眼底造影图像无灌注区自动识别及激光光凝区域推荐算法制造技术

本发明专利技术属于智能医疗技术领域，具体涉及一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法。针对目前国内外研究未利用AI技术对FFA图像进行无灌注区定量分析，本发明专利技术使用55°视野图像的眼底荧光造影机标注RVO患者视网膜无灌注区面积，结合AI强大高效的影像分析判断能力及临床大数据处理能力，追踪RVO患者的自然病程、治疗及预后，实现眼底造影图像的无灌注区面积精准定量分析，并可为激光手术提供规划，且能智能规避视盘黄斑区域。

【技术实现步骤摘要】
眼底造影图像无灌注区自动识别及激光光凝区域推荐算法
本专利技术属于智能医疗
，具体涉及一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法。
技术介绍
视网膜静脉系统中血栓形成或因炎症而造成相应静脉发生梗阻称为视网膜静脉阻塞(RetinalVeinOcclusion，RVO)，它是仅次于糖尿病视网膜病变的第二大最常见的视网膜血管性疾病，也是造成视力丧失的重要原因。临床上根据阻塞发生部位不同，RVO可分为视网膜中央静脉阻塞(CentralRetinalVeinOcclusion，CRVO)及视网膜分支静脉阻塞(BranchRetinalVeinOcclusion，BRVO)。眼底荧光血管造影(fundusfluorescenceangiography，FFA)可用于评估RVO血管阻塞范围、缺血程度和黄斑水肿的类型，是评估视网膜循环状态的重要工具和金标准。缺血性RVO定义，在CRVO为伴有10个视盘面积(discareas，DA)以上的无灌注区(non-perfusionareas，NPA)，BRVO为伴有5个DA以上的无灌注区。临床上明确分型的重要意义在于缺血型和非缺血型RVO在自然病程、处理方法、治疗的反应及预后方面均不同，而分型的关键在于无灌注区面积的定量分析，因此无灌注区面积的自动识别对于RVO的病情分析及治疗方案选择都是至关重要的。人工智能简称AI(ArtificialIntelligence)是计算机科学的分支，一种能够模拟人类智能行为和思维过程的系统。最早于1956年由被誉为“人工智能之父”的美国人约翰麦卡锡在达特茅斯会议上首次提出。近年来AI在生产生活各个领域的突破主要来自深度学习(DeepLearning)技术，源于人工神经网络的研究，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，是人工智能的核心技术。其概念由被称为“神经网络之父”的Hinton于2006年提出。2012年Hinton教授的研究团队研发的多层卷积神经网络结构，突破性的将图像识别错误率大大降低。这一革命性的技术，让神经网络深度学习飞速跃入了医疗领域。随着大数据时代的到来和计算机硬件的巨大进步，深度学习技术尤其是卷积神经网络，在图像分类、分割、检测等很多任务中相对传统模式识别方法优势显著。AI+医学影像，是将人工智能技术具体应用在医学影像的诊断上，已报道人工智能涉及了X线、CT、MRI、病理、超声等多种医疗影像，涉及的病种也越来越广，在提高影像判读效率、提高病变诊断准确率方面有着人类无法比拟的优势。基于眼部影像学图像分析是AI在眼科领域应用的关键点。2016年顶级医学期刊JAMA报道，Google团队研发的人工智能诊断技术，根据眼底照片快速诊断糖尿病视网膜病变，灵敏度及特异度均在90％以上，诊断能力已达专家水平。其筛查糖尿病视网膜病变的能力已达专家级。其后，各国研究者基于对眼底彩照、眼前节彩照、OCT及静态视野等眼科影像学图片进行分析处理，利用AI的深度学习算法，对先天性白内障诊治方案、湿性年龄相关性黄斑变性治疗决策、青光眼、早产儿视网膜视网膜病变、孔源性视网膜脱离等方面都有文献报道。但是，目前在视网膜静脉阻塞的FFA影像方面研究未见报道。
技术实现思路
基于目前国内外研究未利用AI技术对FFA图像进行无灌注区定量分析，本专利技术使用55°视野图像的眼底荧光造影机标注RVO患者视网膜无灌注区面积，结合AI强大高效的影像分析判断能力及临床大数据处理能力，追踪RVO患者的自然病程、治疗及预后，实现眼底造影图像的无灌注区面积精准定量分析，并可为激光手术提供规划，且能智能规避视盘黄斑区域。为了达到上述目的，本专利技术采用了下列技术方案：本专利技术提供一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，包括以下步骤：步骤1，采集眼底的后极部55度的眼底造影图像；步骤2，对眼底造影图像进行脱敏预处理和数据增强；步骤3，由专业眼科主任医生利用labelme工具对脱敏预处理和数据增强后的眼底造影图像进行标注，标注内容包括无灌注区、视盘区域、黄斑区域三部分，并通过实现json2img函数，将标注结果转换为图像格式，背景区域像素值为0，视盘区域像素值为1，黄斑区域像素值为2，无灌注区像素值为3；步骤4，将标注后的眼底造影图像按照80％和20％的占比随机分为训练集和测试集，以文件夹的形式来区分，文件夹名字分别为train和test；步骤5，在以TensorFlow为后端的Keras深度学习框架的基础上，利用keras框架中的layers模块构建3个标准化多流卷积神经网络模型，分别用来识别视盘区域、黄斑区域、无灌注区域；步骤6，利用训练集图像数据对构建的多流卷积神经网络模型进行优化训练，并用测试集数据对网络模型进行验证；步骤7，利用步骤6训练优化好的网络模型对设备实际采集数据图像进行无灌注区、视盘区域、黄斑区域的识别分割。进一步，所述步骤2中对眼底造影图像进行脱敏预处理过程为：利用opencv-python模块下的cv2.threshold方法通过阈值分割保留眼底区域，同时剔除图像上的患者信息并将背景区域置0。所述步骤2中对预处理后的眼底造影图像进行数据增强采用限制对比度自适应直方图均衡方法，具体为使用opencv-python模块下的createCLAHE方法创建clahe对象，clipLimit参数设置为1，titleGridSize参数设置为(8，8)。进一步，所述步骤3中眼底造影图像标注的输出结果为json格式，存储内容为每个标注区域的标签名及区域边缘点的坐标位置信息。进一步，所述步骤5中的构建的神经网络模型共有34层，包括输入层、下采样层、上采样层、输出层4部分，其中：输入层要求输入图像的尺寸为768*768；下采样层由前17层组成，功能为特征提取，第1、2层为卷积层，卷积核数量为64、卷积核大小为3×3，步长为1，padding方式为same，且在卷积层后会有一个relu激活层以提高网络模型的非线性拟合能力；第4层为最大值池化层，窗口大小为2×2，步长为2，池化层输出的特征图大小会变小；第5、6层为卷积层，为保证特征数量不减少，卷积核数量会增加变为128；第7层为池化层，参数配置与第4层相同的；第8、9层为卷积层，卷积核数量为256；第10层为最大值池化层，参数配置与第4层相同；第11、12为卷积层，卷积核数量为512；第13层为Dropout层，dropout率为0.5；第14层为最大值池化层；第15、16层为卷积层，卷积核数量为1024；第17层为Dropout层；上采样层由15层组成，目的是还原图像细节、提取目标区域，第18层为转置卷积层，卷积核大小为2×2，该层可将特征图大小放大，该层的输出会与下采样层第13层的输出特征图进行拼接形成最终的输出，通过拼接可保留更多的图像细节，提升病灶区域分割结果的精细度；第19、20层为卷积层，随着特征图大小的放大，卷积核数量也会减少，这两层本文档来自技高网...

【技术保护点】
1.一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，其特征在于，包括以下步骤：/n步骤1，采集眼底的后极部55度的眼底造影图像；/n步骤2，对眼底造影图像进行脱敏预处理和数据增强；/n步骤3，利用labelme工具对脱敏预处理和数据增强后的眼底造影图像进行标注，标注内容包括无灌注区、视盘区域、黄斑区域三部分，并通过实现json2img函数，将标注结果转换为图像格式，背景区域像素值为0，视盘区域像素值为1，黄斑区域像素值为2，无灌注区像素值为3；/n步骤4，将标注后的眼底造影图像按照80％和20％的占比随机分为训练集和测试集，以文件夹的形式来区分，文件夹名字分别为train和test；/n步骤5，构建3个标准化多流卷积神经网络模型，分别用来识别视盘区域、黄斑区域、无灌注区域；/n步骤6，利用训练集图像数据对构建的多流卷积神经网络模型进行优化训练，并用测试集数据对多流卷积神经网络模型进行验证；/n步骤7，利用步骤6的多流卷积神经网络模型对设备实际采集数据图像进行无灌注区、视盘区域、黄斑区域的识别分割。/n

【技术特征摘要】
1.一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，其特征在于，包括以下步骤：
步骤1，采集眼底的后极部55度的眼底造影图像；
步骤2，对眼底造影图像进行脱敏预处理和数据增强；
步骤3，利用labelme工具对脱敏预处理和数据增强后的眼底造影图像进行标注，标注内容包括无灌注区、视盘区域、黄斑区域三部分，并通过实现json2img函数，将标注结果转换为图像格式，背景区域像素值为0，视盘区域像素值为1，黄斑区域像素值为2，无灌注区像素值为3；
步骤4，将标注后的眼底造影图像按照80％和20％的占比随机分为训练集和测试集，以文件夹的形式来区分，文件夹名字分别为train和test；
步骤5，构建3个标准化多流卷积神经网络模型，分别用来识别视盘区域、黄斑区域、无灌注区域；
步骤6，利用训练集图像数据对构建的多流卷积神经网络模型进行优化训练，并用测试集数据对多流卷积神经网络模型进行验证；
步骤7，利用步骤6的多流卷积神经网络模型对设备实际采集数据图像进行无灌注区、视盘区域、黄斑区域的识别分割。


2.根据权利要求1所述的一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，其特征在于，所述步骤2中对眼底造影图像进行脱敏预处理过程为：利用opencv-python模块下的cv2.threshold方法通过阈值分割保留眼底区域，同时剔除图像上的患者信息并将背景区域置0。


3.根据权利要求1所述的一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，其特征在于，所述步骤2中对脱敏预处理后的眼底造影图像进行数据增强采用限制对比度自适应直方图均衡方法，具体为使用opencv-python模块下的createCLAHE方法创建clahe对象，clipLimit参数设置为1，titleGridSize参数设置为(8，8)。


4.根据权利要求1所述的一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，其特征在于：所述步骤3中眼底造影图像标注的输出结果为json格式，存储内容为每个标注区域的标签名及区域边缘点的坐标位置信息。


5.根据权利要求1所述的一种眼底造影图像无灌注区自动识别及激光光凝区域推荐算法，其特征在于：所述步骤5中的构建的神经网络模型共有34层，包括输入层、下采样层、上采样层、输出层4部分，其中：
输入层要求输入图像的尺寸为768*768；
下采样层由前17层组成，功能为特征提取，第1、2层为卷积层，卷积核数量为64、卷积核大小为3×3，步长为1，padding方式为same，且在卷积层后会有一个relu激活层以提高网络模型的非线性拟合能力；第4层为最大值池化层，窗口大小为2×2，步长为2，池化层输出的特征图大小会变小；第5、6层为卷积层，为保证特征数量不减少，卷积核数量会增加变为128；第7层为池化层，参数配置与第4层相同的；第8、9层为卷积层，卷积核数量为256；第10层为最大值池化层，参数配置与第4层相同；第11、12为卷积层，卷积核数量为512；第13层为Dropout层，dropout率为0.5；第14层为最大值池化层；第15、16层为卷积层，卷积核数量为1024；第17层为Dropout层；
上采样层由15层组成，目的是还原图像细节、提取目标区域，第18层为转置卷积层，卷积核大小为2×2，该层可将特征图大小放大，该层的输出会与下采样层第1...

【专利技术属性】
技术研发人员：张喜梅，侯军军，谢娟，孙斌，张光华，马非，刘汉，王龙，
申请(专利权)人：山西省眼科医院山西省红十字防盲流动眼科医院，山西省眼科研究所，山西智能大数据产业技术创新研究院，
类型：发明
国别省市：山西;14