一种基于深度学习的白内障病变图像识别方法及系统

本发明涉及图像处理，尤其涉及一种基于深度学习的白内障病变图像识别方法及系统。

背景技术：

1、众所周知，白内障病变是一种高危险的眼科疾病，对患者眼睛造成的伤害远高于其他眼科疾病，近半的致盲数目肇因于此。有研究表明早期诊断对白内障的治疗具有显著的帮助。

2、为解决以上问题，医生需要一种高效便捷、高精度的客观的计算机辅助诊断方法，以提高诊断工作的效率。由于白内障病灶存在视觉可辨性，所以计算机视觉技术有机会胜任病变图像的识别工作。通过计算机的辅助识别，医生可以加速诊断流程，从而减少工作负担和误诊率，为更多的患者服务。

3、但是，计算机视觉技术在辅助诊断上的应用仍存在一些亟待解决的问题：

4、1、眼球的构造很精巧，结构复杂，包括视盘（视神经）、血管、视网膜组织及脉络膜等。眼底是全身唯一能用肉眼直接、集中观察到动脉、静脉和毛细血管的部位，这就导致获取的眼底图像，存在各种视神经、血管、视网膜组织及脉络膜，一般的计算机视觉技术在辅助诊断时，很难将这些结构与病变结构完全区分开，严重影响诊断结果的准确性；

5、2、医学领域的真实数据获取艰难，样本数据少。通常医用数据的采集需要使用费用高昂的器械，考虑到家庭经济状况，轻微病患不会花费多余的精力去体检，而严重病患也没有体检的必要，所以只有疾病中期，才有大量病患进行体检，因此不仅有效数据稀少，而且不同发病阶段下的数据比例也显著不同。此外，出于保护病人隐私的考虑，不同机构之间也难以共享医疗数据。因此目前虽然已有一些计算机辅助诊断系统试图帮助医生进行白内障识别，但这些系统普遍由于研究数据不足以及泛化能力缺陷，较难应用在实际的医学应用场景。

6、因此，如何建立准确的白内障病变识别方法具有重要意义。

技术实现思路

1、为解决上述问题，本发明提供一种基于深度学习的白内障病变图像识别方法，具体包括如下步骤：

2、步骤s1，获取待测患者的眼底图像数据；

3、步骤s2，对所述眼底图像数据进行预处理；

4、步骤s3，将所述预处理后的图像数据输入训练好的白内障病变识别模型，输出白内障病变识别结果；

5、所述白内障病变识别模型包括干扰去除模块和病变提取模块，其中所述干扰去除模块为所述白内障病变识别模型的输入端，所述干扰去除模块的输出端连接到所述病变提取模块的输入端，所述病变提取模块为所述白内障病变识别模型的输出端；

6、所述干扰去除模块用于去除眼底图像中正常组织的纹理，所述病变提取模块用于提取眼底图像的病变图像特征。

7、进一步的，所述步骤s2中，所述预处理包括：对图像数据进行标注、压缩、归一化。

8、进一步的，所述标注为：对病变位置和病变类型进行标注。

9、进一步的，所述步骤s3中，所述白内障病变识别模型训练步骤为：

10、步骤s31，数据集采集：从数据库中获取白内障眼底图像数据；

11、步骤s32，图像预处理：对所述数据集进行预处理；

12、步骤s33，对所述预处理过的图像进行数据扩充，获取扩充数据集；

13、步骤s34，将现有的白内障眼底图像数据集加入所述扩充数据集中，共同构成训练集；

14、步骤s35，对所述干扰去除模块进行训练：所述干扰去除模块训练时使用adam优化器进行学习；

15、步骤s36，对所述病变提取模块进行训练：将所述训练集输入训练好的干扰去除模块，所述干扰去除模块输出的数据输入所述病变提取模块，对所述病变提取模块进行训练，获取训练好的白内障病变图像识别模型。

16、进一步的，所述步骤s33中，所述数据扩充包括：对数据进行随机裁减、旋转、翻转。

17、进一步的，所述步骤s3中，所述干扰去除模块为深度神经网络fasternet，病变提取模块为二值神经网络bnn。

18、进一步的，所述白内障病变识别模型的损失函数为：

19、；

20、其中，x是输入干扰去除模块的图像样本，s(x)是干扰去除模块的损失函数，y是输入病变提取模块的图像特征向量，g(y)是病变提取模块的损失函数，λ是权重系数。

21、进一步的，所述干扰去除模块的损失函数为：

22、；

23、其中，n是图像的数量，xi是图像样本，yi是干扰去除模块输出的图像。

24、进一步的，所述病变提取模块的损失函数为：

25、；

26、其中，n是图像的数量，yi是干扰去除模块输出的图像，zi是病变提取模块输出的病变图像特征。

27、一种基于深度学习的白内障病变图像识别系统，使用如上任一项所述的基于深度学习的白内障病变图像识别方法，包括以下模块：

28、数据集采集模块：用于获取白内障患者的眼底图像数据以及现有的白内障眼底图像数据；

29、图像预处理模块：与所述数据集采集模块连接，用于对所述数据集进行预处理；

30、数据扩充模块：与所述图像预处理模块连接，用于对所述数据集进行数据扩充，获取扩充数据集；

31、样本集获取模块：与所述数据扩充模块连接，用于将现有的白内障眼底图像数据集加入所述扩充数据集中，共同构成训练集；

32、白内障病变识别模型：与所述样本集获取模块连接，用于根据所述预处理后的图像数据输出白内障病变识别结果，所述白内障病变识别模型包括干扰去除模块和病变提取模块，其中所述干扰去除模块为所述白内障病变识别模型的输入端，所述干扰去除模块的输出端连接到所述病变提取模块的输入端，所述病变提取模块为所述白内障病变识别模型的输出端；所述干扰去除模块用于去除眼底图像中正常组织的纹理，所述病变提取模块用于提取眼底图像的病变图像特征；

33、识别结果输出模块：与所述白内障病变识别模型连接，用于将待测患者的眼底图像数据输入至训练好的白内障病变图像识别模型，输出白内障病变图像特征。

34、与现有技术相比较，本技术的有益效果在于：

35、其一，本发明对白内障病变图像先进行干扰去除，再对干扰去除后的图像进行病变识别，对去除了正常组织纹理的眼底图像进行病变识别，最终可以去除正常组织纹理的干扰，提取出病变图像特征图，提升白内障识别的准确性。

36、其二，本发明根据扩充后的数据集，使用adam优化器对干扰去除模块进行训练，可以使干扰去除模块充分学习到眼底图像中各种视神经、血管、视网膜组织及脉络膜等复杂的结构，使得干扰去除模块可以精准的去除眼底图像中正常的组织结构，为后续病变提取模块提供良好的图像基础。

37、其三，本发明将经过干扰去除模块处理过的眼底图像输入至病变提取模块，使得病变提取模块仅需学习白内障图像中的病变部分，一方面提升模型训练的速度，另一方面也提升了病变区域识别的效率；进一步提升白内障识别的准确性。

38、其四，本发明根据采集的白内障眼底图像进行数据扩充，并加入现有的白内障眼底图像数据集，共同作为训练集，为模型训练提供足够的数据基础，防止在深度神经网络训练的过程中出现过拟合问题。