[发明专利]一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法

说明书

本发明公开了一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，面对新的应用场景（如不同医院或不同成像设备）的ROP影像时，可以使用少量的数据和时间便可以训练得到一个性能较好的模型，通过引入元学习的方法，将原型分割网络ADNet与GAN相结合的分割模型的定量分析结果应用于ROP病变分期，可以用少量的数据和更快的速度达到较好的效果，并且提高了早产儿视网膜病变一期二期的分类准确率。

技术领域

本发明涉及了一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，属于计算机视觉处理技术领域。

背景技术

早产儿视网膜病变(Retinopathy of Prematurity，ROP)是一种与视网膜血管发育相关的疾病，通常认为与氧气浓度有关。早产儿出生时视网膜血管未发育成熟，周边为无血管区，正在发育的血管末梢为未分化的新生血管。未成熟的视网膜血管对氧气十分敏感，高浓度氧气会使视网膜毛细血管内皮细胞损伤、血管收缩和闭塞，导致视网膜缺氧，从而刺激纤维血管组织增生。孕龄越短，ROP发病率越高；早产儿体重越轻，ROP发病率越高。我国的早产儿发生率约为6％-7％。ROP会引起异常血管的破裂出血，纤维增殖，严重的可能会导致眼底病变，视力严重丧失。如果任其发展可能出现继发性青光眼、白内障、角巩膜葡萄肿、眼球萎缩等严重晚期并发症，甚至可导致失明，给患儿终身痛苦并给家庭及社会造成负担。

随着人工智能技术的发展，针对于ROP疾病的自动筛查和分期成为可能，极大的缓解了医疗资源不足的问题，然而当前技术的应用仍然存在一定的问题。首先，ROP数据来源广泛，不同设备或不同医院之间的数据集存在差异，无法直接进行应用，需要进行针对性的数据收集和模型训练，这将耗费大量人力物力财力和时间成本；其次，ROP数据标注存在困难，由于ROP病灶不清晰，因此需要专业的医师来标注，难以获得较多数据影像用于构建数据集；最后，ROP分期存在困难，一般而言，临床上将ROP分5期：即分界期、嵴形成期、增生期、次全视网膜脱离期、视网膜全脱离期，然而一期和二期之间过于相似难以分类。上述问题导致ROP分期的临床应用存在较大困难。

发明内容

本发明所要解决的技术问题是提供一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，通过引入元学习的方法，将原型分割网络ADNet与GAN相结合的分割模型的定量分析结果应用于ROP病变分期，可以用少量的数据和更快的速度达到较好的效果，并且提高了早产儿视网膜病变一期二期的分类准确率。

为了解决上述技术问题，本发明所采用的技术方案是：

一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，包括如下步骤：

(1)元数据采集：收集两组来源不同的ROP数据集分别作为元学习训练过程的元训练数据和元学习测试过程的元测试数据，其中，元训练数据即为源域数据，元测试数据即为目标域数据，并将数据按照正常、一期、二期、三期、四期和五期共六个阶段分别放置在不同的文件夹中；

(2)元数据集的标注：使用Labelme软件对ROP数据集进行标注，得到ROP病灶的分割mask，即金标准；

(3)元数据集预处理：使用快速进行算法去除ROP影像上的病人信息，同时将ROP影像转换到YCrCb空间，再使用自适应直方图均衡化，在保留ROP细节的同时增强病灶和背景的对比度，之后将图片和标注图像进行扩增；

(4)建立元学习模型：使用了原型网络ADNet和GAN相结合的分割模型，作为ROP病灶的分割任务的网络模型，使用Resnet101作为骨架网络；

(5)元学习模型预训练：将元学习模型在COCO数据集上以深度学习的方式进行预训练，保存好预训练权重；