[发明专利]基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统

说明书

本发明提供了一种基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统，包括：步骤1：收集带有是否含有视网膜动脉阻塞的标注分类以及去除黑色边缘的彩色眼底图像；步骤2：根据迁移学习建立深度学习模型，并根据已标注分类和去除黑色边缘的彩色眼底图像进行模型训练；步骤3：将待检测的眼底图像输入到训练后的深度学习模型中，得到含有视网膜动脉阻塞的概率，若含有视网膜动脉阻塞的概率大于等于预设值，则判定该眼底图像含有视网膜动脉阻塞，同时提供视网膜动脉阻塞的病变区域。本发明通过深度学习方法，从标注数据中训练模型，从而得到能检测眼底图像视网膜动脉阻塞的模型，减少了筛查视网膜动脉阻塞的工作量。

技术领域

本发明涉及视网膜动脉阻塞检测技术领域，具体地，涉及一种基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统。

背景技术

视网膜动脉的阻塞将引起视网膜的急性缺血，导致视力急剧下降甚至丧失，且预后差，对患者及其家庭带来沉重的负担。

因此，早期检测出视网膜动脉阻塞具有重要意义。

专利文献CN112587119A(申请号：CN202011456466.4)公开了一种基于深度学习的外周动脉疾病诊断方法，该方法针对传统方法基于ABI诊断外周动脉疾病的不足，利用扩散相关光谱技术获取外周动脉疾病患者和健康志愿者的组织血流变化数据，基于所提出的深度学习网络对组织血流数据进行训练，提取包含有外周动脉疾病信息的关键特征，训练得到用于诊断外周动脉疾病的深度学习网络模型，并将测试集数据输入到外周动脉疾病诊断模型中进行诊断，实现对外周动脉疾病的诊断。然而该专利的实施对象与本发明不同，且使用的样本数量较多，存在样本负担。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统。

根据本发明提供的基于深度学习的眼底图像视网膜动脉阻塞检测方法，包括：

步骤1：收集带有是否含有视网膜动脉阻塞的标注分类以及去除黑色边缘的彩色眼底图像；

步骤2：根据迁移学习建立深度学习模型，并根据已标注分类和去除黑色边缘的彩色眼底图像进行模型训练；

步骤3：将待检测的眼底图像输入到训练后的深度学习模型中，得到含有视网膜动脉阻塞的概率，若含有视网膜动脉阻塞的概率大于等于预设值，则判定该眼底图像含有视网膜动脉阻塞，同时提供视网膜动脉阻塞的病变区域。

优选的，在已标注分类和去除黑色边缘的彩色眼底图像中进行采样，并对采样的彩色眼底图像进行数据增强；

对不含有视网膜动脉阻塞的图像进行过采样，对含有视网膜动脉阻塞的图像进行欠采样，使得每轮训练数据中的不含有视网膜动脉阻塞的图像和含有视网膜动脉阻塞的图像的数量比例为2：1；

对输入的眼底图像进行数据增强操作，依次为上下随机翻转、左右随机翻转、随机平移、随机旋转、随机亮度变换、随机饱和度变换、随机对比度变换、增加随机高斯噪音，统一调整图像的分辨率为448×448，并对图像的像素取值归一化。

优选的，所述步骤2包括：

在建立深度学习模型时，使用EfficientNet模型作为骨干模块，在EfficientNet骨干模块后依次连接全局平均池化层、全连接层和SoftMax层；

其中，全局平均池化层的输出通道数量为1028，全连接层的输出通道数目为2；全连接层的第0个输出通道经SoftMax层输出不含有视网膜动脉阻塞的概率，全连接层的第1个输出通道经SoftMax层输出含有视网膜动脉阻塞的概率；

通过迁移学习策略，根据ImageNet数据库的预训练权值参数，赋值EfficientNet模型的初始化权重参数。