[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

说明书

本发明公开了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，为了解决实际视网膜图像不清晰以及曝光不一致等问题，首先对视网膜图像进行对比度增强和血管提取的预处理；利用提取后的血管图进行随机旋转、平移等数据增强来增加数据的训练量从而提高模型的泛化能力；设计了一种两阶段有监督卷积神经网络模型用于血管图的分类任务，不仅可以学习视网膜图像的特征，而且考虑了视网膜图像之间的相关性；采用局部化泛化误差来选择合适的隐藏层节点数，提高模型的泛化能力；另外，模型还具有生成像素级细粒度pixel‑level的显著热度图的能力，具有良好的可解释性。

技术领域

本发明涉及图像处理、图像分析技术领域，具体而言，尤其涉及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。

背景技术

患有复杂心血管疾病的人数逐年增加。复杂冠心病患者手术指标的评估对于选择合适的手术方式至关重要，但在术前评估手术风险和预后方面仍缺乏一种准确和可解 释的方法。复杂冠心病患者视网膜图像中的血管模式可以反映心血管的严重程度，因 此视网膜图像可用于预测心血管手术指标的风险分类。由于患者可用的视网膜图像数 据有限，以及实际视网膜图像成像质量差造成的干扰，从视网膜图像进行手术指标风 险分类具有挑战性。因此，本文提出了一种基于深度学习的手术指标风险分类器 (DLPPC)方法，能根据复杂冠心病患者的视网膜图像中预估手术指标风险，并且提供可 视化重点特征区域来给临床医生术前参考。

近年来，在视网膜图像分析方面有大量研究，包括白内障分级、糖尿病视网膜病变诊断、青光眼早期检测、视网膜病变分级等。这些方法基于清晰的诊断特征和良好 的准确性，更适合作为自动化系统来减少临床医生的工作量。然而，很少有研究探索 将重要的临床参数与视网膜图像联系起来的潜在用途，目前对复杂冠心病患者的手术 指标风险评估仍主要基于当地医疗团队积累的经验和主观判断。利用视网膜图像进行 手术指标风险分类面临一定的挑战。首先，患有复杂的冠心病患者拍摄视网膜图像的 人数很少。其次，相对较新的ROP筛选技术也限制了潜在参与者的数量。第三，视网 膜图像是由手持和接触视网膜摄像机拍摄的，因此视网膜图像的特征会由于光线曝光、 对比度、传感器灵敏度和照度等因素而受到干扰。由于光线不均匀、图像模糊和对比 度低，劣质视网膜图像极大地降低了可用性。第四，大多数基于深度学习的分类模型 对临床医生没有可解释的反馈机制。

而本文提出一种基于视网膜图像来分类心血管疾病的手术指标风险的新方法及系 统。现阶段的图像分类主流方法基本存在较大的人工标注的工作量、一定规模的数据量要求以及明确的病理特征等局限性，本文的方法针能一定程度上改善上述问题带来 对性能的影响，同时具有一定的可解释性，对临床医生有一定数据参考价值。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了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，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。

更进一步地，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；