[发明专利]一种基于视网膜图像的心血管手术指标风险分类方法及系统

权利要求书

1.一种基于视网膜图像的心血管手术指标风险分类方法，其特征在于，所述方法包括如下步骤：

步骤1，将视网膜RGB图像转换为灰度图，然后进行线性归一化和自适应限制直方图均衡化，得到对比度增强后的视网膜灰度图；

步骤2，采用预训练好的U型结构的神经网络U-net神经网络模型提取所述增强后的视网膜灰度图的血管，得到血管灰度图；

步骤3，对所述血管灰度图进行随机旋转、平移等数据增强；

步骤4，采用两阶段训练的有监督卷积神经网络模型DCRBFNN用于所述血管灰度图的分类任务；

步骤5，利用训练好的所述有监督卷积神经网络模型DCRBFNN生成显著热度图。

2.根据权利要求1所述的一种针对视网膜图像的心血管手术指标风险分类方法，其特征在于，

所述步骤1进一步包括：对视网膜灰度图图像进行线性归一化，线性归一化定义为：

其中，

src(x,y)表示处理前灰度图所有像素点的灰度值，src(i,j)表示处理前灰度图中坐标为(i,j)的像素值，max被设为255，min被设为0，dst(i,j)表示线性归一化处理后灰度图中坐标为(i,j)的像素值；

对线性归一化后的视网膜灰度图切分成n个不重叠的8*8网格，分别对每个网格进行直方图的均衡化操作，最后按原位置拼接得到血管特征更清晰的对比度增强后的视网膜灰度图。

3.根据权利要求1所述的一种针对视网膜图像的心血管手术指标风险分类方法，其特征在于，

所述步骤2进一步包括：血管分割的训练数据集为公开的视网膜血管分割图像数据集HRF，将所述公开的视网膜血管分割图像数据集HRF中的视网膜图像以及对应的血管图来进行分割，分割后的子图片尺寸为256*256个像素点，处理好的训练数据集采用U-net神经网络模型训练血管分割模型。训练好血管分割模型后，将视网膜灰度图不重叠地切割成若干个尺寸为256*256个像素的子图片，接着把全部子图片输入到训练好的血管分割模型得到血管图切片，然后按原位置拼接好所述血管图切片最后得到完整的血管灰度图。

4.根据权利要求1所述的一种针对视网膜图像的心血管手术指标风险分类方法，其特征在于，

所述步骤3进一步包括：为了克服训练时视网膜图像数量不足的问题，应用数据增强技术，视网膜图像中的血管纹理特征不会因移动、旋转和翻转而改变，与此同时，数据增强使所述血管分割模型能够更多地关注血管的整体纹理，而不是它们的相对位置，分别对每个血管灰度图通过随机旋转角度-30°到30°之间，以0.5概率随机水平翻转，和从向左10％的总宽度到向右10％的总宽度的范围内随机水平平移，和从向上10％的总高度到向下10％的总高度的范围内随机垂直平移，每个血管灰度图通过上述操作生成10倍血管灰度图。

5.根据权利要求1所述的一种针对视网膜图像的心血管手术指标风险分类方法，其特征在于，

所述步骤4进一步包括：两阶段有监督卷积神经网络模型DCRBFNN分为D-CNN和RBFNN两个组件；

其中所述D-CNN组件为有监督的CNN分类器，由卷积层、池化层和全连接层三个部分组成，对于所述D-CNN组件，输入数据为血管灰度图，预测标签为手术风险二分类，0表示正常，1表示严重；具体步骤为，将血管灰度图输入到D-CNN组件并训练D-CNN分类器，接着提取训练好的D-CNN分类器的第一层全连接层参数作为该血管灰度图的特征向量；

所述RBFNN组件为有监督分类器，输入数据为D-CNN组件中提取的血管灰度图的特征向量，预测标签为手术风险二分类，0表示正常，1表示严重；具体步骤为，将血管灰度图的特征向量输入到RBFNN组件训练RBFNN分类器，最终RBFNN分类器的分类结果作为两阶段有监督卷积神经网络模型DCRBFNN的分类结果。