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

本发明专利技术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，包括：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；将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；训练模型的建立过程具体为：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；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。与现有技术相比，本发明专利技术具有检测精度高、计算量小以及普适性高等优点。

Automatic detection method of micro hemangioma based on multistage screening convolutional neural network

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-Filter的图形滤波器，该滤波器计算一大一小两个同心圆环的平均像素灰度值，较小的圆环由于覆盖了大部分的微血管瘤区域，将具有较小的平均灰度值，而较大的圆环将没有或者仅覆盖较少的微血管瘤病变区域，因此将具有较大的平均灰度值，在大小圆环像素平均灰度较大的部分将被视为微血管瘤的候选区域。然而该方法同样无法避免将噪声、直径与微血管瘤相似的小型血管错误分类为微血管瘤，仍然需要对候选点进行进一步处理。Quellec等人在2008年“IEEETransactionsonMedicalImaging”第1230至第1241页上发表的“Optimalwavelettransformforthedetectionofmicroaneurysmsinretinaphotographs”文章中提出了基于小波变换的微血管瘤自动检测方法。其算法主要使用了一个在小波变换之后的局部模板匹配器，并在图像小波变换之后的与模板最为匹配的区域通过方向下降法(directiondecent)找到微血管瘤病变位置。该方法使用了一个2-D对称的高斯方程对微血管瘤的灰度图形进行建模，生成了微血管瘤的模板。然而此方法中微血管瘤的灰度分布仅仅是通过大量实例中观察到的结果，随着拍摄技术的发展，实际分布可能与假设不符。S.Angadi等人在2015年“Proceedingsofthe3rdInternationalConferenceonFrontiersofIntelligentComputing:TheoryandApplications(FICTA)”第589至596页上发表的“DetectionandClassificationofMicroaneurysmsUsingDTCWTandLogGaborFeaturesinRetinalImages”文章中提出了基于SVM的同时使用二叉树复式小波变换与伽柏特征作为图像特征，他们从图像中提取纹理特征,然后使用支持向量机作为分类器对图像进行分类。SVM是一种对参数比较敏感的分类器,为了达到较好的效果，需要手动调节参数或者在一个高维空间中搜索最佳参数。这给SVM的使用带来了困难，也给方法本身造成了一些限制。且由于SVM本身只能分割线性可分的问题，如果希望对该算法进行任何拓展或者加入新的特征，将导致重新调节参数甚至重新设计核方程。
技术实现思路
本专利技术的目的是针对上述问题提供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。本专利技术的目的可以通过以下技术方案来实现：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，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。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。所述分割后的像素与病变标签的相关度dε(j,t)具体为：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。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素，选取与病变标签的相关度最高的像素；B132)重新定义步骤B131)选取的像素的灰度值，所述灰度值与病变标签相对应；B133)判断当前病变标签是否为病变标签集合中的最后一个，若是则将生成的灰度图作为辅助通道图像进行输出，若否则将下一个病变标签作为当前病变标签，返回步骤B131)。所述步骤B2)具体为：B21)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，将样本分为正类样本和负类样本；B22)随机选取正类样本和负类样本进行多级筛选卷积神经网络训练，并在负类样本中的假阳样本增长率不变时停止训练，得到训练模型。所述正类样本包括真阳样本和假阴样本，所述负类样本包括假阳样本和真阴样本，所述真阳样本为医生和辅助通道图像均标记为有病变的像素，所述假阴样本为医生标记为有病变而辅助通道图像标记为无病变的像素，所述假阳样本为医生标记为无病变而辅助通道图像标记为有病变的像素，所述真阴样本为医生和辅助通道图像均标记为无病变的像素。所述步骤B22)具体为：B221)保持正类样本的数量不变，随机选取与正类样本数量相同的负类样本加入训练样本集，进行卷积神经网络训练；B222)判断得到的假阳样本数量是否大于正类样本数量，若是则随机采样假阳样本得到与正类样本数量相同的假阳样本加入训练样本集，进行下一轮卷积神经网络训练，若否则进入步骤B223)；B223)将得到的所有假阳样本加入训练样本集，并在所有的负类样本中进行随机选取，进行下一轮卷积神经网络训练，所述随机选取的负类样本数量等于正类样本数量本文档来自技高网...

【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