一种糖尿病性视网膜眼底图像病变检测方法技术

本发明专利技术公开了一种糖尿病性视网膜眼底图像病变检测方法，首先对医学眼底图像进行预处理，生成标准化的眼底图像；然后对眼底图像进行区域划分，生成m张眼底不同区域的子图像。接着利用多层区域卷积神经网络模型提取眼底子图像的区域深度特征向量，将区域深度特征向量作为长短期记忆神经网络输入，预测不同区域之间的相关性，生成眼底图像全局特征向量；最后通过全连接层和softmax实现对眼底图像的多分类检测。本发明专利技术基于网上可爬取到的视网膜眼底图像及标签，根据眼底图像的区域深度特征和相邻区域之间的相关性，利用卷积神经网络和递归神经网络算法进行糖尿病视网膜病变的自动检测，有效地提高了检测的准确性和时效性。

A diabetic retinopathy image detection method

The invention discloses a detection method for diabetic retinal fundus image lesion. Firstly, the medical fundus image is preprocessed to generate a standardized fundus image, and then the fundus image is divided into regions to generate m sub-images of different regions of the fundus. Then the multi-layer region convolution neural network model is used to extract the region depth feature vector of the eye fundus sub-image, and the region depth feature vector is used as the input of the long-term and short-term memory neural network to predict the correlation between different regions and generate the global feature vector of the eye fundus image. Multiple classification of images. Based on the retinal fundus images and labels that can be crawled on the network, and according to the region depth characteristics of the fundus images and the correlation between adjacent regions, the invention uses convolution neural network and recursive neural network algorithm to automatically detect diabetic retinopathy, and effectively improves the accuracy and timeliness of the detection.

【技术实现步骤摘要】
一种糖尿病性视网膜眼底图像病变检测方法
本专利技术属于图像识别
，更为具体地讲，涉及一种糖尿病性视网膜眼底图像病变检测方法
技术介绍
糖尿病视网膜病变时美国和欧洲人口中最重要的致病眼疾。据世界卫生组织预测，到2030年，全球视网膜病变患者将增加到3.66亿，糖尿病防治将成为一个更为严重的世界性问题。研究表明，对糖尿病视网膜病变患者进行早期诊断和治疗能有效防止视觉的损失以及失明，而防治的关键则是通过眼底照相检查，定期随访发现病情的进展，及时进行激光干预治疗。但是目前世界上超过50％的患者没有接受任何形式的眼部检查，基于眼底图像的糖尿病视网膜病变检查工作基本还是靠眼科医生的肉眼观察进行。近年来，随着计算机辅助诊断技术的发展，基于计算机视觉的相关技术已经在肝脏疾病、呼吸系统疾病的影像诊断中得到开发和应用。基于深度学习的糖尿病视网膜病变自动检测正是基于大规模检测的需求，通过深度学习技术来辅助医生判别病变指标，智能分析患者的疾病信息，从而实现糖尿病视网膜病变的大规模自动筛查。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种糖尿病性视网膜眼底图像病变检测方法，基于区域深度特征进行检测，以提高视网膜病变检测的准确性和时效性。为实现上述专利技术目的，本专利技术糖尿病性视网膜眼底图像病变检测方法，包括以下步骤：(1)、通过眼底图像预处理，生成标准化的眼底图像1.1)、图像归一化，将像素点的每个颜色通道缩放为零均值和单位方差，去除亮度强弱对结果造成的影响；1.2)通过Hough变换，检测眼底图像的眼球轮廓：检测图像中的边缘点，并保存其坐标位置(x,y)。设置角度theta的变化范围和步长，半径r的变换范围和步长,利用公式x＝a+rcos(theta),y＝b+rsin(theta)求出对应的圆心坐标(a,b)；1.3)、确定眼球轮廓外接矩阵的大小，对数据集中的所有图像进行等比例缩放；1.4)、对齐后的眼底图像进行旋转变化，生成不同角度的图像，达到数据增量的目的，也减少角度问题带来的实验误差，最后经过裁剪，生成标准的眼底图像；(2)、对眼底图像进行区域划分，生成m张眼底不同区域的子图像每张眼底图像分割成9张相同大小的区域子图像；(3)、利用多层卷积神经网络模型提取每张眼底子图像的区域深度特征3.1)、将m张眼底子图像向量输入m个卷积神经网络(ConvolutionalNeuralNetwork,CNN)；3.2)、使用初始化的多个卷积核堆输入图像做卷积，得到每张眼底图像的区域卷积特征图像；3.3)、经过若干卷积层对得到的卷积特征图像作2x2的最大池采样，获得最大池化层后的特征图像；3.4)、经过若干次步骤3.2)和步骤3.3)，生成眼底图像不同区域的区域深度特征向量；(4)、将区域深度特征作为长短期记忆神经网络输入，利用不同区域之间的相关性，生成眼底图像全局特征向量，具体步骤如下：4.1)、将m个CNN网络输出的区域深度特征向量输入长短期记忆(LongShort-TermMemory,LSTM)神经网络；4.2)、经过LSTM三种“门”的结构作用，让信息选择性通过，以此学习相邻区域之间的相关性和依赖性；4.3)、经过若干层LSTM神经网络层，输出眼底图像全局特征向量；(5)、将特征向量输入全连接神经网络，最后一层采用softmax层进行眼底图像的分类检测，具体步骤如下：5.1)、将眼底图像全局特征向量经过全连接神经网络进行学习；5.2)、激活函数采用ReLU激活函数；5.3)、最后一层采用softmax进行各个类别分类预测。本专利技术的目的是这样实现的。本专利技术糖尿病性视网膜眼底图像病变检测方法基于区域深度特征进行检测，可应用于不同病变时期糖尿病性视网膜病变的大规模检测。该方法首先对医学眼底图像进行预处理，生成标准化的眼底图像；然后对眼底图像进行区域划分，生成m张眼底不同区域的子图像。接着利用多层区域卷积神经网络模型提取眼底子图像的区域深度特征向量，将区域深度特征向量作为长短期记忆神经网络输入，预测不同区域之间的相关性，生成眼底图像全局特征向量；最后通过全连接层和softmax实现对眼底图像的多分类检测。本专利技术基于网上可爬取到的视网膜眼底图像及标签，根据眼底图像的区域深度特征和相邻区域之间的相关性，利用卷积神经网络和递归神经网络算法进行糖尿病视网膜病变的自动检测，有效地提高了检测的准确性和时效性。附图说明图1是本专利技术糖尿病性视网膜眼底图像病变检测方法一种具体实施方式流程图；图2是卷积神经网络结构示意图；图3是深度学习网络模型结构示意图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。图1是本专利技术糖尿病性视网膜眼底图像病变检测方法一种具体实施方式流程图。在本实施例，如图1所示，本专利技术糖尿病性视网膜眼底图像病变检测方法，包括如下几个部分：数据获取，构造数据集。我们从网上爬取到了不同标签类型的视网膜的图像，包含没有病变的眼底图像和不同程度病变的眼底图像。眼底图像数据集，标签分为5期，分别是：0期：未发生糖尿病性视网膜病变，有25810张图像数据。1期：眼底图像产生微血管瘤和出血点，有2443张图像数据。2期：眼底图像产生渗出物及出血斑有5292张图像数据。3期：眼底图像视网膜新生血管形成或玻璃体出血，有873张图像数据。4期：新生血管形成并可见纤维增殖，有708张图像数据。原始图像数据集共53576张图像，实验中通过旋转一定角度对数据进行增量处理，每张图像经过5次60度旋转，产生不同角度的眼底图像，扩充数据集。其中数据集被分成3个部分，训练集75％，测试集25％。训练集用于模型训练，测试集用于检测模型效果。眼底图像预处理构建单元，生成标准化的眼底图像；眼底图像分割单元，对眼底图像进行区域划分，生成9张不同区域相同大小的子图像。CNN网络构建单元，利用多层卷积神经网络模型提取每张眼底子图像的区域深度特征。LSTM网络构建单元，将区域深度特征作为LSTM神经网络输入，预测不同区域之间的相关性，生成眼底图像全局特征向量。分类检测构建单元，将特征向量输入全连接神经网络，最后一层采用softmax层进行眼底图像的分类检测。深度学习网络模型结构示意图如图3所示。其步骤如下：S1：眼底图像预处理构建单元。由于从互联网上爬取的视网膜眼底病变图像数据集本身存在着很多干扰信息以及图像与图像之间并没有对齐，为了获得更好的检索效果，需要对眼底图像进行预处理，生成标准的图像数据，流程如下：1.1)图像归一化，将像素点的每个颜色通道缩放为零均值和单位方差，去除亮度强弱对结果造成的影响。1.2)通过Hough变换，检测眼底图像的眼球轮廓。Hough圆检测的原理是：检测图像中的边缘点，并保存其坐标位置(x,y)。设置角度theta的变化范围和步长，半径r的变换范围和步长,利用公式x＝a+rcos(theta),y＝b+rsin(theta)求出对应的圆心坐标(a,b)，圆的公式为(x－a)2+(y－b)2＝r2。1.3)确定眼球轮廓外接矩阵的大小，对数据集中的所有图像进行等比例缩放，这里外本文档来自技高网...

【技术保护点】
1.一种糖尿病性视网膜眼底图像病变检测方法，其特征在于，包括以下步骤：(1)、通过眼底图像预处理，生成标准化的眼底图像；(2)、对眼底图像进行区域划分，生成m张眼底不同区域的子图像；(3)、利用多层卷积神经网络模型提取每张眼底子图像的区域深度特征；(4)将区域深度特征作为长短期记忆神经网络输入，预测不同区域之间的相关性，生成眼底图像全局特征向量；(5)将特征向量输入全连接神经网络，最后一层采用softmax层进行眼底图像的分类检测。

【技术特征摘要】
1.一种糖尿病性视网膜眼底图像病变检测方法，其特征在于，包括以下步骤：(1)、通过眼底图像预处理，生成标准化的眼底图像；(2)、对眼底图像进行区域划分，生成m张眼底不同区域的子图像；(3)、利用多层卷积神经网络模型提取每张眼底子图像的区域深度特征；(4)将区域深度特征作为长短期记忆神经网络输入，预测不同区域之间的相关性，生成眼底图像全局特征向量；(5)将特征向量输入全连接神经网络，最后一层采用softmax层进行眼底图像的分类检测。2.根据权利要求1所述的基于区域深度特征的糖尿病性视网膜眼底图像病变检测方法，其特征在于，步骤(1)中通过眼底图像预处理，生成标准化的眼底图像；具体步骤如下：2.1)、图像归一化，将像素点的每个颜色通道缩放为零均值和单位方差，去除亮度强弱对结果造成的影响；2.2)、根据Hough变换提取眼球轮廓，设定外界矩阵大小，并通过缩放，实现眼球轮廓对齐；2.3)、对对齐后的眼底图像进行旋转变化，生成不同角度的图像，达到数据增量的目的，也减少角度问题带来的实验误差，最后经过裁剪，生成标准的眼底图像。3.根据权利要求1所述的基于区域深度特征的糖尿病性视网膜眼底图像病变检测方法，其特征在于，步骤(3)中利用多层卷积神经网络模型提...

【专利技术属性】
技术研发人员：陈洪刚，
申请(专利权)人：艾视医疗科技成都有限公司，
类型：发明
国别省市：四川,51