一种糖尿病性视网膜病变体征检测方法及装置制造方法及图纸

本发明专利技术涉及一种糖尿病性视网膜病变体征检测方法及装置。该方法包括步骤：接收待检测的眼底图像；使用卷积神经网络CNN模型对待检测的眼底图像进行处理，获取与待检测的眼底图像对应的病变区域样本；根据病变区域样本，构建与待检测的眼底图像对应的尺度不变特征变化SIFT特征描述子；根据SIFT特征描述子，使用支持向量机SVM分类器确定待检测的眼底图像的病变类型。通过CNN模型对糖网进行粗分类并给出病变区域，然后通过SVM分类器对病变区域的病变类型进行细分类，可减少直接使用神经网络用于病变分类时因数据量和数据间差异而产生的干扰，同时提高分类精度。

【技术实现步骤摘要】
一种糖尿病性视网膜病变体征检测方法及装置
本专利技术涉及图像处理
，尤其涉及一种糖尿病性视网膜病变体征检测方法及装置。
技术介绍
近年来，由于城市化进程的加快、人民生活水平的提高、饮食结构的改变以及生活节奏的日趋紧张，使得糖尿病在人群中的发病率越来越高，截至2016年我国糖尿病患者总人数已达1亿。对于早期糖尿病患者，有效的诊断可以防止病情的恶化，并大幅度增加患者被治愈的可能性。糖尿病性视网膜病变(以下简称糖网)是糖尿病最为常见的眼部并发症，是目前30-69岁成年人失明的主要原因。因此，糖网的及时诊断在糖尿病的预防和诊断过程中起着举足轻重的作用。眼底糖尿病性视网膜病变体征表现为渗出、出血、微动脉瘤等，根据眼底图像中以上体征的程度改变，可将糖网分为五个时期：一期，无明显视网膜病变；二期，轻度非增值性病变，有黄白色“硬性渗出”、微动脉瘤和少量出血点；三期，中度非增值性病变，有白色“软性渗出”和可见的重度出血；四期，重度非增值性病变，视网膜四个象限上每个都有二十个以上出血，视力下降明显；五期，增殖期，眼底有新生血管生成和纤维增生，视力严重受损。通过对眼底病变体征的分类统计可以有效地实现糖网的分级，这对糖网的诊断和治疗工作有重要意义。糖网早期筛查的一种有效手段是通过眼底相片进行诊断，研究表明现有绝大多数眼底照相筛查的敏感性(指实际患病且被诊断为有病的概率)均高于80％。现阶段对于眼底图像的分析基本依靠眼科医生的肉眼观察，这种人工阅片的方法存在较大局限性。另外，基层和社区医院通常缺乏专业的眼科医生，这给普通的糖尿病患者、尤其是边远地区医疗条件受限的糖尿病患者带来不便。如果能够依靠计算机快速、可靠地识别出糖尿病患者的眼底图像，不仅可以将医生从繁重的人工阅片工作中解脱出来，更为糖网筛查的大规模实施提供必备的基础条件。对于糖尿病性视网膜病变的筛查工作早在上世纪七八十年代就有学者开始研究，到目前为止，较为常见的方法如基于灰度级、聚类、颜色、模板匹配、神经网络等，其中基于神经网络的方法更加成熟。评估当前较为流行的方法，发现这些方法在算法设计和方法应用上都存在一定的局限性，如：糖网筛查较为成熟有效的方法大多是基于神经网络实现的，而目前基于神经网络的方法都是以整张图像为单位进行模型训练和筛查的，由于糖网不同时期图像之间差异较大等原因，使得基于神经网络的方法在实现时需求的数据量较大，而现有的数据不能满足模型训练的需求，且方法实现后效果不够完美。现有的方法除神经网络外，大多只能进行某种病变特征的检测，而糖网眼底图像中大多数是多种病变共存的状态，使得这些方法检测效果不佳，仅具有理论研究意义而不具有使用价值，而神经网络的方法仅能实现图像的筛查，不能进行具体病变的检测分类和糖网的分析。
技术实现思路
本专利技术提供一种糖尿病性视网膜病变体征检测方法及装置，实现了对糖网眼底图像的病变检测分类和对糖网的分级，从而有助于糖网的检测分析。第一方面提供了一种糖尿病性视网膜病变体征检测方法。该方法包括：接收待检测的眼底图像；使用卷积神经网络CNN模型对待检测的眼底图像进行处理，获取与待检测的眼底图像对应的病变区域样本；根据病变区域样本，构建与待检测的眼底图像对应的尺度不变特征变化SIFT特征描述子；根据SIFT特征描述子，使用支持向量机SVM分类器确定待检测的眼底图像的病变类型。在一个可能的实施例中，使用CNN模型对待检测的眼底图像进行处理，获取与待检测的眼底图像对应的病变区域样本，包括：使用滑动窗的方法，通过矩形族对待检测的眼底图像进行分割，获取与待检测的眼底图像对应的待检测数据样本；使用CNN模型对待检测数据样本进行处理，获取与待检测的眼底图像对应的病变区域样本。在一个可能的实施例中，在根据SIFT特征描述子，使用SVM分类器确定待检测的眼底图像的病变类型之后，该方法还包括：根据待检测的眼底图像的病变类型，确定待检测的眼底图像的病期级别。在一个可能的实施例中，CNN模型通过以下步骤获得：收集具有病变区域的眼底图像，并对眼底图像中的病变区域以及眼底图像中的病变区域的病变类型进行标注；使用滑动窗法对眼底图像进行分割，获取与眼底图像对应的训练数据样本；根据训练数据样本和标注的结果，确定正样本和负样本；正样本为训练数据样本中与标注的结果重叠度高于预设值的样本，负样本为训练数据样本中与标注的结果无重叠的样本；根据正样本和负样本，以及CNN反馈修正规则，构建CNN模型。在一个可能的实施例中，SVM分类器通过以下步骤获得：接收与正样本对应的SIFT特征描述子；根据SIFT特征描述子与标注的结果，构建SVM分类器。第二方面提供了一种糖尿病性视网膜病变体征检测装置。该装置包括：接收模块，用于接收待检测的眼底图像。第一分类模块，用于使用卷积神经网络CNN模型对待检测的眼底图像进行处理，获取与待检测的眼底图像对应的病变区域样本。第一构建模块，用于根据病变区域样本，构建与待检测的眼底图像对应的尺度不变特征变化SIFT特征描述子。第二分类模块，用于根据SIFT特征描述子，使用支持向量机SVM分类器确定待检测的眼底图像的病变类型。本专利技术实施例提供的一种糖尿病性视网膜病变体征检测方法及装置，通过使用CNN模型和SVM分类器对眼底图像进行二次分类，可减少直接使用神经网络进行病变分类时因数据量和数据间差异而产生的干扰，提高了对糖网进行检测分类的精度，并实现了对糖网的分级筛查。第一次分类，采用矩形族并通过滑动窗的方法对待检测的眼底图像进行分割，将分割得到的样本数据输入CNN模型，能够给出样本数据的粗分类，并输出病变区域样本。同时，有助于病变位置的定位，此种方法还可以应用于眼底图像上其他类型疾病病变体征的检测。第二次分类，将针对病变区域样本构建的SIFT特征描述子输入SVM分类器，得到待检测的眼底图像的具体病变类型。SVM分类器采用多个线性二分类器并行的使用方式，避免了神经网络多分类结果的单一性，对于同一候选区域可进行多种病变类型与否的评定，使糖网病变体征分类结果更加精确。同时，采用矩形族并通过滑动窗的方法对收集的眼底图像进行分割来获取样本数据从而训练CNN模型，有效地解决了眼底图像样本数据不足的问题，消除了现有技术中直接使用原始眼底图像进行网络训练，因原始眼底图像差异大而产生的模型效果差的弊端。总之，采用CNN和SVM结合的方式使得算法的实现更加容易、数据要求水平降低、检测效果更加精确。同时，有效地解决了当前糖网检测功能上无法进行的病变体征分类、体征定位、病期分级等问题。弥补了糖网筛查过程中遇到的专科医生资源限制、人工大量阅片效率低下等不足，加速眼底疾病的诊断和治疗工作，并最终为提高整体社会的健康水平而努力。附图说明图1为本专利技术实施例提供的一种糖尿病性视网膜病变体征检测方法的流程示意图；图2为本专利技术实施例提供的矩形族构成示意图；图3为本专利技术实施例提供的一种构建CNN模型的流程示意图；图4为本专利技术实施例提供的另一种构建CNN模型的流程示意图；图5为本专利技术实施例提供的SIFT特征描述子构建示意图；图6为本专利技术实施例提供的SVM线性分类器示意图；图7为本专利技术实施例提供的一种糖尿病性视网膜病变体征检测装置的结构示意图。具体实施方式下面通过附图和实施例，对本专利技术的技术方案做进一步的本文档来自技高网...

【技术保护点】
一种糖尿病性视网膜病变体征检测方法，其特征在于，所述方法包括：接收待检测的眼底图像；使用卷积神经网络CNN模型对所述待检测的眼底图像进行处理，获取与所述待检测的眼底图像对应的病变区域样本；根据所述病变区域样本，构建与所述待检测的眼底图像对应的尺度不变特征变化SIFT特征描述子；根据所述SIFT特征描述子，使用支持向量机SVM分类器确定所述待检测的眼底图像的病变类型。

【技术特征摘要】
1.一种糖尿病性视网膜病变体征检测方法，其特征在于，所述方法包括：接收待检测的眼底图像；使用卷积神经网络CNN模型对所述待检测的眼底图像进行处理，获取与所述待检测的眼底图像对应的病变区域样本；根据所述病变区域样本，构建与所述待检测的眼底图像对应的尺度不变特征变化SIFT特征描述子；根据所述SIFT特征描述子，使用支持向量机SVM分类器确定所述待检测的眼底图像的病变类型。2.根据权利要求1所述的方法，其特征在于，所述使用CNN模型对所述待检测的眼底图像进行处理，获取与所述待检测的眼底图像对应的病变区域样本，包括：使用滑动窗的方法，通过矩形族对所述待检测的眼底图像进行分割，获取与所述待检测的眼底图像对应的待检测数据样本；使用CNN模型对所述待检测数据样本进行处理，获取与所述待检测的眼底图像对应的病变区域样本。3.根据权利要求1所述的方法，其特征在于，在所述根据所述SIFT特征描述子，使用SVM分类器确定所述待检测的眼底图像的病变类型之后，所述方法还包括：根据所述待检测的眼底图像的病变类型，确定所述待检测的眼底图像的病期级别。4.根据权利要求1所述的方法，其特征在于，所述CNN模型通过以下步骤获得：收集具有病变区域的眼底图像，并对所述眼底图像中的病变区域以及所述眼底图像中的病变区域的病变类型进行标注；使用滑动窗法对所述眼底图像进行分割，获取与所述眼底图像对应的训练数据样本；根据所述训练数据样本和所述标注的结果，确定正样本和负样本；所述正样本为所述训练数据样本中与所述标注的结果重叠度高于预设值的样本，所述负样本为所述训练数据样本中与所述标注的结果无重叠的样本；根据所述正样本和负样本，以及CNN反馈修正规则，构建所述CNN模型。5.根据权利要求4所述的方法，其特征在于，所述SVM分类器通过以下步骤获得：接收与所述正样本对应的SIFT特征描述子；根据所述SIFT特征描述子与所述标注的结果，构建所述SVM分类器。6.一种糖...

【专利技术属性】
技术研发人员：刘佳玉，薛丹，李德衡，
申请(专利权)人：瑞达昇科技大连有限公司，
类型：发明
国别省市：辽宁,21