眼底视网膜病变检测算法制造技术

本发明专利技术属于眼底视网膜领域，提供了一种眼底视网膜病变检测算法，上述眼底视网膜病变检测算法，通过分析合格照片上的病变信息，以获得合格照片的标准数据，然后使用标准数据训练目标检测模型，以提取有效特征，进而获得第二训练结果，并将第二训练结果保存在参数文件中，检测时，质量评价模型将待检测照片对比参数文件中的参数，以快速判断待检测照片是否合格，实现快速智能化检测眼底视网膜照片是否合格

【技术实现步骤摘要】
眼底视网膜病变检测算法


[0001]本专利技术涉及眼底视网膜
，特别涉及一种眼底视网膜病变检测算法
。

技术介绍

[0002]眼底视网膜是全身唯一能够非侵入性观察支持其功能的血管
、
神经纤维层和视神经等组织，视网膜血管病变是糖尿病
、
高血压或中风相关的系统性血管损伤的特征性标志
。
通过分析眼底视网膜，能够发现一些眼部特异性疾病和危及生命的全身性疾病，如老年性黄斑变性
、
青光眼
(
致盲的主要原因
)
等眼部疾病及糖尿病
、
高血压和多发性硬化等全身性疾病
。
[0003]现有的眼底视网膜的病变检测方式，一般通过人类视觉进行检测，并通过经验对检测结果做出判断，此种检测方式，容易出现诊断错误，且诊断速度慢，效率低
。

技术实现思路

[0004]本专利技术的目的是提供一种眼底视网膜病变检测算法，以解决现有的眼底视网膜病变检测算法速度慢
、
效率低的问题
。
[0005]本专利技术提供了一种眼底视网膜病变检测算法，所述算法包括：
[0006]采集大量真实的眼底视网膜照片，将所述眼底视网膜照片分类为合格照片与不合格照片两类，以获得训练数据；
[0007]将上述训练数据导入质量评价模型中训练，以获得第一训练结果，并将所述第一训练结果保存在参数文件中；
[0008]标注每张所述合格照片上的病变信息，以获得标准数据；
[0009]使用所述标准数据训练目标检测模型，以提取有效特征，进而获得第二训练结果，并将所述第二训练结果保存在所述参数文件中；
[0010]将所述质量评价模型和所述目标检测模型应用到实际的眼底视网膜病变检测任务中，进行智能检测
。
[0011]上述眼底视网膜病变检测算法，通过分析不合格照片上的病变信息，以获得不合格照片的标准数据，然后使用标准数据训练目标检测模型，以提取有效特征，进而获得第二训练结果，并将第二训练结果保存在参数文件中，检测时，质量评价模型将待检测照片对比参数文件中的参数，以快速判断待检测照片是否合格，实现快速智能化检测眼底视网膜照片是否合格
。
[0012]进一步地，所述将所述质量评价模型和所述目标检测模型应用到实际的眼底视网膜病变检测任务中，进行智能检测的步骤包括：
[0013]通过图像采集设备获取眼底视网膜图像；
[0014]对所述眼底视网膜图像进行质量检测；
[0015]对所述底视网膜图像进行增强预处理；
[0016]将增强预处理后的所述底视网膜图像输入已经训练好的所述质量评价模型和所
述目标检测模型中进行视网膜病变检测；
[0017]将找到的视网膜病变的类型和位置输出到专家模型中，所述专家模型根据视网膜病变的类型
、
数量和位置匹配专家疾病库中的疾病，输出疾病的类型和概率
。
[0018]进一步地，所述病变信息包括病变位置
、
病变范围和病变类型
。
[0019]进一步地，所述标注每张所述合格照片上的病变信息的步骤之后，所述方法还包括：
[0020]使用
mosaic
‑8方法对所述标注数据进行数据增强
。
[0021]进一步地，所述目标检测模型为
yolo
‑
nas。
[0022]进一步地，使用所述述标准数据训练目标检测模型的训练过程中，使用神经架构搜索方法寻找最优的网络结构，以提取更多的所述有效特征
。
[0023]进一步地，所述对所述眼底视网膜图像进行质量检测的步骤包括：
[0024]通过多特征融合的图像质量深度学习模型对图像进行质量评价，如果图像质量评价为不合格则进行重新采集
。
[0025]进一步地，所述对所述底视网膜图像进行增强预处理的步骤包括：
[0026]对所述底视网膜图像进行降噪
、
饱和度增强
、
对比度增强
。
[0027]进一步地，所述通过图像采集设备获取眼底视网膜图像的步骤包括：
[0028]将读取所述参数文件，解析多特征融合的图像质量深度学习模型，加载模型权重；
[0029]将所述眼底视网膜图像载入图像质量深度学习模型的模型网络层，经过卷积
、
池化
、
批归一化
、dropout
交替处理，输出卷积特征图，得到第一特征值数据；
[0030]通过激活函数将提取的所述第一特征值数据归一化到0～1之间；
[0031]通过输出层使用
sigmoid
函数预测图片的质量分类是合格照片还是不合格照片
。
[0032]进一步地，所述将增强预处理后的所述底视网膜图像输入已经训练好的所述质量评价模型和所述目标检测模型中进行视网膜病变检测的步骤包括：
[0033]读取所述参数文件，解析目标检测模型，加载模型权重；
[0034]将所述底视网膜图像所述底视网膜图像载入目标检测模型，经过卷积
、
池化
、
批归一化
、dropout
交替处理，输出卷积特征图，得到第二特征值数据；
[0035]通过激活函数将提取的第二特征值数据范围归一化到0～1之间；
[0036]通过预测层使用
anchor boxes
预测目标类别和坐标，对所述卷积特征图中每个单元格的预测边界框，每个边界框包含5个值：横坐标
x
，纵坐标
y
，宽
w
，宽
h
和置信度
confidence
，得到目标病变类别概率和目标框位置；
[0037]通过整合所述预测层的输出数据，得到多个所述目标框；
[0038]设置阈值过滤掉置信度得分较低的所述目标框，最后对保留的所述目标框进行极大抑制处理，去掉重复的所述目标框，选取目标类别出现概率最高的目标框，并输出其具体坐标
。
附图说明
[0039]图1为本专利技术第一实施例中的眼底视网膜病变检测算法的流程图；
[0040]图2为本专利技术第二实施例中的眼底视网膜病变检测算法的流程图；
[0041]图3为另一实施例中的眼底视网膜病变检测算法中的步骤
S05
的流程图
。
具体实施方式
[0042]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述
。
附图中给出了本专利技术的若干个实施例
。
但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施例
。
相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面
。
[0043]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种眼底视网膜病变检测算法，其特征在于，所述算法包括：采集大量真实的眼底视网膜照片，将所述眼底视网膜照片分类为合格照片与不合格照片两类，以获得训练数据；将上述训练数据导入质量评价模型中训练，以获得第一训练结果，并将所述第一训练结果保存在参数文件中；标注每张所述合格照片上的病变信息，以获得标准数据；使用所述标准数据训练目标检测模型，以提取有效特征，进而获得第二训练结果，并将所述第二训练结果保存在所述参数文件中；将所述质量评价模型和所述目标检测模型应用到实际的眼底视网膜病变检测任务中，进行智能检测
。2.
根据权利要求1所述的眼底视网膜病变检测算法，其特征在于，所述将所述质量评价模型和所述目标检测模型应用到实际的眼底视网膜病变检测任务中，进行智能检测的步骤包括：通过图像采集设备获取眼底视网膜图像；对所述眼底视网膜图像进行质量检测；对所述底视网膜图像进行增强预处理；将增强预处理后的所述底视网膜图像输入已经训练好的所述质量评价模型和所述目标检测模型中进行视网膜病变检测；将找到的视网膜病变的类型和位置输出到专家模型中，所述专家模型根据视网膜病变的类型
、
数量和位置匹配专家疾病库中的疾病，输出疾病的类型和概率
。3.
根据权利要求1所述的眼底视网膜病变检测算法，其特征在于，所述病变信息包括病变位置
、
病变范围和病变类型
。4.
根据权利要求1所述的眼底视网膜病变检测算法，其特征在于，所述标注每张所述合格照片上的病变信息的步骤之后，所述方法还包括：使用
mosaic
‑8方法对所述标注数据进行数据增强
。5.
根据权利要求1所述的眼底视网膜病变检测算法，其特征在于，所述目标检测模型为
yolo
‑
nas。6.
根据权利要求1所述的眼底视网膜病变检测算法，其特征在于，使用所述述标准数据训练目标检测模型的训练过程中，使用神经架构搜索方法寻找最优的网络结构，以提取更多的所述有效特征
。7.
根据权利要求2所述的眼底视网膜病变检测算法，其特征在于，所述对所述眼底视网膜图像进行质量检测的步骤包括：通过多特征融合的图像质量深度学习模型对图像进行质量评价，如果图像质量评价...

【专利技术属性】
技术研发人员：陈兴鹏，陈东杰，王燕，雷堉，钟文倩，李丹丽，邵莉，李盈，王盼，廖糠，吕鑫，陈军伟，李东靖，
申请(专利权)人：深圳灵幻科技有限公司，
类型：发明
国别省市：