[发明专利]一种计算机视觉和深度学习的眼底疾病可视化分析方法

权利要求书

1.一种计算机视觉和深度学习的眼底疾病可视化分析方法，其特征在于：该方法包括如下步骤：

步骤1，建立眼底病灶标注图像数据库；

对医学眼底疾病图像中的病灶以类别为单位进行人工标注，然后对带有病灶类别信息的标注结果进行组合，获得能够完整描述原始图像病灶信息的眼底病灶标注图像数据库；

步骤2，模型关注区域可视化处理；

以眼底病灶标注图像数据库为输入对眼底疾病图像分析模型进行多层次可视化处理，设最后卷积层的输出t维特征图为T^t，该特征图中每个像素对应的权重设为表示特定空间位置(i,j)处的对于最终第x类的重要性；则由此获得的第x类对应的激活图计算公式为：

在保留相对位置靠后的深层特征图输出权重的同时，还保留相对位置靠前的浅层特征图输出权重；利用深浅层次的类别激活映射图更完整的显示模型在决策过程中对眼底疾病标注图像当中不同区域的关注程度；

步骤3，可视化区域叠加；

对可视化处理生成的多层次类别激活映射图进行二值化处理，得到模型的主要关注区域，再将其作为掩膜与眼底病灶标注图像进行叠加，保留图像中具有更高关注度的病灶信息；

步骤4，区域化图像特征筛选与统计；

为了将模型的决策依据由区域性特征关联到病理性特征，就需要结合眼底的组织结构对不同层次区域化图像中的病灶细节信息进行筛选，寻找其中可能与疾病的产生和发展相关的特征；分别以图像和图像中的具体病灶为单位对选择的特征进行数据统计；

步骤5，统计数据关联分析；

对统计得到的各组数据进行相关分析、均值-方差分析、聚类分析，并结合模型输入的眼底病灶图像以及相关医学知识进一步找到模型做出决策所依赖的病理学特征。

2.根据权利要求1所述的一种计算机视觉和深度学习的眼底疾病可视化分析方法，其特征在于：进行模型关注区域可视化处理的步骤如下：

步骤2.1，选择一个可用于眼底疾病图像分析的深度学习模型对眼底疾病图像进行训练，得到模型的输出权重；

步骤2.2，加载得到的模型输出权重，利用对应的眼底病灶标注图像对模型进行多层次可视化处理，得到不同层次的类别激活映射图。

3.根据权利要求1所述的一种计算机视觉和深度学习的眼底疾病可视化分析方法，其特征在于：进行可视化区域叠加的步骤如下：

步骤3.1，对不同层次的彩色热力图按照RGB三个分量的选定加权指数进行灰度化处理，然后对得到的灰度化图像选取统一的阈值进行二值化处理，得到不同层次下模型的主要关注区域；

步骤3.2，将包含不同层次下模型主要关注区域的二值化图像依次与其对应的眼底病灶标注图像进行图像与操作，得到仅保留模型关注区域内病灶信息的区域化图像。

4.根据权利要求1所述的一种计算机视觉和深度学习的眼底疾病可视化分析方法，其特征在于：进行区域化图像特征筛选与统计的步骤如下：

步骤4.1，结合眼底中的主要组织结构以及病灶本身的特征，对可能与疾病的产生和发展相关的特征做出假设；例如：病灶的形态与面积，病灶与黄斑之间的距离，病灶与主干血管之间的距离等；

步骤4.2，将区域化图像根据眼底疾病图像分析模型的输出结果进行分类整理，便于后续的统计分析；

步骤4.3，以各个类别中的图像为单位，统计各个图像中筛选特征的各项数据；

步骤4.4，以图像中的病灶类型为单位，统计各个类别中所有图像相同类型病灶的筛选特征的各项数据。

5.根据权利要求1所述的一种计算机视觉和深度学习的眼底疾病可视化分析方法，其特征在于：进行统计数据关联分析的步骤如下：

步骤5.1，对选定特征的统计数据利用相关分析的方法对数据间的关系进行分析，从而衡量选定的特征之间的相关密切程度以及模型关注区域内的病灶和关注区域外的病灶数据之间的相关性和差异性；

步骤5.2，对选定特征的统计数据求取其方差与均值，从而衡量选定特征的普遍性表现和组间数据的离散程度；

步骤5.3，将选定特征的统计数据使用聚类算法分到不同的类或者簇，同一个簇中的对象有相似性，而不同簇间的对象有很大的相异性，从而衡量不同组别的数据之间的差异性。