一种基于图像识别的眼底照片自动检测方法及系统技术方案

本发明专利技术公开了一种基于图像识别的眼底照片自动检测方法。首先进行眼底照片获取及预处理；然后对眼底照片区域进行划分，进行区域深度特征提取；生成全局特征向量；最后通过全局特征向量对分类网络进行训练，通过训练好的分类网络完成眼底照片分类检测。本发明专利技术方法有效的减少了网络的参数个数，缓解了模型的过拟合问题；获得平移和形变的鲁棒性。经过分区和合并得到区域和全局的特征，有利于发掘更多特征信息。用全局池化层代替全连接层来融合学到的深度特征有效避免了网络的冗余，具有较好的预测性能。测性能。测性能。

【技术实现步骤摘要】
一种基于图像识别的眼底照片自动检测方法及系统


[0001]本专利技术属于图像识别
，更具体地讲，涉及一种基于图像识别的眼底照片自动检测方法及系统。

技术介绍

[0002]青光眼是一组以视乳头萎缩及凹陷、视野缺损及视力下降为共同特征的疾病，病理性眼压增高、视神经供血不足是其发病的原发危险因素，视神经对压力损害的耐受性也与青光眼的发生和发展有关。临床上根据病因、房角、眼压描记等情况将青光眼分为原发性、继发性和先天性三大类。青光眼是导致人类失明的三大致盲眼病之一，总人群发病率为1％，45岁以后为2％。
[0003]青光眼尤其开角型青光眼发病隐匿，晚期对于其功能损害严重且不可逆，因此门诊的大规模筛查对于青光眼的早期诊治尤为重要。
[0004]近年来计算机辅助诊断技术快速发展，基于计算机视觉的相关技术已经在内脏疾病、呼吸系统疾病的影像诊断中得到了大规模应用。基于深度学习的青光眼自动检测方法正是基于大规模检测的需求，通过深度学习技术来辅助医生对病变指标的判别，智能分析患者的疾病信息，从而实现青光眼的大规模自动筛查。

技术实现思路

[0005]针对现有技术中存在的不足，本专利技术提供一种基于图像识别的眼底照片自动检测方法及系统。
[0006]现阶段眼底疾病检测大多为人工检测，为提高检测的准确性和时效性、减少人力消耗，本专利技术提供一种基于图像识别的眼底照片自动检测方法，包括以下步骤：
[0007]步骤(1)眼底照片获取及预处理；
[0008]步骤(2)眼底照片区域划分；
[0009]通过眼底照片分区模块将每张眼底照片分割成m个相同大小的区域，生成m张眼底照片不同区域的子图像。
[0010]步骤(3)区域深度特征提取；
[0011]步骤(4)生成全局特征向量；
[0012]步骤(5)眼底照片分类检测；
[0013]通过全局特征向量对分类网络进行训练，通过训练好的分类网络完成眼底照片分类检测。
[0014]所述的步骤(1)眼底照片获取及预处理，具体操作如下：
[0015]首先从开源眼底照片数据库中获取带有标签的眼底照片，将图像分为训练集和测试集两部分。通过数据预处理模块将训练集图像经过旋转、平移、水平翻转操作进行数据增强。然后通过图像全局亮度归一化、等比例缩放、Hough变化、裁剪处理后得到标准的眼底照片图像。
[0016]所述的步骤(3)区域深度特征提取，具体操作如下：
[0017]通过深度特征提取模块进行区域深度特征提取：将m张眼底子图像向量分别输入到m个区域深度特征提取网络中，网络含有5层卷积层，3层池化层，2次局部响应归一化处理。依次经过两次卷积、局部响应归一化、池化的操作，然后再经过三层卷积层和一层池化层生成眼底照片不同区域的区域深度特征向量。
[0018]所述的步骤(4)生成全局特征向量，具体操作如下：
[0019]将m个区域深度特征向量输入特征向量生成模块的长短期记忆神经网络，学习相邻区域之间的相关性和依赖性，经过l层的长短期记忆神经网络输出眼底图像全局特征向量。
[0020]所述的步骤(5)眼底照片分类检测，具体操作如下：
[0021]将训练集眼底照片全局特征向量经过分类检测模块的分类网络进行学习，其中含有三个全局平均池化层，最后一层采用softmax损失函数作为网络目标函数来指导学习过程，进行各个类别的分类预测，激活函数采用ReLU激活函数。通过训练集数据训练好模型参数后，使用测试集数据重复步骤(1)
‑
(5)来计算训练好的模型的输出结果误差。
[0022]一种基于图像识别的眼底照片自动检测系统，包括数据预处理模块、眼底照片分区模块、深度特征提取模块、特征向量生成模块和分类检测模块。
[0023]所述的数据预处理模块用于将图像经过旋转、平移、水平翻转操作进行数据增强；然后通过图像全局亮度归一化、等比例缩放、Hough变化、裁剪处理后得到标准的眼底照片图像。
[0024]所述的眼底照片分区模块用于将每张眼底照片分割成m个相同大小的区域，生成m张眼底照片不同区域的子图像。
[0025]所述的深度特征提取模块通过区域深度特征提取网络进行深度特征提取，区域深度特征提取网络含有5层卷积层，3层池化层，2次局部响应归一化处理。输入图像依次经过两次卷积、局部响应归一化、池化的操作，然后再经过三层卷积层和一层池化层生成眼底照片不同区域的区域深度特征向量。
[0026]所述的特征向量生成模块采用将长短期记忆神经网络，通过将区域深度特征向量输入长短期记忆神经网络，学习相邻区域之间的相关性和依赖性，经过l层的长短期记忆神经网络输出眼底图像全局特征向量。
[0027]所述的分类检测模块采用分类网络，含有三个全局平均池化层，最后一层采用softmax损失函数作为网络目标函数；将眼底照片全局特征向量经过分类网络进行学习，进行各个类别的分类预测，激活函数采用ReLU激活函数。
[0028]本专利技术有益效果如下：
[0029]有效的减少了网络的参数个数，缓解了模型的过拟合问题；获得平移和形变的鲁棒性。经过分区和合并得到区域和全局的特征，有利于发掘更多特征信息。用全局池化层代替全连接层来融合学到的深度特征有效避免了网络的冗余，具有较好的预测性能。
附图说明
[0030]图1是本专利技术实施例流程图；
[0031]图2是本专利技术实施例网络示意图。
具体实施方式
[0032]以下结合附图对本专利技术的实施例进行详细说明：
[0033]如图1所示，一种基于图像识别的眼底照片自动检测方法，具体步骤如下：
[0034]Step 1：获取数据。
[0035]在网上开源的数据集(Drishti
‑
GS、DRIONS
‑
DB)中获取不同标签类型的包含正常人和眼底疾病患者的眼底照片。标签分为两类，一类是未病变的眼底图像，另一类是眼底疾病患者的眼底照片。把数据集分为训练集和测试集两个部分，训练集用于模型训练，测试集用于检测模型效果。将训练集图像旋转一定角度θ(0
°
<θ<360
°
)、平移、水平翻转，对数据进行增量处理扩充训练集，减少角度问题带来的实验误差。训练集和测试集中均包含正常和病变两种标签类型图像。
[0036]Step 2：对图像进行包括全局亮度归一化、Hough变换、等比例缩放、裁剪的预处理操作。其中图像全局亮度归一化将像素点的每个颜色通道缩放为零均值和单位方差，去除亮度强弱对结果造成的影响，通过Hough变换检测眼底图像的眼球轮廓，确定眼球轮廓外接矩阵的大小对数据集中的所有图像进行等比例缩放，将眼底图像裁剪至相同大小。
[0037]Step 3：对眼底照片进行区域分割，将图像分为大小相等的m个区域，生成m张不同区域的子图像。
[0038]Step 4：将上一步中生成的区域子图像分别输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的眼底照片自动检测方法，其特征在于，步骤如下：步骤(1)眼底照片获取及预处理；步骤(2)眼底照片区域划分；通过眼底照片分区模块将每张眼底照片分割成m个相同大小的区域，生成m张眼底照片不同区域的子图像；步骤(3)区域深度特征提取；步骤(4)生成全局特征向量；步骤(5)眼底照片分类检测；通过全局特征向量对分类网络进行训练，通过训练好的分类网络完成眼底照片分类检测。2.根据权利要求1所述的一种基于图像识别的眼底照片自动检测方法，其特征在于，步骤(1)具体操作如下：首先从开源眼底照片数据库中获取带有标签的眼底照片，将图像分为训练集和测试集两部分；通过数据预处理模块将训练集图像经过旋转、平移、水平翻转操作进行数据增强；然后通过图像全局亮度归一化、等比例缩放、Hough变化、裁剪处理后得到标准的眼底照片图像。3.根据权利要求2所述的一种基于图像识别的眼底照片自动检测方法，其特征在于，步骤(3)具体操作如下：通过深度特征提取模块进行区域深度特征提取：将m张眼底子图像向量分别输入到m个区域深度特征提取网络中，网络含有5层卷积层，3层池化层，2次局部响应归一化处理；依次经过两次卷积、局部响应归一化、池化的操作，然后再经过三层卷积层和一层池化层生成眼底照片不同区域的区域深度特征向量。4.根据权利要求3所述的一种基于图像识别的眼底照片自动检测方法，其特征在于，步骤(4)具体操作如下：将m个区域深度特征向量输入特征向量生成模块的长短期记忆神经网络，学习相邻区域之间的相关性和依赖性，经过l层的长短期记忆神经网络输出眼底图像全局特征向量。5.根据权利要求4所述的一种基于图像识别的眼底照片自动检测方法，其特征在于，步骤...

【专利技术属性】
技术研发人员：颜成钢，高宇涵，张二四，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：