[0025] 下面结合附图和具体实施方式对本发明作进一步说明，但本发明并不限于以下具体实施例。
[0026] 如图1所示，光学相干层析图像视网膜病变智能检测系统，包含图像获取模块1、图像预处理模块2、视网膜病变分析模块3和病例报告输出模块4；图像获取模块1的输出端连接图像预处理模块2的输入端，图像预处理模块2的输出端连接视网膜病变分析模块3的输入端，视网膜病变分析模块3的输出端连接病例报告输出模块4的输入端。
[0027] 图像获取模块1用于获取检查者的视网膜OCT图像，并对图像进行数据标注，每张图像对应一个序号；图像预处理模块2对视网膜OCT图像进行预处理，用于提高视网膜OCT图像质量和增强病变区信号；视网膜病变分析模块3是对输入的视网膜图像进行识别和病变分类以及计算相关形态学参数，以提取病变图像的序号和病变信息；病例报告输出模块4根据视网膜病变分析模块3的分析结果形成辅助诊断结果，并让医生确认或修改以及输入医嘱，从而形成诊断报告。
[0028] 图像预处理模块2的预处理包含图像去噪和增强，以提高图像质量和识别度。
[0029] 视网膜病变分析模块3包含视网膜病变分类模块和视网膜信息量化模块，其中，视网膜病变分类模块是利用结合迁移学习策略的深度CNN(如AlexNet，VGGNet，GoogLeNet，ResNet等)结构实现视网膜病变的识别和分类，并通过提取病变图像的图像序列实现对病变图像的定位，视网膜信息量化模块对被视网膜图像进行分层，提取视网膜各层厚度、杯盘比等量化信息，并标记病变具体位置。
[0030] 病例报告输出模块4是用于生成诊断报告，包括病变信息输出模块和用户交互模块，其中病变信息输出模块是将视网膜病变分类模块和视网膜信息量化模块得到的结果转换成文字模式并配以相关病变图像进行输出，形成辅助诊断结果；所述的用户交互模块用于医生对计算机诊断结果的确认或修改以及对医嘱的输入
[0031] 利用上述系统的光学相干层析图像视网膜病变智能检测方法，包括如下步骤：
[0032] 步骤1：图像获取模块获取患者的视网膜OCT数据，并通过相应的处理转换成OCT图像，对得到的OCT图像进行数据标注，每张图像对应一个序号；
[0033] 步骤2：图像获取模块1将得到的视网膜OCT图像输入到图像预处理模块2进行预处理，实现图像去噪和增强；
[0034] 步骤3：图像预处理模块2将预处理后的视网膜OCT图像输入到视网膜病变分析模块3的深度CNN结构中得到不同病变和正常图像的特征值，从而进行病变的识别和分类，利用识别得到病变图像的图像序号，实现对病变位置的定位，正常和每种病变各自对应一个特征值；
[0035] 步骤4：视网膜病变分析模块3的视网膜信息量化模块对OCT图像中的视网膜进行分层，利用分层信息，计算视网膜厚度和杯盘比等，并对视网膜病变分类模块得到的病变图像进行标记，提取病变区域信息；
[0036] 步骤5：病例报告输出模块4将视网膜病变分析模块3得到的病变图像序列和病变区域信息转换成文字信息并配以相应OCT图像，形成计算机辅助诊断报告，供医生进一步分析病情；其中的用户交互模块用于实现医生对辅助诊断结果的确认或修改以及医嘱的输入。
[0037] 步骤2中，图像去噪使用高斯模糊、中值滤波和均值滤波，并引入各向异性扩散滤波算法实现图像去噪和增强，并基于gamma(伽马)曲线实现对图像对比度和亮度的调整。
[0038] 如图2所示，步骤3中，视网膜病变分析模块3包含视网膜病变分类模块和视网膜信息量化模块；其中，视网膜病变分类模块包含数据扩增模块、模型训练模块和模型测试模块；数据扩增模块是指基于数据增强技术实现对OCT图像数据的拓展，数据增强技术采用翻转、加噪、模糊、变形或亮度调节等基本图形处理操作的一种或几种组合；模型训练模块是结合迁移学习策略，利用深度CNN(如AlexNet，VGGNet，GoogLeNet，ResNet等)结构实现视网膜病变(黄斑病变、视乳头病变、玻璃膜疣、浆液性/出血性视网膜病变、视网膜劈裂、视网膜脱离、玻璃体黄斑牵引、脉络膜新生血管等)的识别和分类。
[0039] 与使用随机初始化的CNN结构相比，结合迁移学习策略的方法既可以加快网络训练速度，也可以减轻由于训练数据量过小而产生的过拟合现象，更适合小规模医学图像的识别模型构建。本实例采用AlexNet作为与迁移学习策略结合的CNN网络。图3是视网膜病变分析模块所用的迁移学习过程。迁移学习网络是以ImageNet数据集上训练好的AlexNet模型(预训练网络)为基础网络，保持卷积层参数不变，调整全连接层参数，利用预训练模型权重(迁移参数)对目标网络进行初始化，再用目标网络数据集(分为训练集和验证集)对该目标网络进行微调，采用随机梯度下降法减小实际与期望值之间的差异，并利用反向传播计算梯度系数，最后得到适用于目标网络的深度学习模型。与其他模型相比，AlexNet利用ReLU作为激活函数，并利用dropout防止过拟合。
[0040] 图4是AlexNet模型的结构图，其包含8个学习层，其中前五个为卷积层，第一、二、五卷积层后跟随池化层，后三个为全连接层，最后一层全连接层后跟随一个Softmax分类层，Softmax分类层用于实现对不同病变的分类，每个学习层均包含ReLU。如图3所示，首先在ImageNet数据集上预训练AlexNet得到基础网络，然后保持卷积层参数不变，调整全连接层的参数，然后根据目标数据集，微调目标网络；具体而言，训练时随机初始化全连接层的权重并将预训练AlexNet模型的权重作为其它学习层的初始权重，随机初始化的学习层设置为0.01，所有迁移参数的学习层学习率设为0.001，模型采用“step”学习策略，学习率衰减步长(stepsize)可设置为2000，最大迭代次数为10000，梯度更新权重(momentum)为0.9，权重衰减(weight decay)为0.0005。
[0041] 模型测试模块是利用模型训练模块得到的模型对输入图像进行测试；模型对病变的检测性能分析采用敏感性、特异性、漏检率、误检率和准确性为评价标准，其中，敏感性表征模型识别病变图像的能力，特异性表征模型识别正常图像的能力，准确性表征模型识别图像的能力，是对模型性能的整体评价，具体计算公式如下：
[0042]
[0043]
[0044]
[0045]
[0046]
[0047] 步骤4中，视网膜病变分析模块3中的视网膜信息量化模块是利用图像分割技术提取视网膜各层厚度、杯盘比等量化信息，以及对被标记为病变图像的进行病灶标记；其中，利用异向滤波平滑、样条插值、峰值探测、贪婪算法和Snake模型等综合技术，对OCT图像中的视网膜各层进行分割，自动提取层状结构轮廓并获取视网膜厚度分布图；结合方向梯度直方图特征和极限学习机，通过视网膜色素上皮层断点评估杯盘比。
[0048] 步骤5中，病例报告输出模块包含信息输出模块和用户交互模块，信息输出模块是利用病变图像的图像序列和特征值进行定位及病变分类，并将得到的病变信息转换成文字信息(病灶类型、视网膜厚度、杯盘比等)同时配以相应的图像，形成诊断报告分析病情；用户交互模块是让医生确认或修改病变信息并输入医嘱等，进而形成一份完整的诊断报告，供医生进一步分析。
[0049] 上述具体实例方式用来解释本发明，而不是对本发明进行限制。在本发明的精神和权力要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
