一种基于改进神经网络的眼底OCT图像识别方法技术

本发明专利技术公开了一种基于改进神经网络的眼底OCT图像识别方法，包括图像预处理、对预处理后的眼底OCT图像进行边缘检测、去噪和提取CDR参数。图像预处理阶段包括对OCT图像进行直方图均匀化，解决其灰度不均匀的问题，用数学形态学闭操作去除图像中视盘周围血管与神经干扰同时增强图像对比度。视杯视盘分割阶段包括在视杯视盘分割中使用自适应阈值分割视盘区域和视杯区域，对视盘视杯进行边界追踪，拟合离散点之后得到完整的视盘视杯轮廓。最后的CDR参数提取阶段是通过统计特征区域内像素个数获取CDR参数，实现快速获取CDR参数。实现快速获取CDR参数。实现快速获取CDR参数。

A fundus OCT image recognition method based on Improved Neural Network

【技术实现步骤摘要】
一种基于改进神经网络的眼底OCT图像识别方法


[0001]本专利技术涉及眼科图像检测领域，具体涉及一种基于改进神经网络的眼底OCT图像识别方法。

技术介绍

[0002]机器学习技术在医学领域得到了广泛的应用，尤其以深度学习为代表的机器学习技术在医疗影像领域被广泛关注。在眼底图像检测和眼部疾病鉴别诊断方面，深度学习技术已经被用于青光眼、糖尿病视网膜病变这样的单一病种的检测，并取得了良好效果。
[0003]眼部图片所能提示的疾病种类多、数量大，且病变的表现形式非常不同，有大面积的眼底出血，也有非常微小的出血、渗出。眼底图像可以提示的疾病包括视网膜病变(包括糖尿病性视网膜病变等多种疾病)、动脉硬化/高血压眼底病变(包含动脉硬化、视盘水肿等病变)、青光眼、黄斑变性、玻璃体病变、视网膜血管病变、视神经疾病、屈光不正、病理性近视等多种眼部及非眼部疾病。
[0004]眼部OCT图像具有无创、高速、高分辨率、三维成像等优点，在诊断多种眼部疾病中得到广泛的应用。现有技术可以利用神经网络对OCT图像进行分类得到关于某种疾病的识别结果，这种方案具有一定的准确性，但这种识别结果临床应用价值较小，实用性较差。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于改进神经网络的眼底OCT图像识别方法。
[0006]本专利技术的目的是通过以下技术方案来实现的：
[0007]一种基于改进神经网络的眼底OCT图像识别方法，其特征在于：包括以下步骤：
[0008]S1：对眼底OCT图像进行预处理：包括对眼底OCT图像进行直方图均衡化和将直方图均衡化后的眼底OCT图像进行视盘视杯的分割；
[0009]直方图均衡化的公式如下：
[0010][0011]式中：变量r表示为图像中的像素灰度级，当r＝0时，表示为黑，当r＝1时，表示为白，n
k
是灰度为r
k
的像素个数，对于输入眼底OCT图像的某个灰度值r，可以通过变换T得到均衡化后的图像对应位置的灰度值s，n为图像中的像素总数，k为灰度级数。
[0012]S2：对预处理后的眼底OCT图像进行边缘检测：
[0013]S21：预处理后的眼底OCT图像通过与高斯函数做卷积，消除部分噪声：
[0014][0015]Q(x,y)＝f(x,y)*p(x,y)
[0016]式中，P(x，y)表示的是高斯函数，f(x，y)表示的是原图像，Q(x，y)表示的是去噪之
后的图像；
[0017]S22：追踪边界，采用一阶偏导数的有限差分计算亮度梯度的幅值和方向，设定一阶差分模板：
[0018][0019][0020][0021]式中，P1和P2分别为x和y的卷积模板，和分别是在x，y方向上的偏导数；
[0022]S23：对梯度的幅值进行非极大值抑制，去除周围的非极大值，保留局部梯度最大的点；
[0023]S24：通过设置阈值范围保证了确定的边缘位置的精度；
[0024]S3：通过神经网络对经过步骤S2处理后的眼底OCT图像进一步去噪，无监督地学习眼底OCT图像域到眼底OCT图像域之间的映射,再通过生成器从眼底OCT图像生成高质量眼底OCT图像，实现眼底OCT图像去噪；
[0025]S4：对眼底OCT图像进行CDR参数的提取。
[0026]进一步的，所述步骤S1还包括对眼底OCT图像进行视盘视杯分割的方法，具体步骤如下：使用形态学操作擦除血管，填补两个区域之间的裂缝，连通相邻区域，消除狭窄细长的裂缝和小结构的孔洞，填补轮廓间隙，闭运算过程包括腐蚀和膨胀两部分，其公式如下:
[0027][0028]式中，膨胀和腐蚀的运算表达式分别表达为:
[0029][0030]和(fΘb)(x,y)＝min{f(x+s,y+t)|(s,t)∈B}；
[0031]式中，输入的原始灰度图像的图像函数为f(x,y)，其结构元素的图像函数为B(s,t)。
[0032]进一步的，所述步骤S1还包括眼底OCT图像进行自适应阈值分割方法，具体步骤如下：
[0033]S11：明确视盘的范围，检测经过预处理之后的眼底OCT图像中视盘处灰度梯度变化最大的灰度值，将其设定为全局阈值的初选估计值N1，此时N1值的取点处在视盘的边缘范围上；
[0034]S12：使用全局阈值分割图像，在图像上产生两组像素:M1和M2，在未分割出视杯区域时，式中M1由所有灰度值小于全局阈值的像素组成，在眼底图像上显示为视盘区域，M2由所有灰度值大于等于全局阈值的像素组成，在眼底图像上显示为眼底区域；
[0035]S13：检测计算N1区域内灰度梯度变化最大的灰度值，将其设定为全局阈值的再选估计值N2，此时N2值的取点处在视杯的边缘范围上，再次使用全局阈值分割图像，产生像素组；M3和M4，已分割出视杯区域后，M3由所有灰度值小于全局阈值的像素组成，在眼底图像上显示为视盘区域，M4由所有灰度值大于等于全局阈值的像素组成，在眼底图像上显示为视杯区域；
[0036]S14：使边缘范围明确，设定阈值范围为ΔN，通过重复步骤S12和步骤S13直到判定N1和N2值在ΔN范围内。
[0037]进一步的，所述步骤S3还包括眼底OCT图像域到眼底OCT图像域之间的映射方法，具体步骤如下：
[0038]S31：保持图像的全局结构,定义全局结构损失L
global
，令三维SD
‑
OCT第k张B
‑
scan记为x
k
,x
k
‑1和x
k+1
分别表示为x
k
的上一帧和下一帧，设定邻域大小为4，在SD
‑
OCT图像成像过程中,相邻B
‑
scan结构相近，在合成EDI
‑
OCT图像相邻帧之间也应保持较小的结构差异，通过向GXY添加正则化项L
global
,限制相邻B
‑
scan，经G
XY
生成的图像的像素间差异,保持图像的全局结构；其公式为：
[0039][0040]式中，G
XY
(xk)表示x
k
经生成器G
XY
处理后得到的图像；
[0041]S32：对于B
‑
scan图像x中的像素i，MIND特征值F
i
是一个R
nl
长的向量,R
nl
表示像素i的非局部区域，对一个来自于i+α∈R
nl
的像素，每个元素Fi(α)被定义为：
[0042][0043]式中，Z是一个归一化常数,使F
i
最大分量为1，D
p
(x,i,i+α)表示以像素i和
[0044]像素i+α为中心的2个图像块P之间的L2距离,可以定义为：
[0045][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进神经网络的眼底OCT图像识别方法，其特征在于：包括以下步骤：S1：对眼底OCT图像进行预处理：包括对眼底OCT图像进行直方图均衡化和将直方图均衡化后的眼底OCT图像进行视盘视杯的分割；直方图均衡化的公式如下：式中：变量r表示为图像中的像素灰度级，当r＝0时，表示为黑，当r＝1时，表示为白，n
k
是灰度为r
k
的像素个数，对于输入眼底OCT图像的某个灰度值r，可以通过变换T得到均衡化后的图像对应位置的灰度值s，n为图像中的像素总数，k为灰度级数。S2：对预处理后的眼底OCT图像进行边缘检测：S21：预处理后的眼底OCT图像通过与高斯函数做卷积，消除部分噪声：Q(x,y)＝f(x,y)*p(x,y)式中，P(x，y)表示的是高斯函数，f(x，y)表示的是原图像，Q(x，y)表示的是去噪之后的图像；S22：追踪边界，采用一阶偏导数的有限差分计算亮度梯度的幅值和方向，设定一阶差分模板：分模板：分模板：式中，P1和P2分别为x和y的卷积模板，和分别是在x，y方向上的偏导数；S23：对梯度的幅值进行非极大值抑制，去除周围的非极大值，保留局部梯度最大的点；S24：通过设置阈值范围保证了确定的边缘位置的精度；S3：通过神经网络对经过步骤S2处理后的眼底OCT图像进一步去噪，无监督地学习眼底OCT图像域到眼底OCT图像域之间的映射,再通过生成器从眼底OCT图像生成高质量眼底OCT图像，实现眼底OCT图像去噪；S4：对眼底OCT图像进行CDR参数的提取。2.根据权利要求1所述的一种基于改进神经网络的眼底OCT图像识别方法，其特征在于：所述步骤S1还包括对眼底OCT图像进行视盘视杯分割的方法，具体步骤如下：使用形态学操作擦除血管，填补两个区域之间的裂缝，连通相邻区域，消除狭窄细长的裂缝和小结构的孔洞，填补轮廓间隙，闭运算过程包括腐蚀和膨胀两部分，其公式如下:A
·
B＝(A
⊕
B)ΘB；式中，膨胀和腐蚀的运算表达式分别表达为:(f
⊕
b)(x,y)＝max{f(x－s,y－t)|(s,t)∈B}和(fΘb)(x,y)＝min{f(x+s,y+t)|(s,t)∈B}；
式中，输入的原始灰度图像的图像函数为f(x,y)，其结构元素的图像函数为B(s,t)。3.根据权利要求1所述的一种基于改进神经网络的眼底OCT图像识别方法，其特征在于：所述步骤S1还包括眼底OCT图像进行自适应阈值分割方法，具体步骤如下：S11：明确视盘的范围，检测经过预处理之后的眼底OCT图像中视盘处灰度梯度变化最大的灰度值，将其设定为全局阈值的初选估计值N1，此时N1值的取点处在视盘的边缘范围上；S12：使用全局阈值分割图像，在图像上产生两组像素:M1和M2，在未分割出视杯区域时，式中M1由所有灰度值小于全局阈值的像素组成，在眼底图像上显示为视盘区域，M2由所有灰度值大于等于全局阈值的像素组成，在眼底图像上显示为眼底区域；S13：检测计算N1区域内灰度梯度变化最大的灰度值，将其设定为全局阈值的再选估计值N2，此时N2值的取点处在视杯的边缘范围上，再次使用全局阈值分割图像，产生像素组；M3和M4，已分割出视杯区域后，M3由所有灰度值小于全局阈值的像素组成，在眼底图像上显示为视盘区域，M4由所有灰度值大于等于全局阈值的像素组成，在眼底图像上显示为视杯区域；S14：使边缘范围明确，设定阈值范围为ΔN，通过重复步骤S12和步骤S13直到判定N1和N2值在ΔN范围内。4.根据权利要求1所述的一种基于改进神经网络的眼底OCT图像识别方法，其特征在于：所述步骤S3还包括眼底OCT图像域到眼底OCT图像域之间的映射方法，具体步骤如下：S31：保持图像的全局结构,定义全局结构损失L
global
...

【专利技术属性】
技术研发人员：邹倩颖，蒲鹏千，成润芝，石宇，杜颜灼，黄尧，李江，
申请(专利权)人：电子科技大学成都学院，
类型：发明
国别省市：