基于深度学习的青光眼眼底图像筛查方法及系统与流程

本发明涉及的是一种人工智能领域的技术，具体是一种基于深度学习的青光眼眼底图像筛查方法及系统。

背景技术：

青光眼被称为无声的光明偷盗者，因为除了少数病人在青光眼急性发作时会出现眼红、眼痛、视力下降等特征外，绝大部分早期青光眼病人都没有任何突出的症状，等病人察觉视力出现异常时，青光眼已经给视力造成了不可逆的损伤，因此早发现、早治疗是控制青光眼造成失明的有效手段。

当前，大多数体检的项目并不包括青光眼检查，主要是因为判断青光眼需要检查医生丰富的眼科临床经验，而一般体检中心并不具备专业丰富的眼科临床经验，因此青光眼的检查难以普及。

使用计算机辅助检查是普及青光眼筛查的理想选择，但是目前计算机辅助检查实现比较复杂。传统临床检查中判断青光眼的主要依据是杯盘比，然而临床实践证明，仅用杯盘比判别青光眼是不准确的，很多生理性大视杯的眼底也会有很大的杯盘比；故需要引入辅助判断依据，如1)盘沿是否符合isnt法则，2)下缘比上缘厚原则，3)上缘比鼻侧厚原则，4)颠侧最薄原则等，一方面这些标准转换为计算机程序上可定量描述的特征较困难，另一方面综合利用这些特征需要大量的分支判断条件，极大的增加了模型复杂性，模型及检测结果的稳定性不易保证。

技术实现要素：

本发明针对现有技术存在的上述不足，提出了一种基于深度学习的青光眼眼底图像筛查方法及系统，仅对视盘进行分割识别，降低了信息处理量，能够辅助医生提高青光眼检测效率。

本发明是通过以下技术方案实现的：

本发明涉及一种基于深度学习的青光眼眼底图像筛查方法，包括：

获取待识别眼底图像；

利用视盘提取fcn模型对待识别眼底图像进行视盘的定位和分割，提取得到视盘子图像；

利用分类cnn模型对视盘子图像进行识别，得到青光眼眼底图像分类结果。

所述视盘提取fcn模型通过以下步骤训练得到：

a1，通过像素点标记提取眼底图像中视盘子图像并分为训练集和验证集，所述眼底图像包括青光眼眼底图像和非青光眼眼底图像；

a2，将训练集和验证集输入全卷积神经网络开始训练，使用dice作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为视盘提取fcn模型。

所述分类cnn模型通过以下步骤训练得到：

b1，对训练集和验证集进行有无青光眼的标记；

b2，抽取所述训练集和验证集中样本输入深度卷积神经网络中结合相应样本有无青光眼的标记进行训练，使用softplus作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为分类cnn模型。

softplus作为训练的代价函数可以解耦sigmoid输出层的梯度饱和现象，使模型更容易训练。

所述训练集和验证集的代价函数均收敛是指到某一训练周期为止训练集对应的损失函数连续下降，而验证集对应的损失函数在此后连续若干个周期未下降。以此决定训练迭代终止的时机，防止过拟合，保证fcn模型和cnn模型的准确性和泛化能力。

一种基于上述方法进行青光眼眼底图像筛查的系统，包括：

视盘提取模块，用于对青光眼眼底图像中的视盘进行识别并分割提取；

分类模块，用于对提取的视盘子图像进行分类。

技术效果

与现有技术相比，本发明具有以下优点：

1)通过视盘提取fcn模型实现了视盘的高效准确提取，提取后的视盘子图像降低了cnn训练及分类的信息处理量；

2)分类cnn模型的输入对象为只截取了视盘局部区域的子图像，去除了干扰信息，使模型更容易训练、分类效率更高，降低了对训练集数据量的需求，减少了对内存需求，提高了模型的泛化能力；

3)通过两个网络模型的结合实现了眼底图像中视盘自动分割和分类的目的。

附图说明

图1为实施例1中方法流程图。

具体实施方式

下面结合附图及具体实施方式对本发明进行详细描述。

实施例1

如图1所示，本实施例涉及一种基于深度学习的青光眼眼底图像筛查方法，包括：

获取待识别眼底图像；

利用视盘提取fcn模型对待识别眼底图像进行视盘的定位和分割，提取得到视盘子图像；

利用分类cnn模型对视盘子图像进行识别，得到青光眼眼底图像分类结果。

所述视盘提取fcn模型通过以下步骤训练得到：

a1，通过像素点标记提取眼底图像中视盘子图像并分为训练集和验证集，所述眼底图像包括青光眼眼底图像和非青光眼眼底图像；

a2，将训练集和验证集输入全卷积神经网络开始训练，使用dice作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为视盘提取fcn模型。

所述dice代价函数为：

其中，x是输入样本图，y是输出结果图。

所述分类cnn模型通过以下步骤训练得到：

b1，对训练集和验证集进行有无青光眼的标记；

b2，抽取所述训练集和验证集中样本输入深度卷积神经网络中结合相应样本有无青光眼的标记进行训练，使用softplus作为训练的代价函数；结束训练，选取训练集和验证集的代价函数均收敛的模型作为分类cnn模型。

本实施例在上述模型进行训练时，监测每个训练周期训练集和验证集的损失函数下降情况，当验证集出现连续10个训练周期都没有下降趋势出现后，停止迭代，并将验证集测试表现最好的模型作为训练结果保存。

本实施例涉及基于上述方法对青光眼眼底图像进行筛查的系统，包括：

视盘提取模块，用于对青光眼眼底图像中的视盘进行识别并分割提取；

分类模块，用于对提取的视盘子图像进行分类。

本实施例可以通过将待识别眼底图像识别后的复核结果加入训练集和验证集中进行模型的修正，持续改善视盘提取fcn模型和分类cnn模型的性能。

本实施例使用了600张已确诊的青光眼眼底图像和600张正常眼底图像进行分类cnn模型的训练；训练后的模型经过对5000张眼底图像的识别分类，敏感性达到88％，特异性达到93％。

训练cnn模型时只将包含视盘得到的子图像作为输入，这样做有两个优点：一是可以减少模型训练时对内存的需求，二是去除了无关信息对模型训练的干扰，降低了训练过程中模型获得无关特征而造成过拟合的几率，从而减少对训练集规模的要求。

另外本实施例能够有效的剔除生理性大视杯的情况，避免对其错误的分类影响医生临床诊断。

需要强调的是：以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。