基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统技术方案

本发明专利技术提供了一种基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统，包括：步骤1：收集带有是否含有视网膜动脉阻塞的标注分类以及去除黑色边缘的彩色眼底图像；步骤2：根据迁移学习建立深度学习模型，并根据已标注分类和去除黑色边缘的彩色眼底图像进行模型训练；步骤3：将待检测的眼底图像输入到训练后的深度学习模型中，得到含有视网膜动脉阻塞的概率，若含有视网膜动脉阻塞的概率大于等于预设值，则判定该眼底图像含有视网膜动脉阻塞，同时提供视网膜动脉阻塞的病变区域。本发明专利技术通过深度学习方法，从标注数据中训练模型，从而得到能检测眼底图像视网膜动脉阻塞的模型，减少了筛查视网膜动脉阻塞的工作量。了筛查视网膜动脉阻塞的工作量。了筛查视网膜动脉阻塞的工作量。

【技术实现步骤摘要】
基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统


[0001]本专利技术涉及视网膜动脉阻塞检测
，具体地，涉及一种基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统。

技术介绍

[0002]视网膜动脉的阻塞将引起视网膜的急性缺血，导致视力急剧下降甚至丧失，且预后差，对患者及其家庭带来沉重的负担。
[0003]因此，早期检测出视网膜动脉阻塞具有重要意义。
[0004]专利文献CN112587119A(申请号：CN202011456466.4)公开了一种基于深度学习的外周动脉疾病诊断方法，该方法针对传统方法基于ABI诊断外周动脉疾病的不足，利用扩散相关光谱技术获取外周动脉疾病患者和健康志愿者的组织血流变化数据，基于所提出的深度学习网络对组织血流数据进行训练，提取包含有外周动脉疾病信息的关键特征，训练得到用于诊断外周动脉疾病的深度学习网络模型，并将测试集数据输入到外周动脉疾病诊断模型中进行诊断，实现对外周动脉疾病的诊断。然而该专利的实施对象与本专利技术不同，且使用的样本数量较多，存在样本负担。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习的眼底图像视网膜动脉阻塞检测方法和系统。
[0006]根据本专利技术提供的基于深度学习的眼底图像视网膜动脉阻塞检测方法，包括：
[0007]步骤1：收集带有是否含有视网膜动脉阻塞的标注分类以及去除黑色边缘的彩色眼底图像；
[0008]步骤2：根据迁移学习建立深度学习模型，并根据已标注分类和去除黑色边缘的彩色眼底图像进行模型训练；
[0009]步骤3：将待检测的眼底图像输入到训练后的深度学习模型中，得到含有视网膜动脉阻塞的概率，若含有视网膜动脉阻塞的概率大于等于预设值，则判定该眼底图像含有视网膜动脉阻塞，同时提供视网膜动脉阻塞的病变区域。
[0010]优选的，在已标注分类和去除黑色边缘的彩色眼底图像中进行采样，并对采样的彩色眼底图像进行数据增强；
[0011]对不含有视网膜动脉阻塞的图像进行过采样，对含有视网膜动脉阻塞的图像进行欠采样，使得每轮训练数据中的不含有视网膜动脉阻塞的图像和含有视网膜动脉阻塞的图像的数量比例为2：1；
[0012]对输入的眼底图像进行数据增强操作，依次为上下随机翻转、左右随机翻转、随机平移、随机旋转、随机亮度变换、随机饱和度变换、随机对比度变换、增加随机高斯噪音，统一调整图像的分辨率为448
×
448，并对图像的像素取值归一化。
[0013]优选的，所述步骤2包括：
[0014]在建立深度学习模型时，使用EfficientNet模型作为骨干模块，在EfficientNet骨干模块后依次连接全局平均池化层、全连接层和SoftMax层；
[0015]其中，全局平均池化层的输出通道数量为1028，全连接层的输出通道数目为2；全连接层的第0个输出通道经SoftMax层输出不含有视网膜动脉阻塞的概率，全连接层的第1个输出通道经SoftMax层输出含有视网膜动脉阻塞的概率；
[0016]通过迁移学习策略，根据ImageNet数据库的预训练权值参数，赋值EfficientNet模型的初始化权重参数。
[0017]优选的，使用Adam优化器和交叉熵损失函数进行深度学习模型训练，初始学习率设置为0.0005，在训练过程中逐渐减小学习率。
[0018]优选的，所述步骤3包括：
[0019]步骤3.1：计算原始热力图，计算公式为：
[0020][0021]其中，F是全局池化层的输出，共1028个通道；F
k
(x,y)是第k个通道、像素位置为(x,y)的全局池化层的输出的取值；全连接层的权重为w，w维度为1028
×
2，是权重w[k][1]的取值；
[0022]对每个通道k，首先计算然后对1028个通道求和，得到原始热力图MAP上像素点(x,y)的取值，同理计算原始热力图上每个像素点的取值；
[0023]步骤3.2：通过双列线性插值法使得原始热力图的分辨率与输入的待检测的眼底图像的分辨率保持一致；
[0024]将原始热力图的灰度值映射成JET模式的伪彩色，最后叠加到待检测的眼底图像上，在叠加后的图像中，得到红色高亮区域，为视网膜动脉阻塞的病变区域。
[0025]根据本专利技术提供的基于深度学习的眼底图像视网膜动脉阻塞检测系统，包括：
[0026]模块M1：收集带有是否含有视网膜动脉阻塞的标注分类以及去除黑色边缘的彩色眼底图像；
[0027]模块M2：根据迁移学习建立深度学习模型，并根据已标注分类和去除黑色边缘的彩色眼底图像进行模型训练；
[0028]模块M3：将待检测的眼底图像输入到训练后的深度学习模型中，得到含有视网膜动脉阻塞的概率，若含有视网膜动脉阻塞的概率大于等于预设值，则判定该眼底图像含有视网膜动脉阻塞，同时提供视网膜动脉阻塞的病变区域。
[0029]优选的，在已标注分类和去除黑色边缘的彩色眼底图像中进行采样，并对采样的彩色眼底图像进行数据增强；
[0030]对不含有视网膜动脉阻塞的图像进行过采样，对含有视网膜动脉阻塞的图像进行欠采样，使得每轮训练数据中的不含有视网膜动脉阻塞的图像和含有视网膜动脉阻塞的图像的数量比例为2：1；
[0031]对输入的眼底图像进行数据增强操作，依次为上下随机翻转、左右随机翻转、随机平移、随机旋转、随机亮度变换、随机饱和度变换、随机对比度变换、增加随机高斯噪音，统一调整图像的分辨率为448
×
448，并对图像的像素取值归一化。
[0032]优选的，所述模块M2包括：
[0033]在建立深度学习模型时，使用EfficientNet模型作为骨干模块，在EfficientNet骨干模块后依次连接全局平均池化层、全连接层和SoftMax层；
[0034]其中，全局平均池化层的输出通道数量为1028，全连接层的输出通道数目为2；全连接层的第0个输出通道经SoftMax层输出不含有视网膜动脉阻塞的概率，全连接层的第1个输出通道经SoftMax层输出含有视网膜动脉阻塞的概率；
[0035]通过迁移学习策略，根据ImageNet数据库的预训练权值参数，赋值EfficientNet模型的初始化权重参数。
[0036]优选的，使用Adam优化器和交叉熵损失函数进行深度学习模型训练，初始学习率设置为0.0005，在训练过程中逐渐减小学习率。
[0037]优选的，所述模块M3包括：
[0038]模块M3.1：计算原始热力图，计算公式为：
[0039][0040]其中，F是全局池化层的输出，共1028个通道；F
k
(x,y)是第k个通道、像素位置为(x,y)的全局池化层的输出的取值；全连接层的权重为w，w维度为1028
×
2，是权重w[k][1]的取值；
[0041]对每个通道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的眼底图像视网膜动脉阻塞检测方法，其特征在于，包括：步骤1：收集带有是否含有视网膜动脉阻塞的标注分类以及去除黑色边缘的彩色眼底图像；步骤2：根据迁移学习建立深度学习模型，并根据已标注分类和去除黑色边缘的彩色眼底图像进行模型训练；步骤3：将待检测的眼底图像输入到训练后的深度学习模型中，得到含有视网膜动脉阻塞的概率，若含有视网膜动脉阻塞的概率大于等于预设值，则判定该眼底图像含有视网膜动脉阻塞，同时提供视网膜动脉阻塞的病变区域。2.根据权利要求1所述的基于深度学习的眼底图像视网膜动脉阻塞检测方法，其特征在于，在已标注分类和去除黑色边缘的彩色眼底图像中进行采样，并对采样的彩色眼底图像进行数据增强；对不含有视网膜动脉阻塞的图像进行过采样，对含有视网膜动脉阻塞的图像进行欠采样，使得每轮训练数据中的不含有视网膜动脉阻塞的图像和含有视网膜动脉阻塞的图像的数量比例为2：1；对输入的眼底图像进行数据增强操作，依次为上下随机翻转、左右随机翻转、随机平移、随机旋转、随机亮度变换、随机饱和度变换、随机对比度变换、增加随机高斯噪音，统一调整图像的分辨率为448
×
448，并对图像的像素取值归一化。3.根据权利要求1所述的基于深度学习的眼底图像视网膜动脉阻塞检测方法，其特征在于，所述步骤2包括：在建立深度学习模型时，使用EfficientNet模型作为骨干模块，在EfficientNet骨干模块后依次连接全局平均池化层、全连接层和SoftMax层；其中，全局平均池化层的输出通道数量为1028，全连接层的输出通道数目为2；全连接层的第0个输出通道经SoftMax层输出不含有视网膜动脉阻塞的概率，全连接层的第1个输出通道经SoftMax层输出含有视网膜动脉阻塞的概率；通过迁移学习策略，根据ImageNet数据库的预训练权值参数，赋值EfficientNet模型的初始化权重参数。4.根据权利要求1所述的基于深度学习的眼底图像视网膜动脉阻塞检测方法，其特征在于，使用Adam优化器和交叉熵损失函数进行深度学习模型训练，初始学习率设置为0.0005，在训练过程中逐渐减小学习率。5.根据权利要求1所述的基于深度学习的眼底图像视网膜动脉阻塞检测方法，其特征在于，所述步骤3包括：步骤3.1：计算原始热力图，计算公式为：其中，F是全局池化层的输出，共1028个通道；F
k
(x,y)是第k个通道、像素位置为(x,y)的全局池化层的输出的取值；全连接层的权重为w，w维度为1028
×
2，是权重w[k][1]的取值；对每个通道k，首先计算然后对1028个通道求和，得到原始热力图MAP上
像素点(x,y)的取值，同理计算原始热力图上每个像素点的取值；步骤3.2：通过双列线性插值法使得原始热力图的分辨率与输入的待检测的眼底图像的分辨率保持一致；将原始热力图的灰度值映射成JET模式的伪彩色，最后叠加到待检测的眼底图像上，在叠加后的图像中，得到红色高亮区域，为视网膜动脉阻塞的病变区域。6.一种基于深度...

【专利技术属性】
技术研发人员：陈勇维，冯奕乐，蒋昌龙，王子龙，张政，丁晓伟，
申请(专利权)人：苏州体素信息科技有限公司，
类型：发明
国别省市：