一种基于深度神经网络的病理性近视检测系统技术方案

本发明专利技术提出了一种基于深度神经网络的病理性近视检测系统，包括计算机存储器、计算机处理器，可执行程序，所述的可执行程序用于接收眼底图像，将其传入训练好的病理性近视检测网络模型，最终输出结果；所述的病理性近视检测网络模型包括病灶检测器、病变程度分类器和病理性近视判别器；所述病变程度分类器用于判断眼底图像的病变等级；若该图像病变等级为不正常，则将眼底图像送入病灶检测器；所述病灶检测器用于检测眼底图像中的病灶种类及位置；所述病理性近视判别器根据所述病变程度分类器与所述病灶检测器的输出结果判别该眼底图像是否患有病理性近视。该系统可以对眼底的整体病变程度进行预测、分类及定位，判断眼底是否患有病理性近视。否患有病理性近视。

【技术实现步骤摘要】
一种基于深度神经网络的病理性近视检测系统


[0001]本专利技术涉及眼科影像学的
，特别是一种基于深度神经网络的病理性近视检测系统。

技术介绍

[0002]病理性近视一般是指屈光度数大于
‑
6D和(或)眼轴大于26.5mm，并可伴有巩膜后葡萄肿等退行性病变的疾病。全世界约有3％的人口患有病理性近视，是世界三大致盲疾病之一，尤其多见于亚洲人，多发生于中青年人群。病理性近视一般有较为特征性的眼底病变表现，综合以往的研究将病理性近视性眼底病变分为5个等级：正常、豹纹状眼底、弥漫性脉络膜萎缩、斑片脉络膜萎缩、黄斑萎缩。病理性近视一般伴随着并发症的产生，其中对视力影响较大的有脉络膜新生血管(CNV)、漆裂纹(lacquer cracks)、Fuchs斑(Fuchs spot)。在临床诊断中，这些病灶的存在是判断患者病理性近视等级的重要因素。
[0003]现阶段，眼底相机成像是应用最为普遍的眼科临床检查手段，但医生面对眼底图像进行诊断时存在着重复性差、判断标准因人而异等不足。因此，有许多研究致力于使用深度学习等机器学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度神经网络的病理性近视检测系统，包括计算机存储器、可与计算机存储器通信的计算机处理器，以及存储在所述计算机存储器中并可在所述计算机处理器上执行的可执行程序，其特征在于：所述的可执行程序用于接收眼底图像，并将其传入训练好的病理性近视检测网络模型，最终输出结果；所述的病理性近视检测网络模型包括病灶检测器、病变程度分类器和病理性近视判别器；所述病变程度分类器用于判断眼底图像的病变等级；若该图像病变等级为不正常，则将眼底图像送入病灶检测器；所述病灶检测器用于检测眼底图像中的病灶种类及位置；所述病理性近视判别器根据所述病变程度分类器与所述病灶检测器的输出结果判别该眼底图像是否患有病理性近视。2.如权利要求1所述的一种基于深度神经网络的病理性近视检测系统，其特征在于：所述的病理性近视检测网络模型具体训练过程包括以下步骤：S1.收集眼底图像并进行标注作为训练用数据集，所述数据集包括眼底病变程度数据集、病灶检测数据集。S2.对数据集中的眼底图像进行预处理，使其符合网络输入要求；S3.对病理性近视检测网络模型进行训练，训练过程分为两阶段：第一阶段，使用眼底病变程度数据集训练病变程度分类器；第二阶段，使用病灶检测数据集对病灶检测器进行训练。3.如权利要求2所述的一种基于深度神经网络的病理性近视检测系统，其特征在于：第一阶段的具体步骤为：S31.病变程度分类器的网络参数均采用随机初始化；S32.初始学习率设置为0.001，采用余弦退火学习率衰减；S33.采用随机梯度下降算法，训练集中所有数据经过一次网络完成一个轮次，待网络收敛后固定该部分参数，训练完成。4.如权利要求2所述的一种基于深度神经网络的病理性近视检测系统，其特征在于：第二阶段的具体步骤为：S34.病灶检测器骨干网络的参数初始化自第一阶段训练完成的病变程度分类器网络，病灶检测器的其余部分网络参数均采用随机初始化；S35.待网络收敛后，即得到完整的病理性近视检测网络模型；S36.将收集到的眼底图像输入病理性近视检测网络模型，病理性近视检测网络模型将预测该眼底图像是否患有病理性近视，若患有病理性近视，病理性近视检测网络模型还将输出病灶位置及种类。5.如权利要求2所述...

【专利技术属性】
技术研发人员：韩伟，任培方，陈玮，朱苗苗，何沁，唐旭园，黄佳妮，王澍群，杨明，何笑英，余望舒，
申请(专利权)人：浙江大学，
类型：发明
国别省市：