基于视网膜图像的神经退行性疾病辅助诊断系统

本发明属于医学影像像人工智能领域，具体涉及一种基于视网膜图像的神经退行性疾病辅助诊断系统。

背景技术：

1、随着人工智能技术的不断发展和进步、医学影像的大规模存储与积累，如何将人工智能的技术与方法应用于医学影像领域，将人工智能与医学的有效结合获得了广泛的关注。计算机辅助诊断技术近年来不断发展，在医学影像的诊断分类中获得了较好的发展与突破。

2、随着人工智能技术在医学图像领域的广泛应用，越来越多的深度学习模型在疾病诊断分类中取得了不错效果。这类辅助诊断大多是对于有着明显病灶区域的疾病的辅助诊断。目前神经退行性疾病尤其是阿尔兹海默症和帕金森综合症没有简单的模型进行辅助筛查，主要原因是神经退行性疾病的诊断本身十分复杂，通常是昂贵的入侵式测试，且这些测试一般在高度专业化的临床环境之外无法进行。

技术实现思路

1、本发明提供了一种基于视网膜图像的神经退行性疾病辅助诊断系统解决上述提到的技术问题，具体采用如下的技术方案：

2、一种基于视网膜图像的神经退行性疾病辅助诊断系统，包含：

3、视网膜图像预处理模块，用于对获取到的患者眼底视网膜图像进行预处理；

4、视网膜图像质量分类模块，用于对预处理之后的所述眼底视网膜图像的图像质量进行预测分类；

5、视网膜血管特征提取模块，用于对所述眼底视网膜图像进行血管分割，计算视网膜血管分支复杂度和血管密度；

6、诊断模块，用于基于所述眼底视网膜图像、人口统计信息以及提取的视网膜血管特征进行神经退行性疾病的快速精准分类和辅助诊断。

7、进一步地，所述患者眼底视网膜图像预处理模块对获取到的患者眼底视网膜图像进行中心裁剪、背景差分等预处理。

8、进一步地，所述患者眼底视网膜图像预处理模块对所述患者眼底视网膜图像进行预处理的具体方法为：

9、对每个获取到的患者的所述眼底视网膜图像，使用霍夫变换检测圆生成一个array类型的三位数组，数组中的每一对值都包含了检测出的圆的圆心横纵坐标和半径；

10、找到所述眼底视网膜图像的中心点，计算检测出的个点圆心和中心点的距离，选取距离中心点最近的点的坐标和半径，作为最终的圆心和半径；

11、根据霍夫变换检测圆对所述眼底视网膜图像进行裁剪，从而减少黑色背景的影响，将图像大小调整为224*224。

12、进一步地，中心点为height2和width2的点，height为图像的总高度，width为图像的总宽度。

13、进一步地，所述视网膜图像质量分类模块对预处理之后的所述眼底视网膜图像的图像质量进行预测分类的具体方法为：

14、将原始rgb格式的所述眼底视网膜图像转换为hsv、lab的不同颜色空间，得到rgb、hsv和lab三种不同颜色空间的眼底视网膜图像；

15、采用densenet121作为基础网络，分别完成对rgb、hsv和lab三种不同颜色空间的眼底视网膜图像的特征提取和分类预测，分别生成rgbfeature、hsvfeature和labfeature三种图像特征和三种不同的特征向量resrgb、reshsv和reslab，损失函数采用多分类交叉熵损失，

16、

17、获得三种不同的损失lossi,i＝1,2,3；

18、将三种来自基础网络的图像特征rgbfeature、hsvfeature和labfeature连接起来，经过线性变换和sigmoid激活函数的非线性映射处理，得到特征融合级的特征向量resfusion和损失函数lossf，

19、resfusion＝sigmoid(linear((rgbfeature,hsvfeature,labfeature)))

20、将所有基础网络的特征向量和特征融合级的特征向量连接起来得到(resrgb,reshsv,reslab,resfusion)，输入全连接层中生成最终的分类结果res，得到损失函数lossp，

21、res＝sigmoid(linear((resrgb,reshsv,reslab,resfusion)))

22、保留所有基础网络的损失函数，最终的损失函数设置为，

23、

24、其中，ωi、ωf和ωp分别不同损失函数的权重值；

25、通过上所述视网膜图像质量分类模块将所有原始患者的所述眼底视网膜图像分类为good、usable和reject三类，并保留所述眼底视网膜图像质量为good的数据。

26、进一步地，所述视网膜血管特征提取模块对所述眼底视网膜图像进行血管分割，计算视网膜血管分支复杂度和血管密度的具体方法为：

27、将分类为good的所述眼底视网膜图像fundusgood作为输入，通过10个深度学习模型u-net，生成10个分割后的视网膜血管影像分割mask，maski＝unet(fundusgood)，最终的分割mask通过将每个模型的输出结果maski的每个像素四舍五入到0或1，并保留概率最大的像素得到；

28、将得到的最终血管分割mask作为输入，通过对mask所有像素点的求和得到视网膜图像血管密度vasculardensity，通过boxcount方法计算视网膜血管分型维度fractaldimension。

29、进一步地，通过boxcount方法计算视网膜血管分型维度fractaldimension的具体方法为：

30、获取最终血管分割mask图像的最小尺寸min_sizemask；

31、根据min_sizemask构建尺寸为size＝{2n,2n-1,...,2}大小的box，其中n为小于等于min_sizemask的最大2的幂次方；

32、对每一个尺寸计算box中的非0像素值count，最后使用线性回归拟合log(size)和log(count)，并返回斜率的相反数作为视网膜血管分型维度fractaldimension。

33、进一步地，所述诊断模块基于所述眼底视网膜图像、人口统计信息以及提取的视网膜血管特征进行神经退行性疾病的快速精准分类和辅助诊断的具体方法为：

34、将患者的搜书视网膜图像和人口统计信息(fundusgood,age,sex,vasculardensity,fractaldimension)作为输入，其中，age表示患者拍摄眼底视网膜图像时的年龄，sex表示患者的性别，接入一层全连接神经网络fc1，通过relu激活函数进行非线性激活，具体如下：

35、fundusgood'＝relu(fc1(fundusgood))

36、(age,sex,vd,fd)'＝relu(fc1((age,sex,vd,fd)))

37、将输出结果进行拼接(fundusgood',(age,sex,vd,fd)')，使用全连接神经网络fc2进行线性变换，通过softmax激活函数得到最终的疾病预测概率，

38、p＝softmax(fc2(fundusgood',(age,sex,vd,fd)'))

39、其中损失函数采用二元交叉熵损失：

40、

41、进一步地，所述神经退行性疾病为阿尔兹海默症和帕金森综合症。。

42、本发明的有益之处在于所提供的基于视网膜图像的神经退行性疾病辅助诊断系统，将患者的眼底视网膜图像和人口统计信息作为输入，系统通过对视网膜图像的预处理、图像质量分类与自动筛查剔除，完成视网膜图像血管自动分割以及视网膜血管分支维度和血管密度的指标计算，实现了对患者的基于眼底视网膜图像和人口统计信息的神经退行性疾病的快速精准分类，改善了神经退行性疾病的早期社区筛查和辅助诊断的效果。