基于机器学习的眼底图像检测方法

基于机器学习的眼底图像检测方法

邵明硕,杨宇,刘同涌,刘阔,王震昭,张文华

（山东协和学院计算机学院 山东 济南 250000）

摘要：本文提出了一种基于机器学习的眼底图像检测方法、装置及系统，其中主要包括：获取待检测的眼底图像；对所述眼底图像整体区域进行第一特征集检测；对所述眼底图像中特定区域进行第二特征集检测，所述第一特征中的特征的显著度大于第二特征集中的特征的显著度；基于机器学习对检测的结论进行判定得到最终检测结果。每种类型的特征分开检测，互不影响，可以较为精确的判断每个特征的类别，同时进行多种类别多种显著度的特征的检测，可以高效精确的对眼底图像进行检测。

关键词：机器学习 眼底图像 慢性病

1引言

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。例如，在眼底图像检测方面，深度学习技术可以较为准确的检测出眼底图像某一特征，如利用大量黄斑裂孔这一特征的样本对深度学习模型进行训练，利用训练后的模型对眼底图像进行黄斑裂孔检测。这些技术往往只局限于单一特征或者少量关联特征的检测，对其他特征不能准确的检测。然而，由于眼睛是人体中一个非常精细且复杂的器官，其包含的特征种类繁多，并且各个特征之间的差别往往也比较大。因此，采用现有的检测技术往往会导致检测结果难以收敛，致使检测结果不够准确。如果将每一个特征均训练一个模型分别进行检测，不仅所需的样本数量巨大，在特征数量较大的情况下，导致计算量急剧提升，进而导致检测效率下降。因此如何快速准确的对眼底图像进行检测成为亟待解决的技术问题。

2 眼底图像检测方法

2.1 眼底图像整体区域进行第一特征集检测

第一特征集中的子特征可以为特征显著度大于预设显著度阈值的子特征。显著度可以为通过颜色色差，对比度和灰度或者所占区域的大小等进行权衡。例如在眼底图像整体区域中存在与正常眼底颜色差别较大的区域，并且该区域所占的比例大于某一预设值，可以将该区域作为第一特征集中的子特征。例如，可以将眼底较大面积或较为明显的异常组织或结构，眼底较大的斑点等特征作为第一特征集中的子特征。同时，第一特征可以为多特征集，如豹纹、白斑、激光斑以及大面积出血等特征的集合作为第一特征。通过机器学习的方法可以通过大量具有第一特征集中的子特征的眼底图像样本对模型进行训练来进行第一特征集检测，将待检测的眼底照片输入训练好的第一特征集的检测模型中，对待检测的图像进行第一特征集检测。

检测模型输出的检测结论双标签结论，即检测可以输出两个结论，例如无第一特征集中的子特征和包括第一特征集中的子特征这两个结论。为提高检测的精度，检测模型输出的检测结论还可以为多标签结论，即检测结论可以输出多个结论，例如，可以将检测到的每一个第一特征集中的子特征和没有检测到第一特征集中的子特征分别作为检测结论。

2.2 眼底图像中特定区域进行第二特征集检测

第一特征集的显著度大于第二特征集的显著度，第二特征集可以为眼底图像中细节子特征，为方便理解，可以以第二特征集的颜色色差、对比度、灰度或区域面积小于第一特征颜色色差、对比度、灰度或区域面积为例对第一特征的显著度大于第二特征的显著度进行说明。第二特征还可以为属于特定区域中的特征。特定区域可以以视盘区域、黄斑区域以及血管区域和视网膜区域中的至少之一进行示例性说明。例如，特定区域为视盘区域，第二特征可以以视盘形状部分异常，视盘颜色部分异常、视神经异常中的至少之一的子特征为例进行示例性说明。

第二特征集也可以包括眼底中其他细节的特征，例如血管纹路等。特定区域也可以包括其他特定区域，例如认为规定的一个区域或多个区域。对第二特征集的检测也可以通过机器学习的方法进行检测。可以对多个特定区域的第二特征集进行并行检测，每个特定区域的检测结果可以独立输出，为减小计算量，可以将检测结论设置为存在第二特征集中的子特征和不存在第二特征集中的子特征的双标签结果。

2.3 进行判定得到最终检测结果

在具体的检测中，可以根据第一特征集的检测结论和第二特征集的检测结论进行判决得到最终检测结果检测的结论可以为双标签结论，即包含被检测的特征和不包含被检测的特征。如果只检测到其中一个特征集，则检测结果可以包括检测到的该特征集。检测的结论可以为多标签结论，即包含了第一特征集或第二特征集中的至少一个子特征和均没有检测到第一特征集和第二特征集中的子特征的结论。在检测到多标签结论中的任意一个或任意多个结论时，输出的检测结果可以为多标签结论中的任意一个或任意多个结论。

可以将大量的第一特征集和第二特征集的所有的子特征作为训练样本对机器学习模型进行训练，得到训练好的判决模型，将上述检测的结论包括第一特征集的检测结论和第二特征集的检测结论均输入判决模型中，输出判决结果。

3 眼底图像检测装置

检测装置包括：获取模块，用于获取待检测的眼底图像；第一检测模块，用于对眼底图像整体区域进行第一特征集检测；第二检测模块，用于对眼底图像中特定区域进行第二特征集检测；决策模块，用于基于机器学习对检测的结论进行判定得到最终检测结果。特定区域包括：视盘区域、黄斑区域、血管区域和视网膜区域中的至少之一。眼底图像检测装置还包括第三检测模块，用于对眼底图像进行质量检测，以筛选眼底图像，其中检测单元用于对眼底图像进行污点/亮斑检测、曝光度检测、清晰度检测、漏光检测、局部阴影检测中的任意一种或任意组合。还包括第四检测模块，将对眼底图像整体区域进行第三特征集检测，第三特征集包括至少一种第三类子特征，第三特征集的显著度小于第二特征集的显著度。

决策模块包括：获取单元，用于获取判决机器学习模型，判决机器学习模型通过第一特征集、第二特征集和第三特征集中的子特征训练得到；决策单元，用于将对第一特征集、第二特征集和第三特征集检测的结论输入判决机器学习模型，得到最终检测结果。通过机器学习对第一特征、第二特征或眼底图像的质量中的至少之一进行检测。电子设备可以为服务器，可以为终端，包括控制器，控制器包括一个或多个处理器以及存储器，用户终端还可以包括：输入装置和输出装置。处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接。

4结语

图像采集装置可以为各个医院的眼底拍照设备，也可以为个人用户的眼底拍照设备。眼底检测系统还可以包括云端服务器，云端服务器中设置有用于执行上述眼底图像检测方法的电子设备，与图形采集装置通信，具体的可以采用无线通信的形式，也可以采用有线通信的形式，图像采集装置采集的眼底图像上传到云端服务器内，通过电子设备执行眼底图像检测方法得到检测结果，可以通过输出装置输出检测结果，输出装置可以为显示设备，也可以为打印设备，以报告的形式打印出来，还可以为用户的终端设备，例如手机、平板或个人电脑。

参考文献：

[1]乔志强.基于深度学习的糖尿病眼底图像自动分类技术研究[D].北京邮电大学,2019.

[2]彭志浩.基于深度学习的眼底图像目标检测方法研究[D].广东工业大学,2021.DOI:10.27029/d.cnki.ggdgu.2021.000352.

[3]李佳丽.基于深度学习的视网膜眼底疾病的分类研究[D].南昌大学,2020.DOI:10.27232/d.cnki.gnchu.2020.001956.

作者简介：邵明硕 (2002.11-)，女，山东枣庄，计算机科学与技术2020级

指导老师：张文华（1989.08-），山东济南，女，讲师，研究方向：信息科学

项目基金：山东省大学生科学研究项目，项目名称：基于机器视觉的智能路损检测系统，项目编号：21SSR048