利用迁移学习的眼底图像质量评价装置及方法制造方法及图纸

本发明专利技术涉及眼底图像质量评价装置及方法，更具体地，涉及一种利用迁移学习的眼底图像质量评价装置及方法，其利用使用卷积神经网络(Convolution Neural Network，CNN)模型的迁移学习，对所获取的眼底图像进行数据预处理后，评价眼底图像的质量，从而丢弃低质量的图像，仅将高质量的图像应用于学习，其中，卷积神经网络是对一般图像进行学习的图像分类人工智能模型。智能模型。智能模型。

【技术实现步骤摘要】
利用迁移学习的眼底图像质量评价装置及方法


[0001]本专利技术涉及眼底图像质量评价装置及方法，更具体地，涉及一种利用迁移学习的眼底图像质量评价装置及方法，其利用使用卷积神经网络(Convolution Neural Network，CNN)模型的迁移学习，对所获取的眼底图像进行数据预处理后，评价眼底图像的质量，从而丢弃低质量的图像，仅将高质量的图像应用于学习，其中，卷积神经网络是对一般图像进行学习的图像分类人工智能模型。

技术介绍

[0002]糖尿病性视网膜病变(Diabetic Retinopathy，DR)作为视网膜的血管并发症，会对视网膜造成损害，由此，如果不立即进行治疗，则会导致严重视力丧失。
[0003]可以通过根据定期筛查糖尿病性视网膜病变的早期检测和适当治疗来将由糖尿病性视网膜病变引起的失明风险降低50％程度。
[0004]通常，为诊断眼科疾病，进行光学相干断层成像等来获取眼底图像。
[0005]眼底图像用于诊断和检查糖尿病性视网膜病变(Diabetic Retinopathy，DR)、青光眼(Glaucoma)、年龄相关性黄斑变性(Age-related maculas degeneration，AMD)等许多眼科疾病。因此，眼底图像的质量可能影响临床医生能够进行正确检查和诊断的能力。
[0006]手动检查是有限的，且进行手动检查需要更多的时间。许多研究人员研究和开发了一种眼底图像质量评价装置，该装置自动评价视网膜图像的质量，用于区分低质量的眼底图像，并将高质量的眼底图像用于眼部疾病的诊断。
[0007]眼底图像质量评价是在自动检查及眼病诊断之前，过滤低质量的视网膜图像的重要过程。
[0008]现有的眼底图像质量评价装置，基于检测普通的图像特征(颜色、焦点、对比度及照度)，在视网膜图像中，将具有暗、亮、模糊、边界线及低对比度的眼底图像评价为低质量的图像，并将具有聚焦图像及高对比度的眼底图像评价为高质量的图像。
[0009]并且，其他现有的眼底图像质量评价装置检测不均匀区域，并评价划分的噪声掩膜(noise mask)是否影响临床相关区域(黄斑周围)。
[0010]为了分析如上所述的眼底图像的特征，开发了眼底图像质量评价装置，其使用了利用人工智能的方法。这种人工智能方式的眼底图像质量评价装置的准确度，会根据所学习的数据集而不同。
[0011]上述人工智能方式，通常使用卷积神经网络(Convolution Neural Network，CNN)方式，该方式具有能够从许多图像提取一般特征的能力。
[0012]然而，为了学习对眼底图像的质量评价，需要经过利用5个以上的卷积(convolution)层和2个以上的全连接(Fully Connected，FC)层，对给出的复杂图像的特征进行提取的学习过程，因此具有在单个CPU环境中学习所需的时间可能会消耗数百小时～数千小时的问题。
[0013]并且，当直接使用眼底图像时，存在需要消耗大量时间来分析不必要的图像区域
的问题。
[0014]现有技术文献
[0015]专利文献
[0016]专利文献1：韩国公开专利第10-2020-0065923号(2020.06.09公开)

技术实现思路

[0017]专利技术所要解决的问题
[0018]因此，本专利技术的目的在于提供一种利用迁移学习的眼底图像质量评价装置及方法，其利用使用卷积神经网络模型的迁移学习，对所获取的眼底图像进行数据预处理后，评价眼底图像的质量，从而丢弃低质量的图像，仅将高质量的图像应用于学习，其中，卷积神经网络是对一般图像进行学习的图像分类人工智能模型。
[0019]用于解决问题的方案
[0020]用于达成上述目的的，根据本专利技术的利用迁移学习的眼底图像质量评价装置包括：眼底图像获取部，其获取学习数据集并输出，其中，上述学习数据集为低质量的多个眼底图像及高质量的多个眼底图像；迁移学习部，将平均池化2D层、扁平(Flatten)层及全连接层设于从图像提取特征的卷积神经网络(CNN)人工智能模型上，并接收上述学习数据集来执行迁移学习，从而生成用于评价上述眼底图像的质量的眼底图像质量评价模型；评价图像获取部，其获取待评价的评价对象眼底图像并输出；及图像质量评价部，其接收上述眼底图像质量评价模型并驱动，且将上述评价对象眼底图像适用于上述眼底图像质量评价模型来评价上述评价对象眼底图像的质量，并输出评价结果。
[0021]上述装置还包括：图像预处理部，其执行对上述学习数据集的眼底图像及上述评价对象眼底图像的尺寸及数量进行调节的数据预处理并输出。
[0022]上述图像预处理部包括：感兴趣区域获取部，其对上述学习数据集的眼底图像及上述评价对象眼底图像的尺寸进行调节，并提取感兴趣区域；及图像增量部，其增加上述学习数据集的眼底图像及上述评价对象眼底图像的图像数量。
[0023]上述感兴趣区域获取部包括：背景画面去除部，其去除上述眼底图像的背景画面；掩膜部，其掩膜上述眼底图像的视神经盘部分并获取；及图像改善部，其降低上述掩膜的强度梯度特性且增加对比度并输出。
[0024]上述图像获取部获取数据集，其中，上述数据集包括125个高质量的眼底图像、69个低质量的眼底图像及未使用的22个外层眼底图像。
[0025]用于达成上述目的的，根据本专利技术的利用迁移学习的眼底图像质量评价方法包括：眼底图像获取步骤，眼底图像获取部获取学习数据集并输出，其中，上述学习数据集为低质量的多个眼底图像及高质量的多个眼底图像；迁移学习步骤，迁移学习部将平均池化2D层、扁平(Flatten)层及全连接层设于从图像提取特征的卷积神经网络(CNN)人工智能模型上，并接收上述学习数据集来执行迁移学习，从而生成用于评价上述眼底图像的质量的眼底图像质量评价模型；评价图像获取步骤，评价图像获取部从光学相干断层视频摄像机获取待评价的评价对象眼底图像并输出；及图像质量评价步骤，图像质量评价部接收上述眼底图像质量评价模型并驱动，且将上述评价对象眼底图像适用于上述眼底图像质量评价模型来评价上述评价对象眼底图像的质量，并输出评价结果。
[0026]上述方法还包括：图像预处理步骤，图像预处理部执行对从上述眼底图像获取部输出的上述学习数据集的眼底图像及从评价图像获取部输出的上述评价对象眼底图像的尺寸及数量进行调节的数据预处理并输出。
[0027]上述图像预处理步骤包括：感兴趣区域获取步骤，调节上述学习数据集的眼底图像及上述评价对象眼底图像的尺寸，并提取感兴趣区域；及图像增量步骤，增加上述学习数据集的眼底图像及上述评价对象眼底图像的图像数量。
[0028]上述感兴趣区域获取步骤包括：背景画面去除步骤，去除上述眼底图像的背景画面；掩膜步骤，掩膜上述眼底图像的视神经盘部分并获取；及图像改善步骤，降低上述掩膜的强度梯度特性且增加对比度并输出。
[0029]专利技术效果
[0030]由于本专利技术利用迁移学习，因此只本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种利用迁移学习的眼底图像质量评价装置，其特征在于，包括：眼底图像获取部，其获取学习数据集并输出，其中，所述学习数据集为低质量的多个眼底图像及高质量的多个眼底图像；迁移学习部，将平均池化2D层、扁平层及全连接层设于从图像提取特征的卷积神经网络人工智能模型上，并接收所述学习数据集来执行迁移学习，从而生成用于评价所述眼底图像的质量的眼底图像质量评价模型；评价图像获取部，其获取待评价的评价对象眼底图像并输出；及图像质量评价部，其接收所述眼底图像质量评价模型并驱动，且将所述评价对象眼底图像适用于所述眼底图像质量评价模型来评价所述评价对象眼底图像的质量，并输出评价结果。2.根据权利要求1所述的利用迁移学习的眼底图像质量评价装置，其特征在于，还包括：图像预处理部，其执行对所述学习数据集的眼底图像及所述评价对象眼底图像的尺寸及数量进行调节的数据预处理并输出。3.根据权利要求2所述的利用迁移学习的眼底图像质量评价装置，其特征在于，所述图像预处理部包括：感兴趣区域获取部，其对所述学习数据集的眼底图像及所述评价对象眼底图像的尺寸进行调节，并提取感兴趣区域；及图像增量部，其增加所述学习数据集的眼底图像及所述评价对象眼底图像的图像数量。4.根据权利要求3所述的利用迁移学习的眼底图像质量评价装置，其特征在于，所述感兴趣区域获取部包括：背景画面去除部，其去除所述眼底图像的背景画面；掩膜部，其掩膜所述眼底图像的视神经盘部分并获取；及图像改善部，其降低所述掩膜的强度梯度特性且增加对比度并输出。5.根据权利要求1所述的利用迁移学习的眼底图像质量评价装置，其特征在于，所述图像获取部获取数据集，其中，所述数据集包括125个高质量的眼底图像、69个低质量的眼底图像及未使用的22...

【专利技术属性】
技术研发人员：南润荣，
申请(专利权)人：顺天乡大学校产学协力团，
类型：发明
国别省市：