【技术实现步骤摘要】
一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法
[0001]本专利技术涉及了一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法,属于计算机视觉处理
技术介绍
[0002]早产儿视网膜病变(Retinopathy of Prematurity,ROP)是一种与视网膜血管发育相关的疾病,通常认为与氧气浓度有关。早产儿出生时视网膜血管未发育成熟,周边为无血管区,正在发育的血管末梢为未分化的新生血管。未成熟的视网膜血管对氧气十分敏感,高浓度氧气会使视网膜毛细血管内皮细胞损伤、血管收缩和闭塞,导致视网膜缺氧,从而刺激纤维血管组织增生。孕龄越短,ROP发病率越高;早产儿体重越轻,ROP发病率越高。我国的早产儿发生率约为6%
‑
7%。ROP会引起异常血管的破裂出血,纤维增殖,严重的可能会导致眼底病变,视力严重丧失。如果任其发展可能出现继发性青光眼、白内障、角巩膜葡萄肿、眼球萎缩等严重晚期并发症,甚至可导致失明,给患儿终身痛苦并给家庭及社会造成负担。
[0003]随着人工智能技术的发展,针对于ROP疾病的自动筛查和分期成为可能,极大的缓解了医疗资源不足的问题,然而当前技术的应用仍然存在一定的问题。首先,ROP数据来源广泛,不同设备或不同医院之间的数据集存在差异,无法直接进行应用,需要进行针对性的数据收集和模型训练,这将耗费大量人力物力财力和时间成本;其次,ROP数据标注存在困难,由于ROP病灶不清晰,因此需要专业的医师来标注,难以获得较多数据影像用于构建数据集;最后,ROP分期存在 ...
【技术保护点】
【技术特征摘要】
1.一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法,其特征在于:包括如下步骤:(1)元数据采集:收集两组来源不同的ROP数据集分别作为元学习训练过程的元训练数据和元学习测试过程的元测试数据,其中,元训练数据即为源域数据,元测试数据即为目标域数据,并将数据按照正常、一期、二期、三期、四期和五期共六个阶段分别放置在不同的文件夹中;(2)元数据集的标注:使用Labelme软件对ROP数据集进行标注,得到ROP病灶的分割mask,即金标准;(3)元数据集预处理:使用快速进行算法去除ROP影像上的病人信息,同时将ROP影像转换到YCrCb空间,再使用自适应直方图均衡化,在保留ROP细节的同时增强病灶和背景的对比度,之后将图片和标注图像进行扩增;(4)建立元学习模型:使用了原型网络ADNet和GAN相结合的分割模型,作为ROP病灶的分割任务的网络模型,使用Resnet101作为骨架网络;(5)元学习模型预训练:将元学习模型在COCO数据集上以深度学习的方式进行预训练,保存好预训练权重;(6)元学习模型元训练阶段:在源域数据中采集样本组成若干个训练任务进行模型训练,每个训练任务中均包含支持集和查询集,支持集用来生成病灶原型,查询集用来与病灶原型生成分割结果,元训练数据集的构建采取6
‑
way和5
‑
shot,即训练任务中包含六个类别(来自正常和一到五期),支持集中每个类别有5张训练图像,默认支持集中每个类别有15张图像,此外,损失函数选用交叉熵损失函数,并将该处损失记为L1。(7)GAN的辨别器的训练:只使用生成对抗网络中辨别器的部分,该辨别器是一个二分类卷积神经网络,该辨别器的训练需要用到元训练阶段的查询集图像及其分割结果图像和标注图像,辨别器的两个类别为:(a)ROP原图及其分割结果图像;(b)ROP原图及其标注图像,因此,同时输入辨别器的有两张图像,对于类别(a)的label为0(即fake),对于类别(b)的label为1(即true),此外,此处损失函数选用交叉熵损失函数,并将该处损失记为L2。(8)网络参数更新:网络更新总损失L为L1和L2的总和,反向传播更新元学习器和辨别器。(9)元学习模型元测试阶段:元测试阶段与元训练阶段类似,在目标域数据采集样本生成测试任务,每个测试任务也包含支持集和测试集,支持集用来生成病灶原型,测试集用来与病灶原型生成分割结果;(10)分割结果后处理:对输出的分割结果进行后处理,处理方式为膨胀腐蚀,目的是连通分割出来的病灶区域,方便后续定量化指标的计算,包括长度、平均宽度、占比面积和明显程度,用于辅助ROP分期分类,此外,首先需要对元测试数据集进行指标分析,统计分析不同分期的...
【专利技术属性】
技术研发人员:陈新建,郝旭辰,范煜,
申请(专利权)人:广州比格威医疗科技有限公司,
类型:发明
国别省市:
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。