一种基于深度神经网络对DME分型进行处理的方法和终端技术

本发明专利技术提出了一种基于深度神经网络对DME分型进行处理的方法和终端，该方法包括：对待识别的OCT图像进行预处理；通过训练好的DME特征提取模型对经过预处理的所述OCT图像进行图像特征提取；所述DME特征提取模型是基于深度学习网络训练得到的；基于对所提取的图像特征进行处理，得到所对应述OCT图像中预设DME是否出现的二进制分类函数值；所述预设DME包括：DRT、CME和SRD；基于所述二进制分类函数值以及预设阈值得到二进制分类任务的结果。本方案实现了对不同类型DME的快速、准确的识别。

【技术实现步骤摘要】
一种基于深度神经网络对DME分型进行处理的方法和终端
本专利技术涉及临床医学眼科和计算机工程领域，特别涉及一种基于深度神经网络对DME分型进行处理的方法和终端。
技术介绍
DME是糖尿病患者视力下降的首要原因，根据其在OCT检查中形态学的不同可分为弥漫性视网膜增厚(DRT，diffuseretinalthickening)，黄斑囊样水肿(CME，cystoidmacularedema)，浆液性视网膜脱离(SRD，serousretinaldetachment)以及混合了以上两种或三种类型的混合型DME(MixedDME)。在OCT图像上，DRT表现为视网膜神经上皮层厚度增加，伴神经上皮层层间反射减少，低反射区扩大；CME表现为视网膜层间囊样腔隙形成，轻者表现为数个小囊腔呈蜂窝状，当水肿明显时小囊腔可融合成较大的囊腔，甚至在中心凹只保留薄层的内界膜；SRD表现为黄斑区神经上皮层的脱离，其下为液性暗区，色素上皮层的高反射带清晰可见。有研究表明，不同类型DME患者的全身危险因素不同，表明不同类型DME的发病机制可能各不相同。既往有研究进一步证本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络对DME分型进行处理的方法，其特征在于，包括：/n对待识别的OCT图像进行预处理；/n通过训练好的DME特征提取模型对经过预处理的所述OCT图像进行图像特征提取；所述DME特征提取模型是基于深度学习网络训练得到的；/n基于对所提取的图像特征进行处理，得到所对应述OCT图像中预设DME是否出现的二进制分类函数值；所述预设DME包括：DRT、CME和SRD；/n基于所述二进制分类函数值以及预设阈值得到DME分型的结果。/n

【技术特征摘要】
1.一种基于深度神经网络对DME分型进行处理的方法，其特征在于，包括：
对待识别的OCT图像进行预处理；
通过训练好的DME特征提取模型对经过预处理的所述OCT图像进行图像特征提取；所述DME特征提取模型是基于深度学习网络训练得到的；
基于对所提取的图像特征进行处理，得到所对应述OCT图像中预设DME是否出现的二进制分类函数值；所述预设DME包括：DRT、CME和SRD；
基于所述二进制分类函数值以及预设阈值得到DME分型的结果。


2.如权利要求1所述的方法，其特征在于，在“对待识别的OCT图像进行预处理”之前还包括：
获取确诊DME的患者的OCT图像；
将所述患者的OCT图像设置为待识别的OCT图像。


3.如权利要求1所述的方法，其特征在于，所述“对待识别的OCT图像进行预处理”，包括：
对待识别的OCT图像进行饱和像素值的移除、降噪以及边缘切除处理；
读取处理后的所述OCT图像，并将读取的所述OCT图像统一调整为预设大小。


4.如权利要求1所述的方法，其特征在于，所述DME特征提取模型是在VGG16卷积神经网络的基础上构建得到的。


5.如权利要求4所述的方法，其特征在于，在VGG16卷积神经网络的基础上构建得到所述DME特征提取模型，包括：
在VGG16卷积神经网络的基础上构建DeepDME模型；
基于进行所述预处理后的预设OCT图像数据集中的训练集对所述DeepDME模型进行训练以及进行内部验证；
基于预设OCT图像数据集中的测试集对训练后的所述DeepDME模型进行外部验证，以得到DME特征提取模型。


6.如权利要求5所述的方法，其特征在于，所述“在VGG16卷积神经网络的基础上构建DeepDME模型”包括：
采用交叉熵损失函数评估VGG16卷积神经网络输出值和真实值之间的差异程度；
采用ReLU激活函数，提高VGG16卷积神经网络的非线性，增加VGG16卷积神经网络的稀疏性；
采用Dropout层作用在VGG16卷积神经网络的全连接层；
采用Batchnorm层作用在VGG16卷积神经网络中每层卷积层之后，将每层神经网络层的神经元输入值的分布拉回到标准正态分布；
对在ImageNet数据集...

【专利技术属性】
技术研发人员：余洪华，蔡宏民，吴乔伟，张滨，刘宝怡，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：广东;44