[发明专利]视网膜异常分析方法及设备

说明书

本发明提供一种视网膜异常分析方法及设备，所述方法包括：利用特征提取模块分别对至少一张眼底图像进行特征提取；通过区域检测模块对提取的特征进行识别，所述区域检测模块包括类别分支和回归分支，所述类别分支用于根据所述特征得到区域类别信息，所述回归分支用于根据所述特征得到区域位置信息；通过整体异常检测模块对所述特征进行识别，得到整体异常类别信息；对所述区域类别信息对应的区域进行分割，得到区域面积信息；对所述至少一张眼底图像对应的区域类别信息、区域面积信息、区域位置信息和整体异常类别信息进行统计分析，得到异常相关性数据，用于体现各种整体异常类别与各种区域类别及其区域面积信息、区域位置信息的对应关系。

技术领域

本发明涉及医学数据分析领域，具体涉及一种视网膜异常分析方法及设备。

背景技术

人体的很多疾病如黄斑变性、视网膜肿瘤、糖尿病性视网膜病变、动脉硬化等会波及眼睛，引起视网膜的变化。眼底图因其拍摄方便、无创性等特点，可以用来检测眼底异常改变，并监测疾病的进程。

近年来，机器学习在医学领域得到了广泛的应用，尤其以深度学习为代表的机器学习技术在医疗影像领域被广泛关注。在眼底图像检测方面，深度学习技术已经被用于青光眼、糖尿病视网膜病变、年龄相关性黄斑变性等眼底疾病的检测，并取得了良好效果。但是，在实际医学应用场景中，青光眼诊断所依赖的杯盘比、糖尿病的诊断依据出血、渗出、视网膜新生血管、年龄相关性黄斑变性诊断所依赖的玻璃膜疣、地图状萎缩、脉络膜新生血管等视网膜病灶，不仅其出现与疾病诊断密切相关，而且其出现的位置、数量也会影响到眼底疾病的危重程度及医生的诊断方案。

现有技术已经能够实现利用深度学习的技术对多种视网膜病灶进行检测和分类，但现有的检测结果难以体现疾病或异常的严重程度。

发明内容

有鉴于此，本发明提供一种视网膜异常分析方法，包括：

利用特征提取模块分别对至少一张眼底图像进行特征提取；

通过区域检测模块对提取的特征进行识别，所述区域检测模块包括类别分支和回归分支，所述类别分支用于根据所述特征得到区域类别信息，所述回归分支用于根据所述特征得到区域位置信息；

通过整体异常检测模块对所述特征进行识别，得到整体异常类别信息；

对所述区域类别信息对应的区域进行分割，得到区域面积信息；

对所述至少一张眼底图像对应的区域类别信息、区域面积信息、区域位置信息和整体异常类别信息进行统计分析，得到异常相关性数据，用于体现各种整体异常类别与各种区域类别及其区域面积信息、区域位置信息的对应关系。

可选地，对多张眼底图像对应的区域类别信息、区域面积信息、区域位置信息和整体异常类别信息进行统计分析的步骤具体包括：

根据所述区域类别信息分别确定各个眼底图像中各类区域的数量；

针对各种整体异常类别所对应的各类区域的数量进行统计，得到平均区域数量。

可选地，对多张眼底图像对应的区域类别信息、区域面积信息、区域位置信息和整体异常类别信息进行统计分析的步骤具体包括：

针对各种整体异常类别所对应的各类区域的区域面积信息进行统计，得到平均区域面积信息和/或最大区域面积信息。

可选地，属于异常类的区域面积信息为区域内异常的分割区域像素面积和视盘面积的比值。

可选地，对多张眼底图像对应的区域类别信息、区域面积信息、区域位置信息和整体异常类别信息进行统计分析的步骤具体包括：

分别计算各种整体异常类别所对应的各类区域与黄斑和/或视盘区域的距离，以确定其中的最短距离。