专家资源稀缺，难以有效覆盖需筛查人群；另一方面，早产儿转诊或专家异地会诊筛查费时费力，因为延误诊断导致终身视力受损的情况时有发生。因此，基于眼底图片的早产儿视网膜病变自动检查系统具有很强的实用意义和社会价值。根据ROP的国际诊断标准，ROP诊断包括分区、分期和附加病变，其中附加病变的表现是后极部血管的异常迂曲和扩张，是ROP向重度进展的强危险因素，需要及时治疗。

随着人工智能深度学习在图像领域的快速发展，相继出现了一些针对早产儿视网膜病变的自动检查机器的研究，部分研究则重点关注附加病变的分类。但是这些机器绝大部分是将ROP附加病变的分类当做普通图片分类，少部分机器是先进行血管分割然后进行分类，由于ROP附加病变发病率相对比较低样本数比较少，这种简单的分类机器没有将算法设计和业务领域知识结合在一起，造成准确率不高，特别是对附加病变的诊断很容易受到其他特征（出血，周边病变）的干扰。

发明内容

本发明实施例所要解决的技术问题在于，提供一种早产儿视网膜病变附加性病变的自动检查机器。可屏蔽其他病变特征的影响，大大提高早产儿视网膜病变附加性病变自动检查的准确率（包括敏感度、特异度、F1等指标）。

为了解决上述技术问题，本发明实施例提供了一种早产儿视网膜病变附加性病变的自动检查机器，包括以下步骤：

S1、判断所输入早产儿视网膜图像是否属于后极部图片；

S2、如果这张图片是后极部图片，首先使用语义分割模型对原图中的血管进行分割得到血管的二值图像；

S3、根据原图定位后极部区域，使用后极部区域裁剪血管图像得到后极部的血管图像；

S4、使用深度神经网络对后极部血管图像进行分类，从而判断原图是否属于附加病变。

其中，所述根据原图定位后极部区域包括步骤：首先针对原图使用实例分割模型检测视盘，如果检测到视盘，则以视盘的中心为圆心，三个视盘的直径为半径画一个圆，圆内的区域就是后极部区域。

其中，所述使用后极部区域裁剪血管图像得到后极部的血管图像的步骤包括：首先生成一个和原图同样大小的掩码图像，该掩码图像后极部的圆形区域内部设置为1，其他区域设置为0，将血管图像和这个掩码图像相乘，然后对得到的结果使用后极部区域为边框进行裁剪，最后将裁剪后的结果缩放到分类神经网络所需要的输入大小。