一种超广角眼底图像分析方法及系统与流程

本发明公开一种眼底图像分析方法，特别是涉及一种基于深度学习模型的超广角眼底图像分析方法及系统，具体应用于眼底疾病的自动化辅助诊断，属于医学图像处理。

背景技术：

1、超广角眼底图像是眼科领域中重要的检查技术，主要用于检测和评估眼底（视网膜、视神经和脉络膜等结构）的健康状态。与传统的眼底图像技术（如常规眼底照相）相比，超广角眼底成像技术能够捕捉到更大范围的视网膜图像，从而提供更全面的眼底信息，尤其适用于检测糖尿病视网膜病变、视网膜周边疾病如周边变性、视网膜裂孔，高度近视眼底病变和周边渗出、出血等及血管性病变等等眼病。

2、超广角眼底成像的技术原理是通过特殊的成像设备采集视网膜的高分辨率图像，这些设备通常使用一种称为“激光扫描”或者“光学照相”的技术，并配合特定的镜头设计来捕捉视网膜的广泛区域。

3、现有技术中的超广角眼底图像技术能够提供一次成像100～200度甚至更多的视野范围的视网膜图像，远超传统眼底成像的45°~90°视野范围，相较于传统眼底图像能覆盖更广的区域，尤其是对眼底周边区域病变的发现具有重要意义。然而，超广角图像的区域划分及其不同区域病灶的自动分析仍然具有较大的技术挑战，由于眼球结构的复杂性，图像采集过程中可能出现部分区域的模糊或噪声，影响诊断的精度，尤其在患者瞳孔较小或眼底存在病变的情况下，可能影响成像质量，传统的分区和病灶分析方法往往依赖手工标注，效率较低且容易产生误差，以及由于医生水平参差不齐及主观判断发生漏诊或者误诊。

技术实现思路

1、针对上述提到的现有技术中的超广角眼底图像技术的分区和病灶分析方法依赖手工标注，效率较低且容易产生误差的缺点，本发明提供一种超广角眼底图像分析方法及系统，通过将超广角眼底图像分为黄斑区、后极区和周边区，并对每个区域的病灶进行自动识别，进而实现整图的多种眼底疾病包括视神经和青光眼的辅助分析诊断，以风险评估及定量参数呈现出来。

2、本发明解决其技术问题采用的技术方案是：一种超广角眼底图像分析方法，该方法包括下述步骤：

3、步骤s1、基础数据库的建立：成像设备采集视网膜的高分辨率超广角眼底图像建立基础数据库；

4、步骤s2、建模：采用深度学习模型，对步骤s1的基础数据库中的超广角眼底图像进行学习训练，生成模型权重，训练对象包括正常标准数据库以及各病灶病种数据库，建立人工智能初级模型；

5、步骤s3、超广角眼底图像分区：将步骤s1中成像设备采集视网膜的高分辨率超广角眼底图像按照视网膜的结构特征进行区域划分，其中，以黄斑中心凹为圆心，以视盘中心到黄斑中心凹的距离为一个单位dm，黄斑区为以黄斑中心凹为圆心半径为0.5dm的圆，后极区为以黄斑中心凹为圆心半径为1.5dm的圆，后极区以外的部分为周边区；视盘区进行单独划分，划分出视盘边界及视杯边界，以分割视盘及视杯，并对视盘和视杯做淡红、稍苍白及苍白的颜色辨别，并对视盘周围的视网膜神经纤维层及缺损进行训练学习；

6、步骤s4、区域辅助病灶检测：每个分割区域会分别进行辅助病灶检测，如：黄斑裂孔、黄斑水肿、黄斑前膜、视网膜周边变性、萎缩、渗出、视网膜出血、激光斑，以及视神经疾病；

7、步骤s5、整图病种辅助检测：在完成各分区病灶辅助检测后，进一步进行整图辅助分析眼底图像的疾病信息，辅助检测以下多种眼病，为医生提供辅助参考信息，评估相应疾病的风险概率，如：糖尿病视网膜病变、视网膜静脉阻塞、视网膜动脉阻塞、高度近视眼底病变、视网膜色素变性、湿性老年黄斑变性、高血压性视网膜病变、视网膜脱离、早产儿视网膜病变、视网膜裂孔、豹纹状眼底、纤维增殖、白内障及玻璃膜疣；

8、步骤s6、病灶辅助验证：将模型输出结果与图片标注进行计算，实现辅助验证；

9、步骤s7、整图病种辅助验证：对整图的多病种的辅助检测结果，通过模型的输出与医生的标注结果进行计算，为医生的诊断提供参考信息。

10、一种超广角眼底图像分析系统，该系统包括下述模块单元：

11、基础数据库的建立单元：用于通过成像设备采集视网膜的高分辨率超广角眼底图像建立基础数据库；

12、建模单元：采用深度学习模型，对基础数据库的建立单元的基础数据库中的超广角眼底图像进行学习训练，生成模型权重，训练对象包括正常标准数据库以及各病灶病种数据库，建立人工智能初级模型；

13、超广角眼底图像分区单元：用于将超广角眼底图像按照视网膜的结构特征进行区域划分，其中，以黄斑中心凹为圆心，以视盘中心到黄斑中心凹的距离为一个单位dm，黄斑区为以黄斑中心凹为圆心半径为0.5dm的圆，后极区为以黄斑中心凹为圆心半径为1.5dm的圆，后极区以外的部分为周边区；视盘区进行单独划分，划分出视盘边界及视杯边界，以分割视盘及视杯，并对视盘和视杯做淡红、稍苍白及苍白的颜色辨别，并对视盘周围的视网膜神经纤维层及缺损进行训练学习；

14、区域辅助病灶检测单元：用于将每个分割区域会分别进行辅助病灶检测，如：黄斑裂孔、黄斑水肿、黄斑前膜、视网膜周边变性、萎缩、渗出、视网膜出血、激光斑，以及视神经疾病；

15、整图病种辅助诊断检测单元：用于在完成各分区病灶辅助分析后，进一步进行整图辅助分析眼底图像的疾病信息在完成各分区病灶辅助检测后，进一步进行整图辅助分析眼底图像的疾病信息，辅助检测以下多种眼病，为医生提供辅助参考信息，评估相应疾病的风险概率，如：糖尿病视网膜病变、视网膜静脉阻塞、视网膜动脉阻塞、高度近视眼底病变、视网膜色素变性、湿性老年黄斑变性、高血压性视网膜病变、早产儿视网膜病变、视网膜脱离、视网膜裂孔、豹纹状眼底、纤维增殖、白内障及玻璃膜疣；

16、病灶辅助验证单元：用于与图片标注进行计算以对疾病进行辅助验证；

17、整图病种辅助验证单元：用于对整图的多病种的辅助检测结果，通过模型的输出与医生的标注结果进行计算。

18、本发明解决其技术问题采用的技术方案进一步还包括：

19、所述的步骤s1，基础数据库建立时包括如下子步骤：

20、步骤s1-1、图片质量筛选：在图片质量筛选过程中，使用人工标注的方式，评估采集到的超广角眼底图像的质量，然后，医生对筛选结果进行进一步审核，确保筛选标准的一致性，确保图片的质量；

21、步骤s1-2、标注：对步骤s1-1中筛选出来的合格图片进行各类病灶和病种标注。

22、所述的步骤s7中，整图病种辅助验证是，使用敏感性、特异性、准确率和auc评估模型的综合表现。

23、所述的基础数据库的建立单元包括如下子单元：

24、图片质量筛选子单元：用于在图片质量筛选过程中，通常使用人工标注的方式，评估采集到的超广角眼底图像的质量；

25、然后，医生对筛选结果进行进一步审核，确保筛选标准的一致性，确保图片的质量；

26、标注子单元：用于对图片质量筛选子单元中筛选出来的合格图片进行各类病灶和病种标注。

27、所述的整图病种辅助验证单元中使用敏感性、特异性、准确率和auc评估模型的综合表现进行评估验证。

28、本发明的有益效果是：本发明通过对超广角眼底图像的区域分区与病灶分析，实现了高效、准确的自动化眼底疾病分析评估，特别是在视网膜周边区域病变的检测中具有显著优势，该系统基于深度学习算法模型，能够应用于临床眼科疾病的筛查和辅助诊断。随着深度学习的快速发展，卷积神经网络（cnn）在图像分类领域取得了显著的成果，本发明基于深度学习模型对超广角眼底图像进行分区和整图的常见眼底病和病灶，以及视神经疾病包括青光眼的病灶分析评估，提供了一种自动化、精确的眼底图像辅助诊断方法。

29、下面将结合附图和具体实施方式对本发明做进一步说明。