申请/专利权人：东北林业大学

申请日：2023-06-12

公开（公告）日：2024-04-26

公开（公告）号：CN116721760B

主分类号：G16H50/20

分类号：G16H50/20;G06T7/00;G06T7/10;G06V10/26;G06V10/764;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2023.10.17#实质审查的生效;2023.09.08#公开

摘要：融合生物标志物的多任务糖尿病性视网膜病变检测算法，本发明涉及糖尿病性视网膜病变Diabeticretinopathy,DR自动诊断技术中，早期DR1到2级特征不明显导致的漏诊问题。DR是一种常见的糖尿病并发症，是劳动人口致盲的主要因素，对我国糖尿病人群产生了极大的影响。临床经验表明，及时的诊断与治疗可以极大地降低DR致盲的风险，因此对糖尿病患者定期进行DR筛查具有十分重要的现实意义。但由于我国医疗资源分布不均衡，因此使用计算机辅助诊断技术进行DR筛查是十分有效的解决方案。尽管当前基于深度学习的DR自动诊断技术取得了一定的进展，但早期DR1‑2级表现不明显，模型极易漏诊。为了解决这一问题，本文提出融合生物标志物的多任务糖尿病性视网膜病变检测算法。实验表明，该方法优势如下：1通过计算生物标志物捕获早期DR眼底血管形态的变化，提高DR早期诊断精度2利用投票机制对不同任务设计不同的特征权重，提高多任务模型的性能。本发明应用于DR检测。

主权项：1.融合生物标志物的多任务糖尿病性视网膜病变检测方法，其特征在于，包括如下步骤：S1、利用眼底血管语义分割数据集训练眼底血管语义分割模型，利用眼底血管语义分割模型从视网膜眼底图像提取眼底血管，根据提取的眼底血管计算生物标志物；S11、构建眼底血管语义分割模型，利用眼底血管语义分割数据集对其进行训练；S12、利用眼底血管语义分割模型提取眼底血管，并对提取的血管进行骨骼化处理；S13、利用视盘确定生物标志物计算的有效区域；S14、采用盒计数法计算骨骼化血管的分形维数：利用不同大小的滑动窗口对骨骼化的血管进行覆盖，记录盒子的大小以及包含血管的盒子数量；对盒子大小与盒子数量分别取对数，利用最小二乘法拟合散点得到直线，直线的斜率为分形维数，最小二乘法拟合直线公式如下： 其中m为血管的像素点数，与分别为血管横坐标与纵坐标的平均值，xi与yi分别表示第i个像素点的横坐标与纵坐标；S15、搜索所有的分叉点，计算血管分叉处的分支系数：利用8邻域搜索法确定所有的交叉点；对骨骼化血管上的每个点，沿垂直于骨骼化血管方向计算长度作为该点的直径，对血管中的每个点的直径求平均作为该血管的直径；在分叉点处使用如下公式得到分支系数： 其中d1、d2分别表示两根子血管的直径，d0表示母血管的直径；S16、沿血管方向对血管的曲率进行积分，随后使用血管长度归一化得到血管弯曲度：使用三次样条插值法，拟合骨骼化的血管得到其方程C＝xt,yt，其中x与y分别为血管方程的横坐标与纵坐标，t表示横坐标与纵坐标的索引值；利用所得曲线方程，按照如下公式求得其曲率kt和长度L'： 其中kt为曲线曲率，L'为曲线长度，x't、y't分别x、y相对于t的表示一阶导数，x”t、y”t分别表示x、y相对于t的二阶导数，t0、t1分别表示曲线的起点与终点；利用所得曲率，按如下公式进行积分，得到曲率平方积分： 其中tsc为曲线曲率平方积分，kt为曲线曲率，t0、t1分别表示曲线的起点与终点；曲率平方积分除以曲线长度进行归一化得到弯曲度，公式如下：tortuosity＝tscL'6其中tortuosity为血管弯曲度，tsc为曲率平方积分，L'为曲线长度；S17、计算每根血管的长度与直径，计算长度与直径的比值得到LDR：利用微元法计算每根血管的长度，利用S15所述方法计算血管直径；LDR为长度与直径的比值，公式如下：LDR＝LD7其中L表示血管的长度，D表示血管的直径；S18、分别找出6根最粗的动脉与静脉，利用公式迭代得出视网膜中央动脉当量CRAE与视网膜中央静脉当量CRVE，二者的比值为视网膜动静脉比值AVR：利用S15所述方法计算血管直径，并分别选择6条直径最大的动脉与静脉；选择最粗的动静脉通过公式迭代得出CRAE与CRVE，CRAE、CRVE迭代公式如下： 其中与分别为动静脉迭代的中间值，与分别表示组内最粗与最细的动脉直径，与分别表示组内最粗与最细的静脉直径；迭代过程为：选择最粗与最细的动脉静脉，利用公式8或9得到或随后将或入组并继续选择最粗与最细动脉静脉，利用公式8或9继续迭代直至得到CRAE与CRVE；AVR为CRAE与CRVE的比值，AVR计算公式如下：AVR＝CRAECRVE10；S2、以视网膜眼底图像为输入，以对应的生物标志物数值为标签对眼底血管生物标志物预测模型进行训练，获取其特征提取模块得到眼底血管生物标志物特征提取模型；S3、构建融合生物标志物的多任务糖尿病性视网膜病变检测模型，该模型包括特征提取模块、投票门控模块以及糖尿病性视网膜病变分割与分类任务头，利用投票门控模块将不同特征提取模型所得特征加权融合，分别输入到分割与分类任务头中得到糖尿病性视网膜病变等级与病变分割结果；S4、对融合生物标志物的多任务糖尿病性视网膜病变检测模型进行训练至收敛，并用于糖尿病性视网膜病变分类与分割。

全文数据：

权利要求：

百度查询： 东北林业大学 融合生物标志物的多任务糖尿病性视网膜病变检测算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD