本发明专利技术提供了一种基于卷积神经网络的眼底图像硬性渗出物检测方法，该方法包括：1)对眼底图像进行预处理，通过Gamma校正算法增强图像对比度；2)对图像进行分块处理以扩充数据；3)将DRIVE、MESSIDOR数据库中专家手动标注的病变结果作为监督数据，使用调整后的VGG‑16网络对分块图像进行训练，同时引入通道加权模块，以学习的方式显式地建立特征通道的依赖关系；4)用训练好的网络模型对眼底图像中硬性渗出物病变进行检测。与传统方案相比，本发明专利技术方法避免了复杂的图像处理过程，不会受到眼底视盘和棉絮斑对硬性渗出物病变的影响，实现了硬性渗出物病变高精度检测，可广泛地用于眼底硬性渗出物自动筛查领域。
【技术实现步骤摘要】
一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法
本专利技术涉及一种基于卷积神经网络的眼底图像硬性渗出物检测方法，在灵敏度、特异性以及准确性方面比传统算法更优，具有较好的眼底硬性渗出物病变检测性能，属于图像处理、医学病变检测、深度学习领域。
技术介绍
糖尿病性视网膜病变(Diabeticretinopathy，DR)是糖尿病最为常见的眼部并发症，是目前20-65岁成人出现新型失明的主要原因，对糖尿病患者而言，由于疾病初期征兆无明显症状，直至患者自觉不适就诊时大多已视觉受损，因此视网膜病变的及早发现对降低患者眼部失明几率至关重要。然而目前医学眼科专家较少，检查效率低下，未能全面筛查。计算机辅助筛查系统是提高眼底病变筛查效率的有利工具，其中视网膜病变特征检测是关键环节，硬性渗出物(hardexudates，HE)是视网膜病变中早期较为明显的病变特征，也是计算机辅助筛查系统中需要检测的关键部分。目前HE的检测算法主要分为两类：一类是先分割眼底图像关键结构，然后检测HE病变。包括基于阈值的方法、基于形态学的方法、基于纹理分割的方法、基于水平集方法等；另一类是先提取图像特征，利用机器学习算法对目标进行分类，从而检出HE病变结构，主要包括贝叶斯分类器、支持向量机、传统神经网络等方法。但现有的算法存在两个较大的问题。首先，眼底图像中视盘和棉絮斑严重干扰HE检测，多数算法仅考虑其中一个结构对HE检测的影响，无法同时解决视盘和棉絮斑等对HE的影响，算法准确性难以提升。其次，很多算法能够定位到HE，但对HE的分割精度不高，因此这些算法只做出了图像级的结果评测，针对像素级的检测精度难以提高。深度学习是机器学习的一个分支，其在图像识别、目标侦测等领域的应用发展迅速，表现出惊人的准确性。与传统算法相比，基于深度学习方法效率高、可靠性好、可塑性强。针对目前医院眼底病变筛查效率低下、传统算法精确度低等缺点，将深度学习方法应用于眼底图像硬性渗出物检测，对提高眼底硬性渗出物病变检测的准确性具有重要意义。本专利技术运用深度学习方法，对VGG-16网络进行适当调整，将图像级别的分类进一步延伸到像素级别分类，保证了检测目标的准确性，重点区分硬性渗出物与视盘和其他病变，提高病变像素级别分割精度，为眼底图像的硬性渗出物病变检测自动筛查提供可靠方案。
技术实现思路
本专利技术提出了一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，该方法引进了Gamma校正算法，通过Gamma校正算法增强眼底图像对比度；引进了调整后的VGG-16网络结构，考虑到特征通道之间的相互依赖关系，引入通道加权模块，以学习的方式显示地建立特征通道的依赖关系；提取多尺度超列特征并优化网络残差模块，通过训练获得更优的网络模型；用训练好的网络模型对眼底图像进行硬性渗出物病变检测，结果可得，该网络避免了复杂的图像处理过程，不会受到眼底视盘和棉絮斑对硬性渗出物病变的影响，达到硬性渗出物病变高精度检测。实现本专利技术的技术方案，包括下列步骤：步骤1：为全面检测不同眼底图像中的硬性渗出物，首先收集正常眼底图像和带有不同种类不同病变程度的眼底图像，包括DRIVE和MESSIDOR数据库的眼底病变图像和通过眼底相机随机采集的正常眼底图像作为样本数据，图像中的病变种类有出血点、棉絮斑、硬性渗出物，图像的病变程度包括轻度、中度、重度；步骤2：对DRIVE、MESSIDOR数据库中眼底硬性渗出物病变图像与正常眼底图像进行初步整理，包括专家手动标注与病变分级，通过Gamma校正对眼底图像进行对比度增强达到眼底图像预处理；步骤3：对预处理后的眼底病变与非病变图像进行分块处理，归一化为224×224的相同尺寸，作为后续网络训练数据；步骤4：通过引入通道加权结构、多尺度特征结构与优化的残差模块来改进VGG-16网络结构，其中训练图像中的原图为归一化的眼底图像，专家手动标注的眼底图像作为训练监督图像，将其输入到优化后的VGG-16网络中，训练时通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；步骤5：用训练好的网络模型对眼底图像中硬性渗出物病变进行检测，输出检测结果。与现有技术相比，本专利技术的有益效果是：通过深度学习方法，避免了复杂的图像处理过程，不会受到眼底视盘结构或者棉絮斑病变对眼底硬性渗出物检测的影响，且对新样本的适应能力强，可以实现高精度分类。另外，与传统算法相比，不仅简化了图像处理过程，其准确率达到0.9877，高于Fraz传统算法(0.8772)和传统CNN算法(0.9446)的精确率。测试结果表明，本专利技术对眼底图像中硬性渗出物病变具有良好的检测效果。附图说明图1总体框架示意图，即摘要附图；图2Gamma校正算法处理原图与结果图；图2(a)为原始图像；图2(b)为Gamma校正算法处理结果图像；图3归一化分块处理的眼底病变图像与专家手动标注图像(224×224)；图3(a)为眼底原始分块图像；图3(b)为专家手动标注病变分块图像；图4网络测试结果图像；图4(a)为拼接后测试图像原图；图4(b)为拼接后测试图像结果图；图5SE模块示意图；图6改进的VGG-16网络结构图。具体实施方式下面结合具体实施方式对本专利技术作进一步详细地描述。本专利技术的总体框架示意图如图1所示，首先对DRIVE、MESSIDOR数据库和眼底相机采集的图像进行初步整理、专家手动病变标注与病变分级，通过Gamma校正增强图像对比度使图像更适应于网络训练；对预处理图像进行归一化裁剪以适应网络训练数据规模，增强准确性；通过引入通道加权结构、多尺度特征结构与优化的残差模块来改进VGG-16网络结构，其中训练图像中的原图为归一化的眼底图像，专家手动标注的眼底图像作为训练监督图像，将其输入到优化后的VGG-16网络中，训练时通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；利用最优网络训练模型，对未经过训练的眼底图像进行测试，将眼底硬性渗出物病变检测结果与专家标注图像比对，检验该网络对眼底图像中硬性渗出物病变的检测性能。下面结合附图，对本专利技术技术方案的具体实施过程加以说明。1.实验对象本专利技术的眼底图像数据集包括公开数据库DRIVE、MESSIDOR数据库的眼底图像和免散瞳眼底相机随机采集的眼底图像，共有213张图像。图像尺寸大小不一，具体眼底尺寸包括：1060×960、1500×1152、1360×1024、1444×1444、1588×1488、1636×1536(单位为像素)，每张测试集与训练集图像都经过专家指导标注病变区域且病变标注细化到像素级别。训练集中原始图像与病变标注图像都输入到网络中，检测图像不作为训练集图像进行训练，通过网络模型将网络输出结果与专家标注图像进行比对，判断该网络对眼底图像中硬性渗出物病变的检测性能。2.图像预处理2.1图像校正如说明附图中图2所示，图像校正算法旨在提升图像质量，使图像内容更加清晰，为后续工作做好准备。在采集的213幅眼底图像中，由于光照不均衡以及拍摄过程中眼部移动导致图像质量不佳、图像过暗且对比度低的情况，通过Gamma校正算法，提高图像的动态范围，实现对比度拉伸并增强图像对比度。2.2数据分块数据规模对训练网络的性能影响很大，为了眼底图像更加适应于网络训练要求，将每幅图像进行本文档来自技高网...
【技术保护点】
1.一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，包括下列步骤：步骤1：收集眼底图像作为样本数据；步骤2：利用Gamma校正算法对眼底样本数据进行预处理；步骤3：分块处理眼底图像，归一化为224×224的相同尺寸，作为后续网络训练数据；步骤4：设置损失函数理想值，通过引入通道加权、多尺度特征结构与优化的残差模块来改进VGG‑16网络结构，将原图与监督图像输入网络中，训练中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；步骤5：利用最优网络模型对眼底图像中硬性渗出物病变进行检测，输出检测结果。
【技术特征摘要】
1.一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，包括下列步骤：步骤1：收集眼底图像作为样本数据；步骤2：利用Gamma校正算法对眼底样本数据进行预处理；步骤3：分块处理眼底图像，归一化为224×224的相同尺寸，作为后续网络训练数据；步骤4：设置损失函数理想值，通过引入通道加权、多尺度特征结构与优化的残差模块来改进VGG-16网络结构，将原图与监督图像输入网络中，训练中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；步骤5：利用最优网络模型对眼底图像中硬性渗出物病变进行检测，输出检测结果。2.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤1中，为全面检测不同眼底图像中的硬性渗出物病变，首先收集正常眼底图像和带有不同种类不同病变程度的眼底图像，并将DRIVE和MESSIDOR数据库中专家手动标注的眼底硬性渗出物病变图像作为监督样本数据。3.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤2中，利用Gamma校正算法提高图像的动态范围，增强图像对比度。4.根据权利要求1所述一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法，其特征在于，步骤4中，1)通道加权模块利用全局平均池化对卷积层输出的各个通道特征进行压缩，得到输入特征的全局感受野信息；2)采用含有sigmo...
【专利技术属性】
技术研发人员：张芳，肖志涛，徐旭，耿磊，吴骏，王雯，刘彦北，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。