一种基于集成深度学习的眼底照分类系统技术方案

本发明专利技术实施例提供一种基于集成深度学习的眼底照分类系统，包括：预诊断分类网络、分割网络和最终诊断模块，其中：预诊断分类网络基于目标眼底照的全局信息获得初始诊断结果；分割网络基于初始诊断结果，对目标眼底照的视盘、视杯和视神经纤维层状态做图像分割；最终诊断模块基于视盘、视杯和视神经纤维层状态分割的结果，提取垂直杯盘比和ISNT评分，并基于垂直杯盘比、ISNT评分和视神经纤维层缺损状态，获取并显示目标眼底照的最终类别。本发明专利技术实施例首先对目标眼底照进行青光眼的预诊断，并选择合适的目标分割网络，从而提高了分割精度；进行青光眼判断时，结合多种能反应盘沿形态的量化指标，进一步提高了分类结果的准确度。

A fundus illumination classification system based on integrated deep learning

【技术实现步骤摘要】
一种基于集成深度学习的眼底照分类系统
本专利技术涉及计算机
，尤其涉及一种基于集成深度学习的眼底照分类系统。
技术介绍
在基于眼底照的青光眼的AI诊断领域，主要有两类深度学习方法：深度分类网络和深度分割网络。深度分类网络是一类端到端的青光眼诊断网络，这类深度网络能够从眼底照提取特征并做出青光眼诊断。然而，这类网络所提取的特征及其诊断逻辑对医生是不透明的。另外，这类网络的训练需要数万例的训练样本。深度分割网络是一类图像分割网络，能够从眼底照分割出视盘和视杯。进而，计算垂直杯盘比(verticalcup-to-diskratio，简称VCDR)并基于VCDR做出青光眼诊断。这类方法有三点限制：首先，这类网络分割的视杯与医生标注的视杯还具有较大的偏差；其次，仅利用VCDR不足以反映盘沿形态的完整信息；最后，没有利用视盘以外的信息。从而导致现有技术中利用AI诊断青光眼的准确率不高。因此，亟需一种具有精准性和可解释性的眼底照分类系统。
技术实现思路
为了解决上述问题，本专利技术实施例提供一种基于集成深度学习的眼底本文档来自技高网...

【技术保护点】
1.一种基于集成深度学习的眼底照分类系统，其特征在于，所述眼底照分类系统为融合深度分类网络和深度分割网络的集成系统，包括：预诊断分类网络、分割网络和最终诊断模块，其中：/n所述预诊断分类网络用于基于目标眼底照的全局信息获得初始诊断结果；/n所述分割网络用于基于所述初始诊断结果，对所述目标眼底照的视盘、视杯和视神经纤维层状态做图像分割；/n所述最终诊断模块用于基于视盘、视杯和视神经纤维层状态分割的结果，提取所述目标眼底照的垂直杯盘比和所述目标眼底照的ISNT评分，并基于所述垂直杯盘比、所述ISNT评分和视神经纤维层缺损状态，获取并显示所述目标眼底照的最终类别，所述最终诊断模块具备透明性和可解释性...

【技术特征摘要】
1.一种基于集成深度学习的眼底照分类系统，其特征在于，所述眼底照分类系统为融合深度分类网络和深度分割网络的集成系统，包括：预诊断分类网络、分割网络和最终诊断模块，其中：
所述预诊断分类网络用于基于目标眼底照的全局信息获得初始诊断结果；
所述分割网络用于基于所述初始诊断结果，对所述目标眼底照的视盘、视杯和视神经纤维层状态做图像分割；
所述最终诊断模块用于基于视盘、视杯和视神经纤维层状态分割的结果，提取所述目标眼底照的垂直杯盘比和所述目标眼底照的ISNT评分，并基于所述垂直杯盘比、所述ISNT评分和视神经纤维层缺损状态，获取并显示所述目标眼底照的最终类别，所述最终诊断模块具备透明性和可解释性，所述眼底照分类系统预测的中间过程和医生的诊断逻辑相对应。


2.根据权利要求1所述的基于集成深度学习的眼底照分类系统，其特征在于，所述预诊断分类网络和所述分割网络进行配合，以提高所述目标眼底照中视杯分割准确性的方法，具体如下：
所述分割网络对所述目标眼底照中的视杯进行分割时，分为通用视杯分割网络和优化视杯分割网络两种，所述通用视杯分割网络对正常眼的预测准确性大于对青光眼的预测准确性；所述优化视杯分割网络对正常眼的预测准确性小于对青光眼的预测准确性，配合使用所述预诊断分类网络、通用视杯分割网络、优化视杯分割网络，使得对正常眼和青光眼的视杯分割准确度都提高。


3.根据权利要求1所述的基于集成深度学习的眼底照分类系统，其特征在于，所述预诊断分类网络用于基于目标眼底照的全局信息获得初始诊断结果，具体包括：
将所述目标眼底照输入到训练后的深度学习分类网络中，得到所述目标眼底照的初始预测类别，所述初始预测类别包括青光眼和正常眼，训练后的深度学习分类网络以眼底照为样本、以眼底照的实际类别为标签进行训练得到；
所述分割网络用于基于所述初始诊断结果，对所述目标眼底照的视盘、视杯和视神经纤维层状态做图像分割，具体包括：将所述目标眼底照输入到训练后的目标视盘分割网络中，获取所述目标眼底照的视盘，将所述目标眼底照输入到训练后的目标视杯分割网络中，获取所述目标眼底照的视杯，将所述目标眼底照输入到训练后的视神经纤维层分割网络中，获取所述目标眼底照的视神经纤维层状态，并将分割出的所述目标眼底照的视盘、视杯和视神经纤维层状态显示出来，训练后的目标视杯分割网络与所述初始预测类别对应，训练后的目标视盘分割网络以眼底照为样本、以眼底照中视盘实际位置为标签进行训练得到，训练后的目标视杯分割网络以眼底照为样本、以眼底照中的视杯实际位置为标签进行训练得到，训练后的视神经纤维层分割网络以眼底照为样本、以眼底照中视神经纤维的实际状态为标签进行训练得到，所述视神经纤维层状态包括存在视神经纤维层缺损和不存在视神经纤维层缺损；
所述最终诊断模块用于基于视盘、视杯和视神经纤维层状态分割的结果，提取所述目标眼底照的垂直杯盘比和所述目标眼底照的ISNT评分，并基于所述垂直杯盘比、所述ISNT评分和视神经纤维层缺损状态，获取并显示所述目标眼底照的最终类别；
所述最终诊断模块具备透明性和可解释性，所述眼底照分类系统预测的中间过程和医生的诊断逻辑相对应，具体包括：
根据所述目标眼底照的视盘、视杯和视神经纤维层状态，获取反映盘沿尺度的垂直杯盘比和反映盘沿形态的ISNT评分，并将所述垂直杯盘比和所述ISNT评分显示出来；
根据所述垂直杯盘比、所述ISNT评分和所述视神经纤维层状态，获取并显示所述目标眼底照的最终类别。


4.根据权利要求3所述的基于集成深度学习的眼底照分类系统，其特征在于，所述将所述目标眼底照输入到训练后的目标视杯分割网络中，获取所述目标眼底照的视杯，具体包括：
若所述初始预测类别为正常眼，将所述目标眼底照输入到训练后的通用视杯分割网络中，获取所述目标眼底照的视杯，所述训练后的通用视杯分割网络以眼底照为样本、以眼底照中的视杯实际位置为标签进行训练得到；
若所述初始预测类别为青光眼，将...

【专利技术属性】
技术研发人员：徐永利，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11