The invention relates to a method of automatic detection, microangioma multistage screening based on convolutional neural network includes the image which will be detected by random fern segmentation, according to the segmentation results to obtain the detection auxiliary channel image; the auxiliary channel image and the image to be detected as input into multistage screening convolutional neural network training model test get, microaneurysm detection results of test image; the process of training the model specific for tumor diagnosis: report of microvascular existing as samples of lesion images microangioma diagnostic report of random fern segmentation, according to the segmentation results of an auxiliary channel image; the image and the doctor assisted marker lesions channels the pixels are compared, according to the result of the comparison will sample classification and multistage screening convolutional neural network training, too Neural network training model for multistage screening convolution. Compared with the prior art, the invention has the advantages of high detection accuracy, small calculation amount and high universality.
【技术实现步骤摘要】
本专利技术涉及图像处理
,尤其是涉及一种基于多级筛选卷积神经网络的微血管瘤自动检测方法。
技术介绍
微血管瘤作为视网膜病变最早期的症状之一,其自动检测是糖尿病早期眼底病变检测中最关键的一步,对防止眼底病变继续发展从而影响视力甚至致盲有重大意义。在实际检测过程中,一方面微血管瘤病变面积小,很容易与小的血管交叉点,出血点相混,难以辨别;另一方面,由于眼底图像拍摄条件恶劣,往往存在光照不均,噪声严重等问题,很容易受晶状体浑浊等其他疾病的影响,微血管瘤的精确检测十分困难。针对微血管瘤检测,现有方法大致可以分为以下三类:基于形态学方法,基于小波变换等数学变换的方法,基于机器学习的方法,其中基于机器学习的方法多采用浅层神经网络,支持向量机等分类器。无论是非机器学习的方法还是基于机器学习的方法都建立在研究者的先验知识之上,且都基于很强的未经验证的假设,而这些假设通常只在部分情况下成立。此外,上述方法都需要反复考虑如何将病变形状信息合并在分割方法中。由于微血管瘤在眼底图像中辨识度很低,因此其检测需要非常敏感的分类器,且能够在图像噪声干扰和其他病变干扰的情况下具有稳定性,而浅层神经网络、支持向量机等分类器不足以满足其敏感性与稳定性的要求。经过对现有技术的文献索引发现,A.Mizutani等人在2009年“SPIEmedicalimaging”第72601N页上发表的“Automatedmicroaneurysmdetectionmethodbasedondoubleringfilterinretinalfundusimages”文章中提出了Double-Ring-F ...
【技术保护点】
一种基于多级筛选卷积神经网络的微血管瘤自动检测方法,其特征在于,所述方法包括下列步骤:A1)将待检测图像进行随机蕨分割,根据分割结果得到待检测图像的辅助通道图像;A2)将步骤A1)得到的待检测图像的辅助通道图像与待检测图像作为输入,进入多级筛选卷积神经网络训练模型进行检测,得到待检测图像的微血管瘤检测结果;所述步骤A2)中的多级筛选卷积神经网络训练模型的建立过程具体为:B1)将现有的微血管瘤诊断报告作为样本,对微血管瘤诊断报告中的病变图像进行随机蕨分割,根据分割结果建立辅助通道图像;B2)将得到的辅助通道图像与医生对像素的病变标记图像进行比对,根据比对结果将样本分类并进行多级筛选卷积神经网络训练,得到多级筛选卷积神经网络训练模型。
【技术特征摘要】
1.一种基于多级筛选卷积神经网络的微血管瘤自动检测方法,其特征在于,所述方法包括下列步骤:A1)将待检测图像进行随机蕨分割,根据分割结果得到待检测图像的辅助通道图像;A2)将步骤A1)得到的待检测图像的辅助通道图像与待检测图像作为输入,进入多级筛选卷积神经网络训练模型进行检测,得到待检测图像的微血管瘤检测结果;所述步骤A2)中的多级筛选卷积神经网络训练模型的建立过程具体为:B1)将现有的微血管瘤诊断报告作为样本,对微血管瘤诊断报告中的病变图像进行随机蕨分割,根据分割结果建立辅助通道图像;B2)将得到的辅助通道图像与医生对像素的病变标记图像进行比对,根据比对结果将样本分类并进行多级筛选卷积神经网络训练,得到多级筛选卷积神经网络训练模型。2.根据权利要求1所述的基于多级筛选卷积神经网络的微血管瘤自动检测方法,其特征在于,所述步骤B1)具体为:B11)将现有的微血管瘤诊断报告作为样本,提取诊断报告中的文字建立病变标签集合;B12)对诊断报告中的病变图像进行随机蕨分割,计算分割后的像素与病变标签的相关度dε(j,t);B13)根据步骤B12)计算的相关度dε(j,t),建立病变图像的辅助通道图像。3.根据权利要求2所述的基于多级筛选卷积神经网络的微血管瘤自动检测方法,其特征在于,所述分割后的像素与病变标签的相关度dε(j,t)具体为:dϵ(j,t)=Σe=1EΣy=12L1γye(j)1κ(<e,y>)]]>其中,j为对应的像素点,t为对应的病变标签,ε为随机蕨的集合,为随机蕨Le的索引值y所对应的特征空间的区域,κ为每个病变标签选取关联度测度值最好的K个分割区域构成的集合,<e,y>表示随机分割结果中的空间。4.根据权利要求3所述的基于多级筛选卷积神经网络的微血管瘤自动检测方法,其特征在于,所述步骤B13)具体为:B131)对当前病变标签,遍历病变图像的所有像...
【专利技术属性】
技术研发人员:盛斌,戴领,倪纯,瞿蒙,郑凌寒,陈慕凡,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。