[发明专利]一种基于深度卷积神经网络的医疗图像分级系统和方法

说明书

技术领域

本发明属于机器学习领域，尤其涉及一种基于深度卷积神经网络的医疗图像(针对青光眼眼底图像)分级系统和方法

背景技术

青光眼是世界上的第二大致盲疾病。青光眼病人的眼底通常会有大的视盘比、脉络膜萎缩弧以及神经纤维层缺损。青光眼筛选是一个非常复杂和困难的任务。目前青光眼的诊断基本都是依靠人工观测方式。但是人的视觉系统存在它的不足之处,比如存在主观性、局限性、模糊性、缺乏持久性等。为了能够实现检测的智能化自动化及信息化,迫切要求一种能够模拟人的视觉功能而又超越它的性能的计算机图像识别与诊断系统以识别与诊断青光眼病变。

发明内容

针对青光眼眼底图像识别的问题，本发明提供一种基于深度卷积神经网络的医疗图像分级系统和方法。

本发明提出了一种眼底图像识别方法，使用了新的预处理方法以及新的深度更深的神经网络对数据集进行处理，在预处理环节加入了提取G通道、直方图均衡化、提高原有数据集的数量质量等步骤，在神经网络方面采用了8层的Alexnet替代之前的5层网络。除此之外还添加了“视神经纤维层缺损”这一特征对青光眼进行判断。提高了系统的整体准确率。这对于分类器的现实应用有很强的实际意义。

为实现上述目的，本发明采用如下的技术方案：

本发明提供一种基于深度卷积神经网络的医疗图像分级方法，包括：

自动分割原始图像

提取原始医疗图像绿色通道分量；

利用直方图均衡化修正提取出的灰度图像；

分别从修正后的图像提取杯盘比特征和视神经纤维层缺损特征；

使用深度卷积神经网络算法分别训练特征子集产生多个子分类器；

组合子分类器，投票得出最终分类结果。

作为优选，所述自动分割原始图像是利用ROI自动提取技术实现，根据要提取的特征的特点，自动将图像中感兴趣的区域提取出来的，计算机自动探测视杯视盘的位置及面积数据，为之后的图像操作做好基础工作。

作为优选，所述绿色通道分量是彩色医疗图像含有红、绿、蓝3个分量中的绿色分量。

作为优选，所述直方图均衡化为利用灰度变换自动调节图像对比度质量的方法。

作为优选，所述灰度图像即提取绿色通道分量图像。

作为优选，所述杯盘比特征、视神经纤维层缺损特征分别为：医疗图像根据杯盘比分析处理后提取出的特征、根据视神经纤维层缺损分析处理后提取出的特征。

作为优选，所述使用深度卷积神经网络算法分别训练特征子集产生子分类器即为将预处理好的图像输入深度卷积神经网络算法训练，生成相应的子分类器。

作为优选，所述组合子分类器，投票得出最终分类结果为：测试医疗图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。

本发明还提供一种基于深度卷积神经网络的医疗图像分级系统，包括：

自动分割原始图像装置，被配置为使用自动提取技术提取感兴趣区域图像；

绿色通道分类提取装置，被配置为提取原始医疗图像绿色通道分量；

直方图均衡化装置，被配置为利用直方图均衡化修正提取出的灰度图像；

特征提取装置，被配置为分别从修正后的图像提取杯盘比特征；视神经纤维层缺损特征；

子分类器训练装置，被配置为使用深度卷积神经网络算法分别训练特征子集产生子分类器；

结果投票装置，被配置为组合子分类器，投票得出最终分类结果。

作为优选，所述自动分割原始图像是利用ROI自动提取技术实现的。

作为优选，所述绿色通道分量是彩色医疗图像含有红、绿、蓝3个分量中的绿色分量。

作为优选，所述直方图均衡化是一种利用灰度变换自动调节图像对比度质量的方法。

作为优选，所述灰度图像即提取绿色通道分量图像。

作为优选，所述杯盘比特征、视神经纤维层缺损特征分别为：医疗图像根据杯盘比分析处理后提取出的特征、根据视神经纤维层缺损分析处理后提取出的特征。

作为优选，所述使用深度卷积神经网络算法分别训练特征子集产生子分类器即为将预处理好的图像输入深度卷积神经网络算法训练，生成相应的子分类器。

作为优选，所述组合子分类器，投票得出最终分类结果为：测试医疗图像分别由训练好的子分类器分类，统计分类结果，最多类即为最终分类结果。