一种视网膜图像分类方法及装置制造方法及图纸

本发明专利技术公开了一种视网膜图像分类方法及装置，所述方法包括：先根据视网膜图像得到视网膜灰度图；再将所述视网膜灰度图输入至血管分割模型中，以使所述血管分割模型从所述视网膜灰度图中提取中间层特征图，并将所述中间层特征图进行池化操作后得到血管特征向量；最后将所述血管特征向量输入到逻辑回归分类器模型中，输出得到所述视网膜图像的分类结果。采用本发明专利技术实施例能避免无关生物特征的影响，提高了视网膜图像的分类准确度和精度。高了视网膜图像的分类准确度和精度。高了视网膜图像的分类准确度和精度。

【技术实现步骤摘要】
一种视网膜图像分类方法及装置


[0001]本专利技术图像处理
，尤其涉及一种视网膜图像分类方法及装置。

技术介绍

[0002]在利用视网膜图像进行分类预测的研究中，例如利用视网膜图像对心血管手术指标的风险分类和心脏病严重性分类预测等，由于视网膜图像中有效的特征区域仅为血管，而其他视网膜图像中血管以外如视盘、色素、微动脉瘤等无效生物标记无疑加大模型的学习难度，因此通过单个模型对视网膜图像进行分类后所得到的分类结果的精度和准确度都不高。

技术实现思路

[0003]本专利技术实施例提供一种视网膜图像分类方法及装置，避免了无关生物特征的影响，提高了视网膜图像的分类准确度和精度。
[0004]本申请实施例的第一方面提供了一种视网膜图像分类方法，包括：
[0005]根据视网膜图像得到视网膜灰度图；
[0006]将视网膜灰度图输入至血管分割模型中，以使血管分割模型从视网膜灰度图中提取中间层特征图，并将中间层特征图进行池化操作后得到血管特征向量；
[0007]将血管特征向量输入到逻辑回归分类器模型中，输出得到视网膜图像的分类结果。
[0008]在第一方面的一种可能的实现方式中，血管分割模型的训练方法，具体为：
[0009]从训练数据集中获取第一图片，将第一图片上的黑边进行掩膜处理以提取最大矩形的感兴趣区域后，进行灰度化处理得到第二图片；其中，训练数据集为视网膜图像的集合；
[0010]将第二图片的分辨率设置为预设分辨率后，进行数据增强处理得到第三图片；r/>[0011]将第三图片作为样本图片输入神经网络模型中进行训练，以得到血管分割模型。
[0012]在第一方面的一种可能的实现方式中，根据视网膜图像得到视网膜灰度图，具体为：
[0013]将视网膜图像进行灰度处理，得到第一灰度图；
[0014]将第一灰度图分割成多个子图像，并对多个子图像进行直方图均衡化处理后，进行拼接得到视网膜灰度图。
[0015]在第一方面的一种可能的实现方式中，还包括：
[0016]根据中间层特征图，得到血管灰度图；
[0017]根据逻辑回归分类器模型的特征系数得到类别激活映射图；
[0018]将类别激活映射图的尺寸设置为预设尺寸后得到第一热度图；
[0019]将血管灰度图作为掩膜叠加在所述第一热度图上，得到第二热度图。
[0020]在第一方面的一种可能的实现方式中，根据中间层特征图，得到血管灰度图，具体
为：
[0021]根据中间层特征图，得到第二灰度图；
[0022]将第二灰度图进行二值化处理，得到血管二值图；
[0023]根据血管二值图获取血管连通域的不合格像素点，将不合格像素点进行过滤后得到血管灰度图。
[0024]本申请实施例的第二方面提供了一种视网膜图像分类装置，包括：第一获取模块、第二获取模块和分类模块；
[0025]其中，第一获取模块用于根据视网膜图像得到视网膜灰度图；
[0026]第二获取模块用于将视网膜灰度图输入至血管分割模型中，以使血管分割模型从视网膜灰度图中提取中间层特征图，并将中间层特征图进行池化操作后得到血管特征向量；
[0027]分类模块用于将血管特征向量输入到逻辑回归分类器模型中，输出得到视网膜图像的分类结果。
[0028]在第二方面的一种可能的实现方式中，血管分割模型的训练方法，具体为：
[0029]从训练数据集中获取第一图片，将第一图片上的黑边进行掩膜处理以提取最大矩形的感兴趣区域后，进行灰度化处理得到第二图片；其中，训练数据集为视网膜图像的集合；
[0030]将第二图片的分辨率设置为预设分辨率后，进行数据增强处理得到第三图片；
[0031]将第三图片作为样本图片输入神经网络模型中进行训练，以得到血管分割模型。
[0032]在第二方面的一种可能的实现方式中，根据视网膜图像得到视网膜灰度图，具体为：
[0033]将视网膜图像进行灰度处理，得到第一灰度图；
[0034]将第一灰度图分割成多个子图像，并对多个子图像进行直方图均衡化处理后，进行拼接得到视网膜灰度图。
[0035]在第二方面的一种可能的实现方式中，还包括：热度生成模块；
[0036]热度生产模块用于根据中间层特征图，得到血管灰度图；根据逻辑回归分类器模型的特征系数得到类别激活映射图；将类别激活映射图的尺寸设置为预设尺寸后得到第一热度图；将血管灰度图作为掩膜叠加在所述第一热度图上，得到第二热度图。
[0037]在第二方面的一种可能的实现方式中，根据中间层特征图，得到血管灰度图，具体为：
[0038]根据中间层特征图，得到第二灰度图；
[0039]将第二灰度图进行二值化处理，得到血管二值图；
[0040]根据血管二值图获取血管连通域的不合格像素点，将不合格像素点进行过滤后得到血管灰度图。
[0041]相比于现有技术，本专利技术实施例提供的一种视网膜图像分类方法及装置，本专利技术实施例的分类方法，先根据视网膜图像得到视网膜灰度图；再将所述视网膜灰度图输入至血管分割模型中，以使所述血管分割模型从所述视网膜灰度图中提取中间层特征图，并将所述中间层特征图进行池化操作后得到血管特征向量；最后将所述血管特征向量输入到逻辑回归分类器模型中，输出得到所述视网膜图像的分类结果。上述方法通过两个模型的结
合使用来进行对视网膜图像的分类，具体为：在根据视网膜图像得到视网膜灰度图后、通过血管分割模型提取了视网膜灰度图中的血管特征向量，由于血管特征向量中仅包括血管特征、而不包括其他无关生物特征，于是将血管特征向量输入至逻辑回归分类器模型中，能够有效地使逻辑回归分类器模型只关注视网膜图像中的有效特征区域——血管特征，从而在分类过程中避免了无关生物特征的影响，提高了视网膜图像的分类准确度和精度。
[0042]其次，由于视网膜灰度图是通过直方图均衡化处理后生成的，能够增强血管的清晰度且能够减小不同图像之间的曝光度的差异性，有利于分割模型根据视网膜灰度图提取血管特征向量。
[0043]再者，血管分割模型不仅能够提取视网膜灰度图中的特征向量后进行视网膜图像的分类，还能用于在提取视网膜灰度图中的血管灰度图后，结合逻辑回归分类器模型的特征系数生成具有像素级别细粒度的热度图，极大提高算法的可解释性。其中，所述具有像素级别细粒度的热度图能够使医务人员直接得到视网膜图像中血管特征的重要性。医生通过观察血管分割模型生成的血管灰度图则能了解系统学习到的特征的好坏情况，极大地增强血管分割模型的可解释性。
[0044]最后，血管分割模型是使用公开的血管分割数据集进行训练后形成的，通过使用公开的血管分割数据集能够节约大量人工标注的人力成本。
附图说明
[0045]图1是本专利技术一实施例提供的一种视网膜图像分类方法的流程示意图；
[0046]图2是本专利技术一实施例提供的血管分割模型的训练方法的流程示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视网膜图像分类方法，其特征在于，包括：根据视网膜图像得到视网膜灰度图；将所述视网膜灰度图输入至血管分割模型中，以使所述血管分割模型从所述视网膜灰度图中提取中间层特征图，并将所述中间层特征图进行池化操作后得到血管特征向量；将所述血管特征向量输入到逻辑回归分类器模型中，输出得到所述视网膜图像的分类结果。2.根据权利要求1所述的一种视网膜图像分类方法，其特征在于，所述血管分割模型的训练方法，具体为：从训练数据集中获取第一图片，将所述第一图片上的黑边进行掩膜处理以提取最大矩形的感兴趣区域后，进行灰度化处理得到第二图片；其中，所述训练数据集为视网膜图像的集合；将所述第二图片的分辨率设置为预设分辨率后，进行数据增强处理得到第三图片；将所述第三图片作为样本图片输入神经网络模型中进行训练，以得到所述血管分割模型。3.根据权利要求2所述的一种视网膜图像分类方法，其特征在于，所述根据视网膜图像得到视网膜灰度图，具体为：将所述视网膜图像进行灰度处理，得到第一灰度图；将所述第一灰度图分割成多个子图像，并对多个所述子图像进行直方图均衡化处理后，进行拼接得到所述视网膜灰度图。4.根据权利要求1
‑
3中任意一项所述的一种视网膜图像分类方法，还包括：根据所述中间层特征图，得到血管灰度图；根据所述逻辑回归分类器模型的特征系数得到类别激活映射图；将所述类别激活映射图的尺寸设置为预设尺寸后得到第一热度图；将所述血管灰度图作为掩膜叠加在所述第一热度图上，得到第二热度图。5.根据权利要求4所述的一种视网膜图像分类方法，其特征在于，所述根据所述中间层特征图，得到血管灰度图，具体为：根据所述中间层特征图，得到第二灰度图；将所述第二灰度图进行二值化处理，得到血管二值图；根据所述血管二值图获取血管连通域的不合格像素点，将所述不合格像素点进行过滤后得到所述血管灰度图。6.一种视网膜图像分类装置，其特征在于，包括：第一获取模块、第二获取模块和分类模块...

【专利技术属性】
技术研发人员：杨小红，彭庆晟，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：