[发明专利]基于眼底造影图像深度学习的糖网病变无灌注区识别方法

摘要

本发明公开了一种基于眼底造影图像深度学习的糖网病变无灌注区识别方法。本发明针对医生标注的含无灌注区、不含无灌注区和含激光斑三类眼底造影图像，建立多层卷积神经网络，基于眼底造影图像对卷积神经网络的训练，使卷积神经网络的最终输出值符合医生标注的结果，从而可以利用训练好的卷积神经网络对糖尿病视网膜病变进行自动检测识别眼底无灌注区。本发明通过训练诊断标记的眼底造影图像，采用深度学习实现自动从训练范例眼底造影图像库中学习所需特征并进行分类判别，在训练过程中不断优化用于判断的数据特征以及卷积神经网络的参数，从而能够大幅提高临床运用中的糖尿病视网膜病变无灌注区智能识别的敏感性和特异性，精准地辅助眼底激光。

主权项

1.一种基于眼底造影图像深度学习的糖网病变无灌注区识别方法，其特征在于，包括以下步骤：步骤1：收集和标注眼底造影图像，将眼底造影图像标记为含无灌注区、不含无灌注区和含激光斑三类图像；步骤2：将标记为含无灌注区、不含无灌注区和含激光斑的眼底造影图像进行预处理后得到训练范例眼底造影图像，由训练范例眼底造影图像构成训练数据库的数据；所述预处理为对眼底造影图像依次进行图像去噪平滑、图像对比度增强和像素归一化处理；步骤3：扩增所述步骤2中的训练数据库数据：采用图像翻转和随机加入高斯噪声的方法对训练数据库数据进行扩增，得到扩增后的训练数据库；步骤4：建立卷积神经网络，具体步骤如下：步骤4.1：建立一个包括一个卷积层、四个稠密块，三个过渡块，一个全局均值池化层和一个全连接层的卷积神经网络；步骤4.2：卷积神经网络具体主要由输入层、输入卷积层、四个稠密块，三个过渡块、全局均值池化层、全连接层和输出层依次连接构成，四个稠密块依次连接，且相邻两个稠密块之间连接有一个过渡块，输入层经输入卷积层与第一个稠密块相连，第四个稠密块经全局均值池化层与全连接层相连，全连接层输出连接至输出层；每个稠密块主要由依次相连的十六个结构相同的稠密层组成，每个稠密层的输入为同稠密块内该稠密层之前所有稠密层的输入拼接总和；每个稠密层依次由批次归一化层、修正线性单元层、1*1二维卷积层、批次归一化层、修正线性单元层、3*3二维卷积层和抛弃层组成；每个稠密层包含两个尺寸增加且通道数减少的卷积层；全局均值池化将最后一个稠密块输出的特征图尺寸减少至1*1的处理，从而将特征压缩为一维向量并输入全连接层；每个过渡块依次由批次归一化层、修正线性单元层、1*1二维卷积层和均值池化层组成；均值池化层对第四个稠密块的输出在固定大小的滑动窗口中取平均值再输出，提取关键特征并对其进行降维处理；步骤5：采用所述步骤3中的训练数据库的数据多次训练所述步骤4的卷积神经网络，训练时使用交叉熵函数作为模型损失函数，使用随机梯度下降算法作为优化算法，按照设定的学习率调整卷积神经网络的参数，从而得到识别无灌注区的多次训练后的卷积神经网络；步骤6：将待识别的眼底造影图像输入步骤5中训练后的卷积神经网络，全连接层通过回归的方式将全局均值池化层的输出转化为三维向量，并经过softmax函数计算含无灌注区、不含无灌注区和含激光斑三类的置信度，对待识别的眼底造影图像是否为无灌注区图像进行判别。