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，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的问题，本专利技术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，基于深度学习的目标检测框架中，通过一组相机自适应的形态学先验规则，以约束目标检测的候选区域，进一步提高眼底照片中黄斑检测的准确率，以克服现有相关技术所存在的上述技术问题。本专利技术的技术方案是这样实现的：一种基于神经网络和自适应形态学约束的黄斑检测方法，包括以下步骤：步骤S1，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；步骤S2，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；步骤S3，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；步骤S4，获取过滤后的最终区域特征信息。进一步的，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。进一步的，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。进一步的，所述数量约束，包括黄斑的最大数量为1。进一步的，所述尺寸约束，包括在1000像素宽度的图像上，黄斑直径约为16％，视盘直径约为10％。；进一步的，所述距离约束，包括视盘与黄斑中心凹的距离为4.4±0.4mm，视盘与黄斑中央凹之间的距离为32％。进一步的，所述角度约束，包括视盘和黄斑位于同一水平线上，其连线的水平角度小于预设阈值。进一步的，所述眼别约束：包括右眼OD约束和左眼OS约束。进一步的，其右眼OD中，黄斑位于视盘的左侧；其左眼OS中，黄斑位于视盘的右侧。进一步的，包括以下步骤：预先获取ImageNet大规模图像集；将获取的图像集作为区域卷积神经网络卷积层的预训练集；获取带视盘及黄斑标注的眼底图像作为训练集；搭建并训练区域卷积神经网络。本专利技术的有益效果：本专利技术基于神经网络和自适应形态学约束的黄斑检测方法，通过搭建区域卷积神经网络生成视盘和黄斑的候选区域，生成一组校准后的形态学约束规则，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，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。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例的一种基于神经网络和自适应形态学约束的黄斑检测方法的流程示意图一；图2是根据本专利技术实施例的一种基于神经网络和自适应形态学约束的黄斑检测方法的流程示意图二；图3是根据本专利技术实施例的一种基于神经网络和自适应形态学约束的黄斑检测方法的场景示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。根据本专利技术的实施例，提供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。如图1-图2所示，根据本专利技术实施例的基于神经网络和自适应形态学约束的黄斑检测方法，包括以下步骤：步骤S1，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；步骤S2，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；步骤S3，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；步骤S4，获取过滤后的最终区域特征信息。借助于上述技术方案，通过基于神经网络和自适应形态学约束的黄斑检测方法，通过搭建区域卷积神经网络生成视盘和黄斑的候选区域，生成一组校准后的形态学约束规则，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，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。其中，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；其中，用于提取纹理、边缘、形状、部件等高级语义特征；其中，通过选择性搜索方法生成提议区域；其中，用于对提议的区域进行识别分类。其中，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。其中，所述数量约束，包括黄斑的最大数量为1。其中，所述尺寸约束，包括在1000像素宽度的图像上，黄斑直径约为16％，视盘直径约为10％。；其中，所述距离约束，包括视盘与黄斑中心凹的距离为4.4±0.4mm，视盘与黄斑中央凹之间的距离为32％。其中，所述角度约束，包括视盘和黄斑位于同一水平线上，其连线的水平角度小于预设阈值。其中，所述眼别约束：包括右眼OD约束和左眼OS约束。其中，其右眼OD中，黄斑位于视盘的左侧；其左眼OS中，黄斑位于视盘的右侧。其中，包括以下步骤：预先获取ImageNet大规模图像集；将本文档来自技高网...

【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