【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。