[发明专利]一种融合弱监督度量学习的前房角图像分级方法

说明书

本发明公开了一种融合弱监督度量学习的前房角图像分级方法，包括以下步骤：S1：获取前房角图像并进行图像筛选；S2：对筛选后的图像进行预处理得到前房角数据集，所述前房角数据集包括：训练集、验证集、测试集；S3：分别构建图像级标签、像素级标签，对前房角数据集中的图像对应设置所建立的标签；S4：构建融合弱监督度量学习的深度神经网络模型；S5：利用训练集、验证集对所构建的模型进行训练和验证，得到最优的网络模型；S6：将测试集输入至最优的网络模型，得到前房角图像分级。本发明能够快速准确的实现前房角图像分级。

技术领域

本发明涉及医学影像处理技术领域，更具体地，涉及一种融合弱监督度量学习的前房角图像分级方法。

背景技术

青光眼是一种复杂的疾病，它会导致神经损伤，如果不及早诊断和治疗，最后会造成不可逆的失明。前房角分级是医生对青光眼做病情评估和制定治疗方案的主要手段之一。

1.青光眼检测。近年来，随着深度神经网络在医学图像分析中的广泛应用，越来越多的深度神经网络模型被设计用于青光眼检测。这些网络模型大多是用于眼前节光学相干断层扫描图像(Anterior Segment Optical Coherence Tomography,AS-OCT)或者眼底图像。例如，有些研究者通过分割AS-OCT中的集合结构关注前房角结构，也有的研究者提出了一种自动分割角膜边界、虹膜区域和小梁-虹膜接触点的方法实现青光眼的诊断。但是，目前利用前房角图像实现自动分级的深度学习方法并没有很大进展。

2.深度神经网络。医学影像的图像分析属于计算机视觉领域。解决计算机视觉任务最常用的网络是卷积神经网络，通过卷积层、池化层以及全连接层的操作，卷积神经网络可以保留邻域的联系和空间的局部特点，从而实现特征提取。但是，在自然图像(ImageNet、PASCAL VOC数据集)或者其他医学影像(AS-OCT图、眼底图、X射线图等)表现优秀的模型并不适用于前房角图像，这主要是因为以下两点原因：①自然图像的目标非常明显，同时自然图像的图像清晰，色彩丰富，计算机易于识别；②虽然用于其他医学影像的网络能够解决图像对比度不足，目标的组织结构不规则的问题，但是这些网络的设计是非常有针对性的。同时，前房角图像中用于判断前房角等级的四种重要结构：Schwalbe线、小梁网、巩膜突以及睫状体带所占的区域在全图中的占比小，现有的分类网络由于极小特征区域难以实现有效的特征提取。

现有技术公开了一种基于OCT影像的眼前房角开放程度多特征分类方法，首先对眼前房角的OCT图像进行分割处理，从分割图像中获取角膜后边缘与虹膜前边缘，并以两条边缘交点为基准，取前房角中包括完整房角隐窝的部分为感兴趣区域；然后在感兴趣区域内分别求取梯度、共生梯度方向直方图以及Edgelet等三个图像特征对房角隐窝区域从局部到整体进行全面描述；最后采用支持向量机根据获取的三个特征对图像中的房角开放程度做出分类，该方案不涉及房角分级，其是利用支持向量机对多特征的图像进行房角的开放程度分类，该分类方法准确率不高。

发明内容

本发明为克服上述现有的前房角分类方法效率低、准确率低的缺陷，提供一种融合弱监督度量学习的前房角图像分级方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种融合弱监督度量学习的前房角图像分级方法，包括以下步骤：

S1：获取前房角图像并进行图像筛选；

S2：对筛选后的图像进行预处理得到前房角数据集，所述前房角数据集包括：训练集、验证集、测试集；

S3：分别构建图像级标签、像素级标签，对前房角数据集中的图像对应设置所建立的标签；

S4：构建融合弱监督度量学习的深度神经网络模型；

S5：利用训练集、验证集对所构建的模型进行训练和验证，得到最优的网络模型；