[发明专利]一种基于多尺寸斑块交叉增强的糖尿病视网膜病变诊断分级方案、系统

说明书

本发明公开了一种使用不同尺寸的图像斑块提取病变特征的图像分类方法、系统，通过不同尺寸斑块产生的病变信息实现特征交叉增强，适用于糖尿病视网膜病变眼底图的诊断领域。其中方法包括：将每个待检测的图像分别划分成小尺寸像素不重叠的斑块和大尺寸像素重叠的图像块。在mini块局部特征提取阶段，利用小尺寸斑块，根据斑块内的病理细节将其聚类为不同的子集。从不同聚类子集中选取对于分类任务最有效的有效类子集，并为有效类子集中的小尺寸斑块分配对应的特征权重，得到mini块特征权重。在plus块全局特征提取阶段，利用大尺寸斑块，将其作为输入传送给预先设置的中间特征提取网络，得到中间特征层进行特征拼接，以获得包含病变区域相关性的plus块全局特征。根据预设的斑块索引，将mini块特征权重与plus块全局特征拼接融合即实现特征交叉增强，得到的最终特征表示输入至预设的分级网络，得到待诊断的糖尿病视网膜病变眼底图像的分类结果。

技术领域

本发明涉及医学图像处理领域，特别涉及一种基于多尺寸斑块交叉增强的糖尿病视网膜病变诊断分级方案、系统，以实现高效眼底图诊断。

背景技术

糖尿病视网膜病变(Diabetic Retinopathy，简称DR)是一种极为常见的糖尿病眼科疾病并发症，影响年龄范围跨度大，是世界卫生组织(WHO)公布的三大致盲重点眼科疾病之一。根据世界卫生组织发布的第一份世界视力报告(2019)，糖尿病视网膜病变对人类视力的危害很大，造成了全球260万人的视力障碍，其中失明患者占比全球2.6％。由于患增殖性糖尿病视网膜病变的患者，在五年内有60％的几率会出现严重的视力衰退，而此类视力威胁的造成的前期症状并不明显，大多数DR患者并没有意识到其危害。因此，预防性筛查和前期干预对于预防这些微血管并发症引起的失明至关重要。

通过眼底成像图进行DR筛查是一种被成熟应用的DR检测技术，但根据眼科医生的临床经验进行的人工眼底图筛查检测被普遍认为是成本高的、费时的、主观的。计算机辅助医学图像诊断是目前能够实现快速、准确诊断的大规模筛查有效解决方案。

传统方法主要依赖于人工提取技术提取病理特征，通过设计传统机器学习分类器对DR进行分类诊断。此类传统方法对于大批量的DR数据处理来说具有较高的局限性，目前诊断效率有待提高。基于深度学习的方法有效改善了传统方法的局限性现状，省去了人工提取特征的复杂性操作，通过大量数据进行训练，提高了DR诊断的效率和准确性。近年来，卷积神经网络(CNN)架构被广泛应用于DR的智能检测研究中，一些端到端的方案展现了其出色的性能。然而上述端到端的方案仅仅通过大量图像级标注数据进行学习，利用了CNN的强大学习能力，实现了DR诊断，却忽略了有价值的DR病变信息。

国际临床糖尿病视网膜病变协议显示，DR的分类通常取决于不同相关病变表现和并发症的数量和大小。简单来说，DR眼底图中不同区域的病理特征是判断DR分级的重要依据。因此，一些研究人员开始利用病变信息提高DR诊断效果。一些基于原始图像和注意力深度卷积神经网络(DCNN)提取的病变特征复合模型被开发来诊断DR眼底图，以DCNN结合注意力网络的方式构建了融合病变信息的DR诊断框架，但端到端的DCNN并不适合学习DR分级的特征。与眼底图尺寸大小相比，有些病变像素可能很小。容易在深度较高的DCNN中被其他信息掩盖。这样的方式使得DR的诊断效果有所下降。

此外在最近的DR的辅助诊断研究中，利用图像斑块细节提升DR眼底图像特征的细腻度的方案逐渐流行。相关技术如通过提取DR眼底图中的病变斑块对眼底图像块中含有的病变种类进行预测，以此为眼底图不同区域赋予不同的权重，提高病变细节；又包括如协同处理病变斑块和DR分类模块等。这样的方式有效提高了分类特征的可鉴别性。然而却需要大量的斑块级、像素级标注信息作为CNN的学习资源。含有此类标注的数据集的资源消耗巨大，斑块注释更是缺乏。同时，根据实际情况，DR患者眼底图中的病理情况是错综复杂的，图像块中可能同时出现不同病变，也可能出现病变像素重叠的病理区域。一些现有的技术中忽略了眼底图图像块中病理重叠的情况，无法为分类网络寻找到对于分类任务最有效的图像区域。

发明内容