[发明专利]眼底图像自动分析系统和方法

说明书

一种对病理图像进行分类的系统和方法。接收图像，对图像进行归一化和分割归一化的图像；将其分成多个区域；使用至少一个包含神经网络的分类器自动确定多个区域的疾病向量。基于所确定的疾病向量，自动注释多个区域中的每一个区域。至少基于注释，自动对接收到的图像进行评级。根据至少一个客观分类标准，基于图像各个区域的至少一个专家注释训练神经网络。图像可能是眼睛图像、血管图像或眼底图像。例如，疾病可能是血管疾病、血管病变或糖尿病性视网膜病变。

技术领域

本发明涉及利用神经网络(“NN”)或深度神经网络(“DNN”)进行眼底图像自动分析的领域。

背景技术

本文引用的每一篇参考文献都是通过全文引用而明确并入本文。

人类的视网膜很容易用各种常见的专业相机来拍摄。在英国，大多数配镜师，特别是主要连锁店的配镜师已经在实践中使用了这种相机，并且越来越多地提供视网膜照片作为标准视力测试的一部分。

视网膜图像可用于评估许多眼部疾病(或一般的视网膜病变)，近年来，随着数码相机分辨率的提高，视网膜图像已成为评估视网膜健康的首选方法。可以从图像上检测到多种类型的视网膜病变(从出血到肿瘤)，尽管许多此类疾病都可能导致严重的后果(包括失明)，但早期阶段通常没有病人能察觉到的症状。早期干预往往是成功管理和/或治愈视网膜病变的关键，存在许多不容忽视的公共卫生原因，使得视网膜图像评估更加常规化。

II型糖尿病是一种特别相关的疾病，其后果之一是视网膜上出现小出血(小动脉瘤)。如果不及时治疗，它们可能会迅速发展为严重的眼部疾病，甚至可能在患者被诊断为II型糖尿病之前。

糖尿病性视网膜病变(“DR”)是世界范围内成人失明的主要原因，包括在英国等发达国家。因此，UK-NHS每年为所有II型糖尿病患者提供免费的视网膜筛查，并在此进行数码照片拍摄并传送给评级中心，受过训练的评级员(人)会对图像进行细致的检查，以发现出血的最早迹象。这种人工处理的成本很高，但迄今为止是处理这些图像最可靠的方法。尽管进行了多年的研究，但尚无自动化系统能够达到受过训练的人员可以达到的可靠性和准确性水平。

美国专利20170039689公开了用于从图像评估DR的“深度学习”技术。另请参见美国专利20170039412、20150110348、20150110368、20150110370、20150110372、9,008,391、9,002,085、8,885,901、8,879,813和20170046616。眼底的视网膜图像提供了血管状况的指示，可用于诊断眼部疾病和更一般的血管疾病。

“深度学习”是人工NN(“ANN”)的一种改进，它由多个隐含层组成，可以实现对数据更高水平的抽象和改进预测[2]。参见Greenspan,Hayit,Bram van Ginneken,and RonaldM.Summers.Guest editorial deep learning in medical imaging:Overview andfuture promise of an exciting new technique.IEEE Transactions on MedicalImaging 35.5(2016):1153-1159。卷积神经网络(“CNN”)是用于计算机视觉任务的强大工具。深度CNN可以表述为对从原始数据(如图像)中获得中级和高级抽象进行自动学习。从CNN中提取的通用描述子是自然图像中目标识别和定位的有效方法。

在机器学习中，有两种范例：监督式学习和无监督式学习。在监督式学习中，对训练数据进行标记，也就是说存在一个外在真理，使得统计学习受到外在标准的约束。在无监督式学习中，训练数据是在不参考外在真理的情况下进行分析的，因此这些特征是固有的。在半监督式学习技术中，采用了两种范例的某些方面，也就是说，并没有对训练数据集的所有样本(或样本属性)进行标记。