修改用于深度学习模型的视网膜眼底图像的方法技术

技术编号:23563902 阅读:62 留言:0更新日期:2020-03-25 08:20
公开了一种修改用于深度学习模型的视网膜眼底图像的方法100。在所描述的实施例中,方法100包括:通过将视网膜眼底图像111的像素172转换为0二值图像131的低强度经修改像素和高强度经修改像素来将视网膜眼底图像111转换为二值图像131,以及确定在二值图像131的低强度经修改像素与高强度经修改像素之间的第一边界151。该方法进一步包括:从第一边界151移除离群边界值162,根据剩余边界值163构建第二边界161,标识视网膜眼底图像在第二边界161之内的的像素172,以及5构建用于深度学习模型的经修改的视网膜眼底图像171,该经修改的视网膜眼底图像包含所标识的像素172。

A method of modifying retinal fundus image for deep learning model

【技术实现步骤摘要】
【国外来华专利技术】修改用于深度学习模型的视网膜眼底图像的方法
本公开涉及用于深度学习技术的图像处理,并且更具体地但是非排他性地涉及一种修改用于深度学习模型的视网膜眼底图像的方法。背景在全球范围内,糖尿病性视网膜病变(DR)是引起视力丧失的主要原因。筛查DR并及时进行转诊和治疗是预防视力受损的普遍接受的策略。当前,由评估人员针对DR进行的临床眼底镜检查或者视网膜照片评估是最常用的DR筛查方法。然而,此类DR筛查项目受到实施问题、评估人员的提供和训练以及长期财务可持续性的挑战。随着全球糖尿病患病率的增加,需要可持续的、具有成本效益的DR筛查项目。已提出了深度学习系统(DLS),作为用于通过分析视网膜图像来进行大规模DR筛查的一种选择。DLS利用人工智能和表示学习法来处理自然原始数据,以识别高维信息中错综复杂的结构。与用于检测特定图像、图案和病变的传统模式识别型软件不同,DLS使用大型数据集来实现对有意义的图案或特征的挖掘、提取和机器学习。DLS的性能部分取决于用于训练和/或验证模型的数据集。例如,两项先前的DLS研究显示出具有用于DR筛查的巨大潜力,从而本文档来自技高网...

【技术保护点】
1.一种修改用于深度学习模型的视网膜眼底图像的方法,所述方法包括:/n(i)将视网膜眼底图像转换为二值图像,所述视网膜眼底图像的像素被转换为所述二值图像的低强度经修改像素和高强度经修改像素;/n(ii)确定所述低强度经修改像素与所述高强度经修改像素之间的第一边界;/n(iii)从所述第一边界移除离群边界值,并且根据剩余边界值构建第二边界;/n(iv)标识所述视网膜眼底图像的在所述第二边界之内的像素;以及/n(v)构建用于所述深度学习模型的经修改的视网膜眼底图像,所述经修改的视网膜眼底图像包括所标识的像素。/n

【技术特征摘要】
【国外来华专利技术】20170728 SG 10201706186V1.一种修改用于深度学习模型的视网膜眼底图像的方法,所述方法包括:
(i)将视网膜眼底图像转换为二值图像,所述视网膜眼底图像的像素被转换为所述二值图像的低强度经修改像素和高强度经修改像素;
(ii)确定所述低强度经修改像素与所述高强度经修改像素之间的第一边界;
(iii)从所述第一边界移除离群边界值,并且根据剩余边界值构建第二边界;
(iv)标识所述视网膜眼底图像的在所述第二边界之内的像素;以及
(v)构建用于所述深度学习模型的经修改的视网膜眼底图像,所述经修改的视网膜眼底图像包括所标识的像素。


2.根据权利要求1所述的方法,其中,所述视网膜眼底图像是灰度图像。


3.根据权利要求2所述的方法,进一步包括:在(i)中转换所述视网膜眼底图像之前,使用绿色通道值将彩色视网膜眼底图像转换为灰度视网膜眼底图像。


4.根据任一前述权利要求所述的方法,其中,(i)中转换所述视网膜眼底图像包括:将所述视网膜眼底图像的对应强度值低于预定强度阈值的像素分类为所述低强度经修改像素,并且将所述视网膜眼底图像的对应强度值高于所述预定强度阈值的像素分类为所述高强度经修改像素。


5.根据权利要求4所述的方法,其中,所述低强度经修改像素中的每一者的强度值为0,并且所述高强度修改像素中的每一者的强度值为255。


6.根据任一前述权利要求所述的方法,其中,(i)中转换所述视网膜眼底图像使用二分类大津算法来执行。


7.根据任一前述权利要求所述的方法,进一步包括:在(i)中转换所述视网膜眼底图像之前,将所述视网膜眼底图像的像素强度的上限设定为预设的最大强度。


8.根据权利要求7所述的方法,其中,所述最大强...

【专利技术属性】
技术研发人员:许为宁李梦莉林勇山黄天荫张书维
申请(专利权)人:新加坡国立大学新加坡保健服务集团私人有限公司
类型:发明
国别省市:新加坡;SG

网友询问留言 已有0条评论
  • 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。

1