【技术实现步骤摘要】
基于深度学习的眼底荧光造影图像无灌注区自动分割方法
本专利技术属于图像处理技术邻域，具体涉及一种基于深度学习的眼底荧光造影图像无灌注区自动分割方法。
技术介绍
糖尿病视网膜病变(DR)是胰岛素代谢异常，引起眼组织、神经及血管微循环改变，造成眼的营养和视功能的损坏，是最常见的糖尿病并发症。目前全世界有超过6千万DR患者，患病初期并无明显异常症状，但最终会导致视力丧失，已经成为四大致盲眼病之一。因此，DR的早发现、早治疗非常重要，与患者预后的视力密切相关。眼底激光是目前DR最重要的治疗手段。但目前在眼底激光治疗时，需要有经验的眼底病医生参照眼底荧光造影(FFA)来定位病灶和设定激光的能量，实时精准地识别多处需要治疗的DR眼底病灶存在一定困难，无法使用FFA图像上无灌注区精确辅助眼底激光。DR的计算机辅助诊断(CADx)系统大大减轻了医生的阅片压力、提高了工作效率，最重要的是可以减小医生诊断时个人主观因素的影响，提高临床诊断的准确性。目前DR的CADx系统还无法智能识别需要激光治疗的病灶，还未能将辅助诊断与治疗紧密结合，尚有很大的提升空间。要实现智能识别需要眼底激光治疗...
【技术保护点】
1.基于深度学习的眼底荧光造影图像无灌注区自动分割方法，其特征在于，包括以下步骤：步骤1：收集和分割标注眼底荧光造影图像，将眼底荧光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，将含无灌注区图像放入数据集中；步骤2：将步骤1数据集中的含无灌注区图像进行预处理，由经过预处理的含无灌注区图像构成训练数据库的数据；所述预处理为对含无灌注区图像依次进行图像去噪平滑、图像对比度增强、图像降采样和像素归一化处理；步骤3：对步骤2中的训练数据库数据进行扩增后得到扩增后的训练数据集，扩增方法采用图像翻转和随机加入高斯噪声的方法；步骤4：对扩增后训练数据集中的含无灌注区图像进行无...
【技术特征摘要】
1.基于深度学习的眼底荧光造影图像无灌注区自动分割方法，其特征在于，包括以下步骤：步骤1：收集和分割标注眼底荧光造影图像，将眼底荧光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，将含无灌注区图像放入数据集中；步骤2：将步骤1数据集中的含无灌注区图像进行预处理，由经过预处理的含无灌注区图像构成训练数据库的数据；所述预处理为对含无灌注区图像依次进行图像去噪平滑、图像对比度增强、图像降采样和像素归一化处理；步骤3：对步骤2中的训练数据库数据进行扩增后得到扩增后的训练数据集，扩增方法采用图像翻转和随机加入高斯噪声的方法；步骤4：对扩增后训练数据集中的含无灌注区图像进行无灌注区轮廓线标注，使用水漫填充将标注轮廓线后的含无灌注区图像转换为二值分割图像；步骤5：构建卷积神经网络；步骤6：采用步骤4处理后的训练数据集训练步骤5的卷积神经网络，训练时按照设定的学习率调整卷积神经网络的参数，从而得到多次训练后的用于无灌注区语义分割的卷积神经网络；步骤7：将待分割图像输入步骤6中训练后的卷积神经网络，卷积神经网络中最后一层的输出值经过softmax函数计算得到待分割图像中每个像素点的分类概率，进而实现待分割图像灌注区的语义分割。2.根据权利要求1所述的一种基于深度学习的眼底荧光造影图像无灌注区自动分割方法，其特征在于，所述步骤1中，眼底荧光造影图像主要由含激光斑和不含激光斑两类图像组成，其中含激光斑的图像分为含无灌注区图像和不含无灌注区图像。3.根据权利要求1所述的一种基于深度学习的眼底荧光造影图像无灌注区自动分割方法，其特征在于，所述步骤5的卷积神经网络构建过程如下：卷积神经网络主要由输入层、四个上采样模块、四个下采样模块、输出卷积模块、输出卷积层以数据传递顺序依次连接组成，输入层输入第一个上采样模块，四个上采样模块依次连接，第四个上采样模块...
【专利技术属性】
技术研发人员：叶娟，吴健，金凯，尤堃，潘相吉，陆逸飞，刘志芳，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33
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。