CN110751636A - 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 - Google Patents

一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 Download PDF

Info

Publication number
CN110751636A
CN110751636A CN201910966530.4A CN201910966530A CN110751636A CN 110751636 A CN110751636 A CN 110751636A CN 201910966530 A CN201910966530 A CN 201910966530A CN 110751636 A CN110751636 A CN 110751636A
Authority
CN
China
Prior art keywords
artery
arterial
fundus
retinal arteriosclerosis
arteriosclerosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910966530.4A
Other languages
English (en)
Other versions
CN110751636B (zh
Inventor
吴骏
李迪
肖志涛
耿磊
张芳
刘彦北
王雯
刘梦佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201910966530.4A priority Critical patent/CN110751636B/zh
Publication of CN110751636A publication Critical patent/CN110751636A/zh
Application granted granted Critical
Publication of CN110751636B publication Critical patent/CN110751636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提出了一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，该方法包括：1)收集眼科专家已诊断为视网膜动脉硬化的眼底图像，拟合眼底图像中的病变血管，计算并统计反光参数以确定视网膜动脉硬化检测阈值；2)利用Inception ResnetV2模块和残差注意力机制模块改进编解码网络，并应用于动脉血管及动脉反光带的分割；3)筛选有效区域，对有效区域进行采样，再利用四段高斯模型拟合得到血管灰度分布曲线，根据拟合结果计算反光参数，再与阈值进行比较，判定患者是否患视网膜动脉硬化。本发明确定了视网膜动脉硬化定量检测阈值，并利用深度学习技术，解决了传统方法无法准确分割眼底动静脉血管及动脉反光带的问题，完成了视网膜动脉硬化的检测。

Description

一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测 方法
技术领域
本发明涉及一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，解决了传统方法无法准确分割眼底动静脉血管及动脉反光带的问题，且减少了光线及其他眼底组织特征对动脉反光带分割带来的干扰，提高了特征和梯度信息的传输效率，实现了高准确率的分割，确定了视网膜动脉硬化检测阈值，实现了高准确率视网膜动脉硬化检测。属于图像处理、深度学习和医疗影像等领域。
背景技术
视网膜动脉硬化情况与全身动脉硬化程度有关。由于眼底血管是唯一可直接进行无创观察的血管，所以定期进行视网膜动脉硬化检测可了解全身动脉硬化的程度，协助医生提前对全身动脉硬化的持续加重进行干预。视网膜动脉硬化会对眼底动脉血管的管径和动脉血管反光带的反光程度产生影响。目前，医院主要使用眼底相机观察人眼情况。当出现动脉硬化时，眼底图像中动脉反光带加宽，血柱颜色变成金属亮铜色；当动脉硬化持续加重时，血管呈白色银丝反光。
临床上，医生凭借经验观察患者眼底图像，根据图中动脉反光带宽度相较于动脉血管宽度是否增加、动脉反光带反光程度是否增强来判断患者是否存在动脉硬化，因此本发明将动脉血管与动脉反光带宽度比和灰度比作为动脉硬化检测的依据。由于视网膜动脉硬化检测需要对动脉血管及动脉反光带进行灰度拟合，因此需要提取眼底图像中的动脉血管及动脉反光带。虽然眼底图像血管的分割问题已被广泛关注，但是对于动脉血管及动脉反光带分割的研究偏少。同时，由于静脉血管的形状、走势与动脉血管相似，当眼底图像拍摄质量不佳时，可能会对动脉血管的分割产生干扰，且动脉反光带的形状呈细长型，极易受到周围光线影响，因此动脉血管及动脉反光带分割难度略大。
针对以上问题，本发明提出一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，可用于大规模的视网膜动脉硬化筛查。
发明内容
本发明提出了一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法。首先，收集眼科专家已诊断为视网膜动脉硬化的眼底图像，取一条垂直于该眼底图像中动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，得到血管横截面的灰度分布曲线，然后进行反光参数一带宽比及灰度比的计算，确定视网膜动脉硬化定量检测阈值；之后，分别对眼底图像训练集中的动静脉血管和动脉反光带进行标注，可减少由于动静脉血管特征相似所造成的干扰；基于改进型编解码网络在编码部分借助4个Inception Resnet V2模块提取多尺度的特征信息，并在每个特征提取模块后加入残差注意力机制模块以增强目标特征信息、提高网络性能，在解码部分利用四个上采样层生成稀疏特征图，再经过四个卷积层生成密集特征映射图，并通过SoftMax实现每个像素的分类；之后，利用Canny边缘检测算子寻找反光带全部连通域并筛选出最大连通域，取3条垂直于该区域的采样直线；对于3组采样像素点，利用四段高斯模型分别进行拟合，得到3条血管横截面的灰度分布曲线；最后根据拟合结果，计算3组动脉血管与动脉反光带的反光参数一灰度比及带宽比。将三组反光参数与检测阈值进行比较，存在三种情况： (1)当三组反光参数均小于阈值时，则判断该眼底不存在视网膜动脉硬化；(2)当三组反光参数中有一组参数大于阈值，则判断该眼底存在视网膜动脉硬化；(3)当出现其他情况时，则判断该眼底为疑似视网膜动脉硬化。
实现本发明的技术方案，包括下列步骤：
步骤1：收集眼科专家已诊断为视网膜动脉硬化的眼底图像，取一条垂直于该眼底图像中动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，得到血管横截面的灰度分布曲线，然后进行反光参数一带宽比及灰度比的计算，确定视网膜动脉硬化定量检测阈值；
步骤2：用不同颜色分别标注眼底图像中的动静脉血管及动脉反光带，然后将所有眼底图像根据网络的输入要求分成224×224的图像块，并作为改进型编解码网络的训练集；
步骤3：利用改进型编解码网络分割眼底图像的动脉血管及动脉反光带，并筛选得到用于后续检测的动脉反光带有效区域；
步骤4：在有效区域内取三条垂直于动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，分别得到3条血管横截面的灰度分布曲线，根据拟合结果分别计算得到3组动脉血管及动脉反光带的边界坐标和平均灰度值；
步骤5：分别计算3组眼底图像动脉血管及动脉反光带的反光参数一带宽比和灰度比，与视网膜动脉硬化定量检测阈值比较，判断患者是否患有视网膜动脉硬化。
与现有技术相比，本发明的有益效果是：
通过利用深度学习技术，解决了传统方法无法准确分割眼底动静脉血管及动脉反光带的问题，且减少了光线及其他眼底组织特征对动脉反光带分割带来的干扰，提高了特征和梯度信息的传输效率，实现了动脉血管及动脉反光带的准确分割，确定了视网膜动脉硬化定量检测阈值，实现了高准确率的视网膜动脉硬化检测。
附图说明
图1本发明的总体框架示意图；
图2改进型编解码网络的结构；
图3 Inception Resnet V2模块的结构；
图4残差注意力机制模块的结构；
图5动脉反光带分割有效区域的筛选过程示例；
图6动脉血管及动脉反光带像素点的灰度分布示例；
图7动脉血管及动脉反光带的高斯拟合示例。
具体实施方式
下面结合具体实施方式对本发明做进一步详细描述。
本发明的总体框架示意图如图1所示，首先，收集眼科专家已诊断为视网膜动脉硬化的眼底图像，取一条垂直于该眼底图像中动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，得到血管横截面的灰度分布曲线，然后进行反光参数一带宽比及灰度比的计算，确定视网膜动脉硬化定量检测阈值；其次，由于没有公开的关于眼底图像动静脉血管及动脉反光带的图像数据库，所以收集医院的眼底图像并由眼科专家使用标注工具手动标注得到训练样本；改进型编解码网络在编码部分借助4 个Inception Resnet V2模块提取多尺度的特征信息，并在每个特征提取模块后加入残差注意力机制模块以增强目标特征信息、提高网络性能，在解码部分利用四个上采样层生成稀疏特征图，再经过四个卷积层生成密集特征映射图，并通过SoftMax实现每个像素的分类，然后应用于眼底图像动脉血管及动脉反光带的分割；利用Canny算子检测动脉反光带边缘，并将动脉反光带最大连通域作为检测有效区域，取3条垂直于有效区域内动脉血管的采样直线；对于采样像素点，利用四段高斯函数分别进行拟合，得到3条血管横截面的灰度分布曲线，根据拟合结果计算得到3组动脉血管及动脉反光带的反光参数，将反光参数与检测阈值比较，存在三种情况：(1)当三组反光参数均小于阈值时，则判断该眼底不存在视网膜动脉硬化；(2)当三组反光参数中有一组参数大于阈值，则判断该眼底存在视网膜动脉硬化；(3)当出现其他情况时，则判断该眼底为疑似视网膜动脉硬化。
下面结合附图，对本发明技术方案的具体实施过程加以说明。
1.确定视网膜动脉硬化检测阈值
收集30幅眼科专家已诊断为视网膜动脉硬化的眼底图像，分别取一条垂直于该眼底图像中动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，得到血管横截面的灰度分布曲线，然后进行反光参数一带宽比及灰度比的计算，确定视网膜动脉硬化定量检测阈值：带宽比
Figure RE-GSB0000185146400000031
且灰度比
与定量检测阈值比较，存在三种情况：(1)当三组反光参数均小于阈值时，则判断该眼底不存在视网膜动脉硬化；(2)当三组反光参数中有一组参数大于阈值，则判断该眼底存在视网膜动脉硬化；(3)当出现其他情况时，则判断该眼底为疑似视网膜动脉硬化。
2.实验对象
本发明所使用的训练集包括918幅224×244的训练样本和168幅测试样本。由于动静脉血管特征相似，且动脉反光带形状特征呈细长型，因此容易被误检或漏检，但因为没有公开的眼底动静脉血管和动脉反光带的数据图库，所以需要使用图形标注工具手动标出训练样本中的动静脉血管及动脉反光带。
3.改进型编解码网络
本发明采用的改进型编解码网络的主体是一种编码-解码网络。编码部分的特征提取结构与VGG16网络相似，主要由4个卷积块组成，其中主要包括卷积层、批标准化、激活函数以及池化层。同时，借助了Inception Resnet V2模块使得编码部分为多尺度输入结构， Inception Resnet V2模块中的卷积层使用了尺寸为1×1、3×3、1×3、3×1、1×7和7×1的卷积核，目的是拓展网络宽度，提取图像不同尺度的特征信息。编码部分采用最大池化进行降采样以保留显著特征、降低特征维度，并加入填充以保持边界信息。另外，在最大池化层后加入残差注意力机制模块，使得网络可以选择聚焦的位置，增强该位置上的特征表示。解码部分的主体结构与SegNet网络的解码结构类似，采用了4个上采样块，包括卷积层、激活函数层、批标准化层以及上采样层，并在解码部分的最后加入SoftMax分类器，实现整体网络的分割，改进型编解码网络的结构如图2所示。
(1)编码部分
从图像输入层到最后一个池化层属于编码部分，这一阶段主要采用InceptionResnet V2模块拓展网络宽度以提取多尺度的特征信息，残差注意力机制模块将网络聚焦于目标区域并增强网络性能。首先使用了5个Inception Resnet V2-A模块对224×224的图像进行特征提取，该模块的卷积核包括1×1和3×3，1×1的卷积操作是为了限制输入信道的数量，而两个连续的3×3卷积操作可看作是使用了5×5的卷积核进行的特征提取，然后利用1×1 的卷积操作使输入输出具有相同维度，并采用了残差连接的方式将特征融合；特征图经过最大池化层后尺寸下降为112×112，并作为残差注意力机制Stage1模块的输入，残差注意力机制Stage1模块是空间注意力模块(Spatial Attention)，采用的是L2正则化约束每个位置上的所有通道，最终输出一个空间维度一致的注意力图；然后，连接5个Inception Resnet V2-B模块，该模块的卷积核分别是1×1、1×7和7×1，后两个卷积操作相当于使用了7×7的卷积核，将提取的特征进行融合后送入最大池化层可得到56×56的特征图；将 56×56的特征图送入残差注意力机制模块Stage2中，Stage2模块属于通道注意力模块，类似于SENet网络约束每一个通道上的所有特征值，使得输出长度与通道数相同的一维向量作为特权加权；之后，连接5个Inception Resnet V2-C模块，该模块使用的卷积核分别为1×1、1×3和3×1，后两个卷积操作相当于使用了3×3的卷积核，将特征图进行最大池化，得到28×28的特征图；连接残差注意力机制Stage3模块，该模块属于注意力集中模块，是对每个通道和每个空间使用Sigmoid引入非线性因素；最后，再次连接5个InceptionResnet V2-C模块提取高层特征，并连接最大池化层以降低特征图维度得到14×14的特征图。由于残差注意力机制是为了在较大特征图中将焦点聚于目标，因此当特征图尺寸已足够小时，不需要再添加残差注意力机制。
(2)解码部分
解码部分是从最大池化层后的上采样层开始到SoftMax层结束。解码部分主要是通过上采样层和卷积层对编码部分的信息进行逐层解码传输。14×14的特征图经过上采样层 (Upsample)后生成稀疏要素图，然后经过3×3的卷积操作产生28×28的密集特征映射图，以同样的方式进行四次上采样和卷积操作，最终将输出端的高维特征送到SoftMax进行每个元素的分类
3.1 Inception Resnet V2模块
在语义分割中，由于不同图像中的目标所占区域大小不同，所以存在位置信息的巨大差异。当信息分布均衡时，图像适合采用较大的卷积核；当信息分布较集中时，图像适合用较小的卷积核，因此为卷积操作选择合适的卷积核大小比较困难。若卷积神经网络只是简单的堆叠较大的卷积层来提取信息，那么网络极容易发生过拟合，梯度信息很难传递到整个网络，而且计算资源成本也随之升高。Inception Resnet V2模块在同一层级采用多个尺寸的卷积核，使网络宽度得到拓展可以提取多个尺度的特征信息。同时，为了减少信息损失，构建了三种不同类型的Inception Resnet V2模块，分别为Inception Resnet V2-A、Inception Resnet V2-B和Inception Resnet V2-C，并引入了残差网络的连接方式，实现了一种更高效的特征提取方法，Inception Resnet V2模块的结构如图3所示。
3.2残差注意力机制模块
残差注意力网络是一种通过堆叠注意力机制模块的卷积神经网络，该网络将端到端的训练方式与最新的前馈网络结构结合。随着网络层数的增加，不同注意力机制模块的注意力特征会自适应地改变，不仅可以选择聚焦位置，捕获图像中不同类型的注意力，还能增强该位置上对象的特征表示，从而提高网络性能。同时该网络采用了残差注意力学习方法，可以用来训练深层的卷积神经网络。每个残差注意力模块可以分为2个支路：掩膜分支和主干分支，其中主干分支采用了预激活残差模块和Inception模块作为网络的基本单元；在掩膜分支中，特征图的处理主要包括前向的下采样和上采样。下采样可快速进行编码并获取特征图的全局特征，上采样功能是将提取出来的全局高维特征与未下采样的特征组合，使高低维度的特征能够更好地结合，并输出维度一致的注意力特征图，然后用点乘操作将两个分支的特征图组合，得到最终的输出特征图，输出结果如下式所示：
Hi，c(x)＝(1+Mi，c(x))×Fi，c(x)
其中Mi，c(x)表示掩膜分支的特征输出图，Fi，c(x)是输出与输入之间的残差结果，是由深层的卷积神经网络来学习拟合的，i表示空间位置的范围，c表示通道索引。
残差注意力机制模块分为三种类型，包括空间注意力、通道注意力、注意力集中，其残差注意力机制模块的结构如图4所示。
4.动脉反光带有效区域筛选
为了减少后续动脉硬化检测的工作量，需要对分割结果进行动脉反光带分割有效区域筛选。动脉反光带分割有效区域的筛选过程示例如图5所示，其中图5(a)为从分割结果中提取出的动脉反光带；图5(b)为动脉反光带二值化的结果；图5(c)为利用Canny算子查找动脉反光带连通域的结果；最后筛选得到动脉反光带的最大连通域，得到后续待检测的动脉血管及动脉反光带，如图5(d)所示。
5.动脉血管及动脉反光带的高斯拟合
动脉血管及动脉反光带像素点的灰度分布示例如图6所示，图中上方曲线为动脉血管径向灰度分布曲线，下方曲线为灰度分布曲线的一阶导数，灰度分布曲线极小值点C、D处为动脉反光带边界，M为灰度分布曲线的最高点。由于动脉反光带处于动脉血管中心，且其亮度高于血管，所以动脉血管径向灰度分布符合高斯函数分布规律，可通过计算灰度分布曲线的一阶导数确定极小值C、D的坐标。因此，本发明提出使用四段高斯模型描述动脉血管及动脉反光带横截面的灰度分布，该模型不受限于动脉血管及动脉反光带灰度分布的不对称性，并且能够方便精确地找到动脉反光带边界。
本发明采用的四段高斯函数表达式为：
Figure RE-GSB0000185146400000061
其中a1、a2、a3、a4是高斯曲线峰值，b1、b2、b3、b4是峰值坐标，c1、c2、c3、c4为标准方差。
为准确描述动脉血管径向的灰度分布，本发明在待测的动脉血管上进行三次采样，并分别进行高斯拟合，动脉血管及动脉反光带的高斯拟合示例如图7所示。图7(a)为动脉血管的采样，本发明通过确定一条垂直于血管的采样直线，对采样像素点进行四段高斯拟合；图7(b)为利用四段高斯函数对采样像素点进行灰度值拟合的结果；图7(c)为该灰度值高斯拟合结果的一阶导数，从图中可计算得到极小值点C、D的坐标。对图7(b)灰度分布拟合结果中每个区域的定义如表1所示：A、B点为动脉血管边界，A-和B+为视网膜背景，C和D是灰度分布极小值点即动脉反光带边界，CM和MD为动脉反光带区域，M点为CD段的峰值。
表1灰度分布曲线示例中对动脉血管及动脉反光带区域的定义
区域 区域定义
A≤x||x≥B 背景(A<sup>-</sup>，B<sup>+</sup>)
A＜x＜C||D＜x＜B 动脉血管(AC，DB)
C＜x≤M||M＜x＜D 动脉反光带(CM，MD)
6.视网膜动脉硬化检测
动脉血管及动脉反光带的反光参数包括带宽比BR和灰度比GR。根据动脉血管及动脉反光带的拟合结果得到动脉血管及动脉反光带边界的坐标，然后分别求解三条直线采样点上动脉血管与动脉反光带的宽度与平均灰度，最后计算灰度比和带宽比。当发生视网膜动脉硬化时，动脉反光带变宽并产生反射亢进，导致该动脉血管及动脉反光带的反光参数增大，因此选取三组数据中反光参数最大的一组值作为该患者动脉硬化检测的反光参数。反光参数的计算公式如下：
带宽比：
灰度比：
Figure RE-GSB0000185146400000072
其中XA、XB、XC和XD是血管及动脉反光带边界坐标，Yi为各点对应的灰度值，n1、n2分别是动脉反光带和血管的像素点个数，XD-XC为动脉反光带宽度，XB-XA为动脉血管宽度，
Figure RE-GSB0000185146400000073
为动脉反光带的平均灰度值，
Figure RE-GSB0000185146400000074
为动脉血管的平均灰度值。
本发明以医院提供的53幅眼底图像为测试图像，其中包括正常眼底图像16幅，疑似患有视网膜动脉硬化的眼底图像14，患有动脉硬化的眼底图像23幅。采用本发明对上述眼底图像进行视网膜动脉硬化检测。用待测眼底图像的三组反光参数与检测阈值对比，存在三种情况：(1)当三组反光参数均小于阈值时，则判断该眼底不存在视网膜动脉硬化；(2)当三组反光参数中有一组参数大于阈值，则判断该眼底存在视网膜动脉硬化；(3)当出现其他情况时，则判断该眼底为疑似视网膜动脉硬化。其中正常眼底图像的检测准确率为93.7％，对疑似患有视网膜动脉硬化的眼底图像检测准确率为92.8％，对患有视网膜动脉硬化的眼底图像的检测准确率为91.3％，平均检测准确率为92.6％。综上所述，本发明确定了视网膜动脉硬化检测阈值，并提出一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，能准确分割视网膜动静脉血管及动脉反光带，解决了传统方法无法准确分割眼底动静脉血管及动脉反光带的问题，且减少了光线及其他眼底组织对动脉反光带分割带来的干扰，提高了特征和梯度信息的传输效率，实现了高准确率的分割，完成了视网膜动脉硬化的检测。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (6)

1.一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，包括下列步骤：
步骤1：收集眼科专家已诊断为视网膜动脉硬化的眼底图像，取一条垂直于该眼底图像中动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，得到血管横截面的灰度分布曲线，然后进行反光参数-带宽比及灰度比的计算，确定视网膜动脉硬化定量检测阈值；
步骤2：用不同颜色分别标注眼底图像中的动静脉血管及动脉反光带，然后将所有眼底图像根据网络的输入要求分成224×224的图像块，并作为改进型编解码网络的训练集；
步骤3：利用改进型编解码网络分割眼底图像的动脉血管及动脉反光带，并筛选得到用于后续检测的动脉反光带有效区域；
步骤4：在有效区域内取三条垂直于动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，分别得到3条血管横截面的灰度分布曲线，根据拟合结果分别计算得到3组动脉血管及动脉反光带的边界坐标和平均灰度值；
步骤5：分别计算3组眼底图像动脉血管及动脉反光带的反光参数-带宽比和灰度比，与视网膜动脉硬化定量检测阈值比较，判断患者是否患有视网膜动脉硬化。
2.根据权利要求1所述的一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，其特征在于，步骤1中，收集眼科专家已诊断为视网膜动脉硬化的眼底图像，取一条垂直于该眼底图像中动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，得到血管横截面的灰度分布曲线，然后进行反光参数-带宽比及灰度比的计算，确定视网膜动脉硬化定量检测阈值。
3.根据权利要求1所述的一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，其特征在于，步骤2中，用不同颜色分别对眼底图像中的动静脉血管以及动脉反光带进行标注，减少静脉血管对分割造成的干扰。
4.根据权利要求1所述的一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，其特征在于，步骤3中，在编码部分的卷积块中借助4个Inception Resnet V2模块提取多尺度的特征信息，并在每个特征提取模块后加入残差注意力机制模块以增强目标特征、提高网络性能；在解码部分利用四个上采样层生成稀疏特征图，再经过四个卷积层生成密集特征映射图，并通过SoftMax实现每个像素的分类，然后应用于眼底图像动静脉血管及动脉反光带的分割，再筛选得到用于后续检测的动脉反光带有效区域。
5.根据权利要求1所述的一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，其特征在于，步骤4中，在有效区域内取三条垂直于动脉血管及动脉反光带的采样直线，对于采样直线上的像素点，利用四段高斯模型进行拟合，分别得到3条血管横截面的灰度分布曲线，根据拟合结果分别计算得到3组动脉血管及动脉反光带的边界坐标和平均灰度值。
6.根据权利要求1所述的一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法，其特征在于，步骤5中，分别计算3组动脉血管与动脉反光带的反光参数，将反光参数与检测阈值比较，存在三种情况：(1)当三组反光参数均小于阈值时，则判断该眼底不存在视网膜动脉硬化；(2)当三组反光参数中有一组参数大于阈值，则判断该眼底存在视网膜动脉硬化；(3)当出现其他情况时，则判断该眼底为疑似视网膜动脉硬化。
CN201910966530.4A 2019-10-12 2019-10-12 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 Active CN110751636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910966530.4A CN110751636B (zh) 2019-10-12 2019-10-12 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910966530.4A CN110751636B (zh) 2019-10-12 2019-10-12 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法

Publications (2)

Publication Number Publication Date
CN110751636A true CN110751636A (zh) 2020-02-04
CN110751636B CN110751636B (zh) 2023-04-21

Family

ID=69278073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910966530.4A Active CN110751636B (zh) 2019-10-12 2019-10-12 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法

Country Status (1)

Country Link
CN (1) CN110751636B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415342A (zh) * 2020-03-18 2020-07-14 北京工业大学 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法
CN111415361A (zh) * 2020-03-31 2020-07-14 浙江大学 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置
CN111932554A (zh) * 2020-07-31 2020-11-13 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN112347977A (zh) * 2020-11-23 2021-02-09 深圳大学 一种诱导性多能干细胞的自动检测方法、存储介质及装置
CN112927236A (zh) * 2021-03-01 2021-06-08 南京理工大学 一种基于通道注意力和自监督约束的服装解析方法及***
CN113192074A (zh) * 2021-04-07 2021-07-30 西安交通大学 一种适用于octa图像的动静脉自动化分割方法
CN113269783A (zh) * 2021-04-30 2021-08-17 北京小白世纪网络科技有限公司 一种基于三维注意力机制的肺结节分割方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及***
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
US20190014982A1 (en) * 2017-07-12 2019-01-17 iHealthScreen Inc. Automated blood vessel feature detection and quantification for retinal image grading and disease screening
CN109658385A (zh) * 2018-11-23 2019-04-19 上海鹰瞳医疗科技有限公司 眼底图像判断方法及设备
CN110276356A (zh) * 2019-06-18 2019-09-24 南京邮电大学 基于r-cnn的眼底图像微动脉瘤识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190014982A1 (en) * 2017-07-12 2019-01-17 iHealthScreen Inc. Automated blood vessel feature detection and quantification for retinal image grading and disease screening
CN107657612A (zh) * 2017-10-16 2018-02-02 西安交通大学 适用于智能便携设备的全自动视网膜血管分析方法及***
CN108986124A (zh) * 2018-06-20 2018-12-11 天津大学 结合多尺度特征卷积神经网络视网膜血管图像分割方法
CN109658385A (zh) * 2018-11-23 2019-04-19 上海鹰瞳医疗科技有限公司 眼底图像判断方法及设备
CN110276356A (zh) * 2019-06-18 2019-09-24 南京邮电大学 基于r-cnn的眼底图像微动脉瘤识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
霍妍佼;杨丽红;崔蕊;魏文斌: "共焦激光扫描检眼镜与眼底彩色照相对视网膜和脉络膜病变的检出比较" *
黄文博: "彩色眼底视网膜图像中相关目标检测方法研究" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111415342A (zh) * 2020-03-18 2020-07-14 北京工业大学 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法
CN111415342B (zh) * 2020-03-18 2023-12-26 北京工业大学 一种融合注意力机制的三维卷积神经网络肺部结节图像自动检测方法
CN111415361A (zh) * 2020-03-31 2020-07-14 浙江大学 基于深度学习的胎儿大脑脑龄估计和异常检测方法及装置
CN111932554A (zh) * 2020-07-31 2020-11-13 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN111932554B (zh) * 2020-07-31 2024-03-22 青岛海信医疗设备股份有限公司 一种肺部血管分割方法、设备及存储介质
CN112347977A (zh) * 2020-11-23 2021-02-09 深圳大学 一种诱导性多能干细胞的自动检测方法、存储介质及装置
CN112347977B (zh) * 2020-11-23 2021-07-20 深圳大学 一种诱导性多能干细胞的自动检测方法、存储介质及装置
CN112927236A (zh) * 2021-03-01 2021-06-08 南京理工大学 一种基于通道注意力和自监督约束的服装解析方法及***
CN112927236B (zh) * 2021-03-01 2021-10-15 南京理工大学 一种基于通道注意力和自监督约束的服装解析方法及***
CN113192074A (zh) * 2021-04-07 2021-07-30 西安交通大学 一种适用于octa图像的动静脉自动化分割方法
CN113192074B (zh) * 2021-04-07 2024-04-05 西安交通大学 一种适用于octa图像的动静脉自动化分割方法
CN113269783A (zh) * 2021-04-30 2021-08-17 北京小白世纪网络科技有限公司 一种基于三维注意力机制的肺结节分割方法及装置

Also Published As

Publication number Publication date
CN110751636B (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN110751636B (zh) 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法
CN109584246B (zh) 基于多尺度特征金字塔的dcm心肌诊疗放射影像分割方法
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
US11562491B2 (en) Automatic pancreas CT segmentation method based on a saliency-aware densely connected dilated convolutional neural network
Liu et al. A framework of wound segmentation based on deep convolutional networks
CN106940816A (zh) 基于3d全连接卷积神经网络的ct图像肺结节检测***
CN109389584A (zh) 基于cnn的多尺度鼻咽肿瘤分割方法
CN112150428A (zh) 一种基于深度学习的医学图像分割方法
CN112132817A (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN111882566B (zh) 视网膜图像的血管分割方法、装置、设备及存储介质
CN111161287A (zh) 基于对称双向级联网络深度学习的视网膜血管分割方法
CN113239755B (zh) 一种基于空谱融合深度学习的医学高光谱图像分类方法
CN108629769B (zh) 基于最佳兄弟相似度的眼底图像视盘定位方法及***
CN111951288A (zh) 一种基于深度学习的皮肤癌病变分割方法
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
Wang et al. EAR-U-Net: EfficientNet and attention-based residual U-Net for automatic liver segmentation in CT
CN115471470A (zh) 一种食管癌ct图像分割方法
Sun et al. Automatic detection of retinal regions using fully convolutional networks for diagnosis of abnormal maculae in optical coherence tomography images
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Qin et al. A review of retinal vessel segmentation for fundus image analysis
Kumar et al. Automated white corpuscles nucleus segmentation using deep neural network from microscopic blood smear
Tan et al. Lightweight pyramid network with spatial attention mechanism for accurate retinal vessel segmentation
CN116740041B (zh) 基于机器视觉的cta扫描图像分析***及其方法
CN112950612A (zh) 一种基于卷积神经网络的脑肿瘤图像分割方法
Bhuvaneswari et al. Contrast enhancement of retinal images using green plan masking and whale optimization algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant