一种基于深度学习的青光眼视野数据区域提取方法

摘要

本发明公开了一种基于深度学习的青光眼视野数据区域提取方法。进行青光眼视野采集获得视野图，根据视野图获得总体偏差值的一维数组，将一维数组经过处理后转化为带灰度的像素数组；对像素数组进行排列与图像的填充，转化为易识别的灰度图像，还原视野分布特征；将灰度图像输入到已经预先建立训练后的卷积神经网络中进行处理，提取获得青光眼视野的有效数据区域。本发明有效利用了视野图中的数据，转化为了更加直观、包含有真实视野信息而又强化了区域特征的图像，能在多种场景中加以利用，为青光眼进一步的观察提供便利。

说明书

技术领域

本发明涉及了一种眼科图像数据处理的方法，特别是涉及一种基于深度学习的青光眼视野数据区域提取方法。

背景技术

青光眼(glaucoma)是一类以病理性眼压升高为特点，威胁和损害视神经及其视觉通路，从而导致特征性视功能损伤的眼病。世界卫生组织表明，青光眼是全世界致盲的第二主要原因。青光眼也是一类心身疾病，青光眼患者的生活质量降低、日常功能(比如驾驶)受限。青光眼虽然无法治愈，但必要的治疗手段可以延缓疾病的进展，阻止其导致失明等严重的结局。而青光眼的治疗方式复杂，根据青光眼的类型和严重程度，通常需要选择不同的治疗方案。

青光眼的诊断和评价中，视野图是一项评判视功能损伤的非常重要的指标。任何视路相关的疾病都会伴随视功能的丢失，视野检查得到的视野数据图可以及时发现异常结果和与之相关的病理改变。然而现有技术中，针对视野数据的处理的方法较少。

目前，计算机技术的不断革新让人工智能走进了人们的视野。随着人工智能在医疗技术领域的发展，人工智能也越来越多地参与到辅助诊断与疾病分级中。现有的青光眼相关的人工智能技术中，普遍利用眼底照片输入深度学习网络进行辅助诊断或分级青光眼。然而，青光眼是一类综合性疾病，视野图像也应该作为疾病进展情况的考量标准，才能全方位对青光眼的严重程度进行评估。

发明内容

针对背景技术的缺陷和不足，本发明提供一种基于深度学习的青光眼视野数据区域提取方法，能够提取得到包含视野真实信息且强化视野特征的图像。

具体的，本发明采用的技术方案如下：

S1、进行青光眼视野采集获得视野图，根据视野图获得总体偏差值的一维数组，将一维数组经过处理后转化为带灰度的像素数组；

本发明针对的视野图是已知青光眼下的图像采集，并非是诊断处理。

S2、对像素数组进行排列与图像的填充，转化为易识别的灰度图像，还原视野分布特征；

S3、将灰度图像输入到已经预先建立训练后的卷积神经网络中进行处理，提取获得青光眼视野的有效数据区域。

所述的总体偏差值的一维数组，是指由通过汉佛莱Humphrey视野计得到的总体偏差图(Total deviation)中的各个具体数值组成一个数组，或者由通过Octopus视野计得到的比较图(Comparison)中的各个具体数值组成一个数组。

所述获取视野图中的总体偏差值，包括使用光学OCR技术对所述视野图中的对应图像中的具体数值进行获取。

所述S1中，将一维数组经过处理后转化为带灰度的像素数组，包括：

对一维数组中的各个数值进行统一化处理，绝对值处理后改为全部正值或者绝对值处理后赋值为负改为全部负值；根据预设的最小正常偏差值对统一化后的各个数值先进行阈值化处理，将位于最小正常偏差值分界以内的各个数值均赋值为最小正常偏差值；若为全部正值，则将小于最小正常偏差值的各个数值均赋值为最小正常偏差值；若为全部负值，则将大于最小正常偏差值的各个数值均赋值为最小正常偏差值。然后根据预设的最小正常偏差值和最大偏差值，将阈值化后的各个数值线性映射到[0，255]的8位灰度上，将各自数值对应的标准灰度组成带灰度的像素数组z

最大偏差值，即当视野对光敏感度为0时，或者说该点状区域失明状态下，所对应的偏差值；最小正常偏差值，即当视野偏差值小于此值(正值)时，认为其视野正常无任何缺损。

所述S2，具体为：构建一张空白的方形图片，方形图片中建立内切圆，内切圆表示视野计的圆形视野，内切圆之外的方形图片其他区域的像素点灰度均置为零，将带灰度的像素数组中的各个数值赋值到内切圆中与各自对应到原有视野图中的相同位置的像素点的灰度值上，并且对于内切圆内、在原有视野图中不存在具有数值的像素点，将该像素点赋值为内切圆内与原有视野图相同位置距离最近的像素点的值Zk，而对于距离两个原有像素点距离相等的点，取点编号比较小的那个(就是比如到Zk和Zk+1距离相同，就取Zk的值)，原有视野图中的生理盲点位置对应在内切圆的相同位置处的像素点的灰度值赋值为零，即为黑色，最终以方形图片作为灰度图像。

不同视野计获得的视野图中的像素点排列方式不同，按照像素点原有位置在所述方形图片的内切圆内进行排列并填充赋值。

所述S3中的卷积神经网络包含有残差基础块，在每一个残差基础块中加入了批次归一化层(Batch Normalization)处理，并将最后的全连接层输出的1000个节点改成了5个节点。将前面处理好的灰度图像输入卷积神经网络进行训练，使得深度学习网络的输出值与标注的区域一致，从而达到区域提取的目的。

由此，本发明通过对视野采集的结果进行了特殊处理，获得了准确有效的灰度图像特征图，进而输入卷积神经网络进行处理判断获得了提取识别的结果。

所述的卷积神经网络主要由输入层、输入卷积层、最大池化层、残差基础块×16、平均池化层、全连接层依次连接构成；所述的残差基础块主要由第一批次整流模块、第一卷积层、第一丢弃层、第二批次整流模块、第二卷积层依次连接构成，批次整流模块是由批次归一化处理和线性整流函数依次构成；第二卷积层的输出和残差基础块的输入共同经加合层叠加后输出作为残差基础块的输出，或者是残差基础块的输入经第三卷积层后再与第二卷积层的输出共同经加合层叠加后输出作为残差基础块的输出。

最后的平均池化层是对16个残差基础块输出的图进行平均，从而提取关键特征并对数据降维处理。全连接层起到一个分类器的作用，将平均池化层输出的特征映射到样本空间中。

运用上述技术方案，本发明方法，通过从视野图中获取总体偏差值，处理转化为带灰度的像素点；同时采用特定的方法进行排列与数据填充，生成还原视野分布特征并强化特征的图像；再将对该图像根据深度学习网络处理输出区域特征提取结果。

本发明有效利用了视野图中的数据，针对包含有视野信息的数据进行预处理，通过泰森多边形法的方法对像素点进行排列与数据的扩充，使其转化为更加直观、包含有真实视野信息而又强化区域特征的图像，并将其输入卷积神经网络，输出其视野分布区域特征，能在多种场景加以利用，为青光眼进一步观察提供便利。

本发明与现有技术相比：

本发明有效利用了视野图中的数据，转化为了更加直观、包含有真实视野信息而又强化了区域特征的图像，有利于人工智能进行识别。

本发明提出的视野数据处理的方法，能够通用于两种不同设备得到的不同形式的视野图像，得到包含有更容易分辨的青光眼特征的灰度图像，可以在多种场景中加以利用，为青光眼进一步的观察提供便利。

附图说明

图1是本发明方法的总体流程图；

图2是本发明方法中排列与数据填充的流程示意图。

图3为本发明实施例中卷积神经网络的残差基础块结构示意图，其中(a)为当残差基础块通道数目前后一致时；(b)为当残差基础块中输入和输出的通道数目不同时。

具体实施方式

为了更清晰地说明本发明实现的技术手段和最终效益，以下结合实施例和附图对本发明所述青光眼视野数据的处理和基于深度学习的分级方法作具体阐述。

应特别注意到，所描述的实施例仅为本发明的一部分实施例，并非全部的实施例。本领域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的实施例及其具体实施过程如下：

步骤1：采集来自于美国哈佛公知数据库的13231个视野数据，视野数据为一维数组格式，来自7300位病人，在2006年10月到2012年4月进行测量。已去除掉视野报告中假阴性率高于20％和固视丢失率大于33％的病例，并且仅留下每只眼睛最近一次的视野数据情况。该数据使用3台Humphrey视野分析仪(HFA-II，Carl Zeiss Meditec AG，Jena，Germany)进行采集，使用协议为瑞典交互式阈值算法标准24-2。所有视野数据信息都被转化为“右眼模式”，即将左眼的数据沿垂直中心轴进行水平翻转，所采集的数据为视野图的总体偏差图中的具体数值，由54个值域为[-38，38]的数组成，用向量x＝[x

步骤2：得到该向量x后，对该向量x进行如下预处理步骤：

步骤2-1：在本实施例中，最小正常偏差值为-4dB，为负值，因此将大于的值全部转化为最小正常偏差值，即先对x进行阈值化处理：y＝min(x，-4)，得到对应向量y；

步骤2-2：将视野计预设最大偏差值(负值，本实施例中为-38dB)，与最小正常偏差值，即分贝值[-38，-4]线性映射到[0，255]的8位灰度上，得到每个分贝值相应的标准灰度；

本实例的步骤2-1与步骤2-2中的最小正常偏差值与视野计预设最大偏差值的具体数值，均通过查阅文献或参考具体视野计的机器参数得到。

步骤2-3：将向量y中的每个分贝值与相关的标准灰度一一对应，得到所述带灰度的像素数组，即数值向量z＝(y+38)/(-4+38)*255。

步骤3：对所得到的带灰度的像素点使用泰森多边形的方法进行排列和对图像剩余部分进行填充，得到包含真实视野信息又强化区域特征的图像。

图2为本发明方法中泰森多边形法的流程示意图，其中图2为本实例中所述步骤3的具体流程示意图，具体步骤如下：

步骤3-1：构建一张224*224大小的空白的方形图片，图片的内切圆表示视野计的圆形视野，内切圆之外的灰度都置为零。

步骤3-2：不。将带灰度的像素数组中的各个数值赋值到内切圆中与各自对应到原有视野图中的相同位置的像素点的灰度值上。

步骤3-3：对于所述方形图片内切圆内的其他任意在原视野测量中未测量到的，即视野报告中不存在的，坐标为(i，j)的像素，其灰度值g(i，j)取决于距离它最近的像素点z

步骤4：对得到的视野灰度图像以图像区域样式不同进行人工划分。将其中无法进行识别提取的图片删去，剩下12401张。

步骤5：根据人工划分的区域样式类别作为标注与处理后的视野灰度图像一起输入卷积神经网络进行训练，使得输出满足期待的标注结果。所述卷积神经网络包含多层神经网络结构。

所述的卷积神经网络主要由输入层、输入卷积层、最大池化层、残差基础块×16、平均池化层、全连接层依次连接构成。

残差基础块的具体结构如图3所示，残差基础块分成两种类型。

在残差基础块中输入的通道数和输出的通道数相同一致情况下，残差基础块结构如图3(a)所示。输入层经过批次归一化和线性整流函数，然后用3×3大小的卷积核以步长为1进行卷积，通道数目C不变，然后经过一个抛弃层，再重复上面的批次归一化、线性整流和卷积的步骤，最后叠加原始的输入作为输出结果。

当残差基础块中输入的通道数和输出的通道数不同时，残差基础块结构如图3(b)所示，输入先经过批次归一化和线性整流函数，然后用3×3的卷积核以步长为2进行卷积，同时将通道数目加倍，然后经过一个抛弃层，再经过批次归一化、线性整流函数、卷积，这里的卷积步长为1，通道数目保持不变，同时对原始输入进行3×3卷积核的卷积，步长为2，通道数加倍，两个结果叠加之后作为输出结果。

步骤6：图像输入训练后的卷积神经网络得到输出值，通过该输出值对青光眼视野图像区域模式进行判别。

本方法通过对青光眼视野数据进行处理后，得到包含真实视野信息并强化特征的图像。该图像有利于判别视野的区域特征，并且由深度学习网络加以利用，从而提取输出青光眼视野的区域模式。该输出结果可用于视野结果分析与青光眼视野缺损严重程度的评估。

本方法在实施例中使用12401幅由眼科医生标注好的视野图像进行训练，深度学习网络输出分类的准确率为88％，多标签模型评价指标F1-score中Macro F1为0.793，Micro F1为0.879。采用本方法建立的青光眼视野数据处理与深度学习区域模式提取分类系统，可以有效应用于数据处理或临床评估等领域。