眼底视网膜血管识别及量化方法、装置、设备及存储介质制造方法及图纸

本申请提供了一种眼底视网膜血管识别及量化方法、装置、设备及存储介质，其中方法包括：将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到目标特征图；基于目标特征图进行视盘分割；对原始眼底图像进行分割，获取动静脉血管识别结果；基于视盘分割结果进行感兴趣区域定位；根据动静脉血管识别结果提取血管中心线，检测血管中心线中的关键点，去除关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正；基于提取出的血管中心线，获取类别信息修正后的各血管段的血管直径，然后对感兴趣区域内的动静脉血管进行量化。本申请实施例有利于提高眼底视网膜动静脉血管识别精度，进而提高量化精度。

Fundus retinal vascular recognition and quantification method, device, equipment and storage medium

【技术实现步骤摘要】
眼底视网膜血管识别及量化方法、装置、设备及存储介质
本申请涉及图像处理
，尤其涉及一种眼底视网膜血管识别及量化方法、装置、设备及存储介质。
技术介绍
眼底视网膜动静脉血管一直是医学研究的重点领域，尤其是距离视盘中心1pd-1.5pd(PapillaryDiameter，视盘直径)范围内的眼底视网膜动静脉血管，二者的管径比或形态的变化是许多系统性和血液性疾病早期诊断的依据，例如心血管疾病、糖尿病、高血压等。计算眼底视网膜动静脉血管的管径比需要对动静脉血管进行精确分类，传统的眼底视网膜诊断，是凭借医生观察眼底图像，通过自身医学经验得出诊断结果，这种方式耗时较长，且工作量大，动静脉血管的识别和分类受主观性影响较大。随着计算机图像处理技术的发展，目前利用眼底彩照进行眼底视网膜血管提取的较多，由于眼底彩照具有亮度不均匀、血管及背景色彩交错复杂、动静脉差别小等特点，给动静脉血管识别和分类造成一定困难，而现有动静脉血管自动识别的研究主要依据色彩或血管的部分结构实现了局部动静脉血管识别，但其识别精度仍然有限，进而导致量化精度较低。r>专利技术本文档来自技高网...

【技术保护点】
1.一种眼底视网膜血管识别及量化方法，其特征在于，所述方法包括：/n将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；/n基于所述目标特征图进行视盘分割，获得视盘分割结果；/n采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；/n基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；/n根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；/n基于动静脉类别信息修正后的各血管段的...

【技术特征摘要】
1.一种眼底视网膜血管识别及量化方法，其特征在于，所述方法包括：
将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图；
基于所述目标特征图进行视盘分割，获得视盘分割结果；
采用预训练的级联分割网络模型对所述原始眼底图像进行分割，获得动静脉血管识别结果；
基于视盘分割结果进行感兴趣区域定位，获得感兴趣区域定位结果；
根据动静脉血管识别结果提取血管中心线，采用邻域连通性判定方法检测血管中心线中的关键点，去除所述关键点以得到多个相互独立的血管段，并对各血管段上的动静脉类别信息进行修正，得到动静脉类别信息修正后的各血管段；
基于动静脉类别信息修正后的各血管段的血管中心线，采用边界探测的方法获取动静脉类别信息修正后的各血管段的血管直径，根据所述血管直径计算感兴趣区域内动脉血管和静脉血管的直径比值。


2.根据权利要求1所述的方法，其特征在于，所述将原始眼底图像输入预训练的U型卷积神经网络模型进行处理，得到多个尺度的目标特征图，包括：
将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图；
将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图。


3.根据权利要求2所述的方法，其特征在于，所述将所述原始眼底图像输入所述U型卷积神经网络模型的编码器部分进行关键特征提取，得到一高维特征图，包括：
对所述原始眼底图像进行卷积处理以提取关键特征，得到与所述原始眼底图像尺寸相同的特征图；
对经过卷积处理得到的特征图进行最大池化操作，逐层缩小特征图尺寸，经过若干卷积层和池化层的交替处理得到所述高维特征图；
所述将所述高维特征图输入所述U型卷积神经网络模型的解码器部分进行上采样操作，输出多个尺度的目标特征图，包括：
对所述高维特征图进行上采样操作，逐层放大所述高维特征图尺寸；
通过跳跃连接层将编码阶段每个网络层提取的低维特征与解码阶段对称提取的高维特征进行合并，得到每个网络层的初始特征图，所述每个网络层的初始特征图尺度不同；
通过每个网络层的输出分支对所述每个网络层的初始特征图进行输出得到多个尺度的目标特征图，所述每个网络层的输出分支中加入有注意力机制。


4.根据权利要求1至3任一项所述的方法，其特征在于，所述基于所述目标特征图进行视盘分割，获得视盘分割结果，包括：
将所述目标特征图进行融合以得到待分割图像；
对所述待分割图像进行候选框回归处理，以从所述待分割图像中定位视盘位置，并输出视盘的边界框信息；
根据视盘的边界框信息裁剪出标定的视盘区域图像块输入预训练的U型分割网络中，经过特征提取和上采样操作输出视盘分割结果。


5.根据权利要求1-3任一项所述的方法，其特征在于，所述采用预训练的级联分割网络模型对所述...

【专利技术属性】
技术研发人员：柳杨，王瑞，王立龙，吕彬，吕传峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44