一种基于神经网络和自适应形态学约束的黄斑检测方法技术

本发明专利技术公开了一种基于神经网络和自适应形态学约束的黄斑检测方法，涉及黄斑图像检测技术领域，包括以下步骤：搭建区域卷积神经网络生成视盘和黄斑的候选区域，其中包括预先获取原始眼底图片作为区域卷积神经网络的输入；生成一组校准后的形态学约束规则，其中包括获取眼底相机的光学参数、拍摄参数和患者信息；基于这组相机自适应形态学规则进一步筛选黄斑候选区域；获取过滤后的最终区域特征信息。本发明专利技术基于人类眼底解剖学信息，通过黄斑形态学约束规则，结合眼底相机的光学参数、拍摄参数以及患者年龄、左右眼别信息对形态学约束规则进行细化和校准，使用形态学约束规则过滤掉不合理的候选区域，进而提高黄斑检测的准确率。

【技术实现步骤摘要】
一种基于神经网络和自适应形态学约束的黄斑检测方法
本专利技术涉及黄斑图像检测
，具体来说，涉及一种基于神经网络和自适应形态学约束的黄斑检测方法。
技术介绍
对象检测的问题是在图像中找到目标对象及其边界框。传统的对象检测算法较多依赖人工特征工程(featureengineering)。随着深度学习技术的兴起，深度神经网络被逐渐用于解决生物医学领域的目标检测问题，如显微镜图像中的细胞检测，内窥镜视频中胃肠道异常的识别，机器人辅助手术训练中的工具检测和眼底图像中的关键对象检测。从技术角度来看，当前基于深度学习的目标检测技术分为两大类，一类是基于区域提议的模型，如区域卷积神经网络(R-CNN)系列，另一类是一步式全局回归/分类模型，如YOLO(Redmon等人，2016)和SSD。而黄斑是眼底视网膜图像中的关键解剖结构，黄斑的检测对于眼底病的诊断具有重要价值，例如，黄斑的位置在早产儿视网膜病变中是划分三个区域(zone)的依据。因此，我们提出一种基于神经网络和自适应形态学约束的黄斑检测方法。针对相关技术中的问题，目前尚未提本文档来自技高网...

【技术保护点】
1.一种基于神经网络和自适应形态学约束的黄斑检测方法，其特征在于，包括以下步骤：/n搭建区域卷积神经网络生成视盘和黄斑的候选区域，其中包括预先获取原始眼底图片作为区域卷积神经网络的输入；/n生成一组校准后的形态学约束规则，其中包括获取眼底相机的光学参数、拍摄参数和患者信息；/n基于这组相机自适应形态学规则进一步筛选黄斑候选区域；/n获取过滤后的最终区域特征信息。/n

【技术特征摘要】
1.一种基于神经网络和自适应形态学约束的黄斑检测方法，其特征在于，包括以下步骤：
搭建区域卷积神经网络生成视盘和黄斑的候选区域，其中包括预先获取原始眼底图片作为区域卷积神经网络的输入；
生成一组校准后的形态学约束规则，其中包括获取眼底相机的光学参数、拍摄参数和患者信息；
基于这组相机自适应形态学规则进一步筛选黄斑候选区域；
获取过滤后的最终区域特征信息。


2.根据权利要求1所述的基于神经网络和自适应形态学约束的黄斑检测方法，其特征在于，所述区域卷积神经网络，包括卷积层、区域提议网络和区域分类器，其中；
所述卷积层，用于提取纹理、边缘、形状、部件等高级语义特征；
所述区域提议网络，通过选择性搜索方法生成提议区域；
所述区域分类器，用于对提议的区域进行识别分类。


3.根据权利要求1所述的基于神经网络和自适应形态学约束的黄斑检测方法，其特征在于，所述形态学规则包括数量约束、尺寸约束、距离约束、角度约束和眼别约束。


4.根据权利要求3所述的基于神经网络和自适应形态学约束的黄斑检测方法，其特征在于，所述数量约束，包括黄斑的最大数量为1。


5.根据权利要求3所述的基于神经网络和自适应形态学约束的黄斑检测...

【专利技术属性】
技术研发人员：张寅升，尚倩，张国明，
申请(专利权)人：张寅升，
类型：发明
国别省市：浙江;33