一种基于神经网络的眼底图片的处理方法与流程

本发明涉及眼底图片的处理方法，具体涉及的是将视杯和视盘从眼底图片中分割出来，通过对大量的样本进行训练得到自动从眼底图片中鉴别分割视杯和视盘的神经网络。

背景技术：

青光眼是导致失明的主要眼病之一，预计到2020年将影响8000万左右的人，和白内障，近视眼等眼科疾病不一样，青光眼的视力丧失是无法逆转的，因此，早期筛查对于早期治疗以保持视力和维持生活质量至关重要。临床上有三种用于筛查青光眼的方式：眼压测量、视野检查和视神经盘评估。眼压测量有一定的危险性，不足以成为大量正常眼压的青光眼患者的有效检查工具；而基于视野的检查需要专门的设备，在小的医院和诊所无法适用；而视神经盘评估是早期检测青光眼的便捷方式，只需要眼底图就可以进行评估。因此一种比较流行的onn评估方式是基于杯盘比(cuptodiscratio，cdr)，计算垂直的视杯直径和视盘直径的比例，如果较大，表明患有青光眼的风险越大。目前判断的方式是医生通过观察眼底图片来做出判断，由于眼底图片中视杯区域和视盘区域的界限并非那么清晰，需要较长的时间来判断他们之间的直径比例，诊断的效率较低，准确度也较低。

技术实现要素：

本发明要解决的技术问题是：本发明提供了一种基于神经网络的眼底图片的处理方用以协助医护人员对患者诊断青光眼。

本发明解决其技术问题所采用的技术方案是：一种基于神经网络的眼底图片的处理方法，包括以下步骤：

s1、通过相机的拍摄获取若干个眼底图片；

s2、检测所述眼底图片中包含视盘和视杯的区域，将包含视盘和视杯的区域从眼底图片中切割出来，得到初始样本图片；

s3、在所述初始样本图片上圈出视盘区域和视杯区域并以不同颜色分别填充视盘区域和视杯区域，得到训练样本图片；

s4、构造神经网络；

s5、通过若干个所述训练样本图片对神经网络进行训练，确定神经网络的参数。

作为优选，在所述步骤s4中，所述神经网络包括输入层、输出层和m个隐藏层，所述输入层的神经元包括视杯区域面积、视盘区域面积和视杯区域面积与视盘区域面积的比值，所述输出层的神经元包括多个青光眼的患病等级；确定激活函数和目标函数。

作为优选，所述激活函数为：

所述目标函数为：

其中，x为输入层向量，w为神经网络权值，b为神经网络偏置项，n为训练样本图片的样本容量，y为x对应的表示青光眼的患病等级的向量，a为输出层向量。

根据其他的一些实施方式，在所述步骤s4中，所述神经网络采用fcn网络，所述神经网络的网络单元采用googlenet网络中的inception结构单元。

进一步地，在所述步骤s5中：

将训练样本图片输入到神经网络中，进行层级化的处理，所述层级化处理包括卷积、池化、线性修正、dropout和反卷积，输出灰度图片；

将所述灰度图片与所述训练样本图片进行对比，计算交叉熵损失和iou；

将所述iou与阈值比较大小；

如果所述iou小于阈值，则根据所述交叉熵损失调整神经网络的参数；

使用不同的训练样本图片循环执行以上步骤，直到iou大于阈值为止。

作为优选，在所述步骤s2中，利用霍夫变换圆形检测法找到包含视盘的圆形区域；以圆形区域的圆心作为中心，以预设的长度作为边长在所述眼底图片中切割出包含视盘和视杯的正方形区域作为所述初始样本图片。

作为优选，还包括以下步骤：

利用拉普拉斯算子对所述训练样本图片进行图像增强；

对所述训练样本图片进行模拟无赤光处理。

本发明的有益效果是，这种基于神经网络的眼底图片的处理方法能够辅助医护人员对眼底图片的杯盘比进行高效准确的判断，提高了诊断青光眼的效率和准确率。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是一种基于神经网络的眼底图片的处理方法的实施例1的流程图。

图2是一幅眼底图片的展示图。

图3是一幅训练样本图片的展示图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

图1示出的是一种基于神经网络的眼底图片的处理方法的实施例1，包括以下步骤：

s1、通过相机的拍摄获取若干个眼底图片，图2示出的是一张眼底图片，可以看出眼底相机拍出来的实际图片比较大，而用于识别判断青光眼的大部分图像来自于视杯视盘，直接使用眼底图片来判断杯盘比较为不便。

所以在步骤s2中，利用霍夫变换圆形检测法找到包含视盘的圆形区域；以圆形区域的圆心作为中心，以预设的长度作为边长在眼底图片中切割出包含视盘和视杯的正方形区域作为初始样本图片，从图2中可以看出l1部分为圆形区域，l2部分为正方形区域。将视盘和视杯区域切割出来，既可以避免背景所占比例太大，影响诊断，而且对于后面神经网络的训练，容易将前景分割成背景，又可以改变图像的尺度，将一副像素高的图像转变成像素低的图像，从而减少深度学习网络计算量和gpu内存使用，缩短网络运行时间。

s3、在初始样本图片上圈出视盘区域和视杯区域并以不同颜色分别填充视盘区域和视杯区域，得到训练样本图片；接着训练样本图片利用旋转、翻转、调整对比度等方式扩增数据，然后利用拉普拉斯算子进行图像增强，增强后的图片视杯盘的区域会更加清晰，利于后续分割，接着去掉红色通道，模拟无赤光，无赤光照相是把红色光线滤除，用蓝绿色光线照射眼底曝光，看到的是视网膜表层对蓝绿光的反光，排除了深层组织的干扰；图3示出的就是一幅处理后的训练样本图片。

s4、构造神经网络，神经网络采用fcn网络(fullyconvolutionalnetworks)神经网络的网络单元采用googlenet网络中的inception结构单元。

fcn利用的是将传统cnn(convolutionalneuralnetworks)中的全连接层转化成一个个的卷积层，传统的cnn前面是卷积层，后面变成向量，对应多少类的概率，而fcn通过宽高为1的卷积核将向量变成了卷基层，再通过上采样得到和原图一样大小的分割输出图。是实施例中fcn网络反卷积之后增加了几个卷积核进行特征提取，采用googlenet网络中的inception结构单元，利用的是1*1的卷积核和3*3的卷积核，这样也不会增加太多计算负担；

s5、通过若干个训练样本图片对神经网络进行训练，确定神经网络的参数。将训练样本图片输入到神经网络中，进行层级化的处理，层级化处理包括卷积、池化、线性修正、dropout和反卷积，输出灰度图片；

将灰度图片与训练样本图片进行对比，计算交叉熵损失和iou；

将iou与阈值比较大小；

如果iou小于阈值，则根据交叉熵损失调整神经网络的参数；

使用不同的训练样本图片循环执行以上步骤，直到iou大于阈值为止。

在其它的一些实施例中，步骤s4与s5与实施例1不一样：

在步骤s4中，神经网络包括输入层、输出层和m个隐藏层，输入层的神经元包括视杯区域面积、视盘区域面积和视杯区域面积与视盘区域面积的比值，输出层的神经元包括多个青光眼的患病等级；确定激活函数和目标函数。

激活函数为：

目标函数为：

其中，x为输入层向量，w为神经网络权值，b为神经网络偏置项，n为训练样本图片的样本容量，y为x对应的表示青光眼的患病等级的向量，a为输出层向量。例如x＝[视杯区域面积n1，视盘区域面积n1，比值n1]，y为对应为[等级1＝1，等级2＝0，等级3＝0，等级4＝0，等级5＝0]，说明样本n1的实际患病等级为等级1，a的输出层向量里中的元素与y一样。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对所述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。