眼底图像非结构化数据建模与分析方法

Fundus retinal images provide important evidences for the diagnosis of eye diseases and systemic diseases (such as diabetes, high blood pressure, etc.). The information we could clearly see from retinal images include the retinal anatomical structures (the retinal vessel network, the optic disk, the maculalutea) and their lesions, which can but be described by unstructured data. Diabetic retinopathy occurs common in patients suffering from diabetes, which has been the primary cause of blindness and visual loss for those aged above 20 years. There is widespread consensus that the most effective measure for preventing people with diabetes from visual loss is regular documented eye examination, that is, go to hospital and take fundus images, then ask an eye doctor to examine them. Since there are almost 1 billion patients with diabetes and relatively small number of eye doctors in China, it is very difficult to insure all of the patients undergo regular eye examination. In order to prevent the 1 billion patients with diabetes from visual loss, our research group aims to propose reliable and effective computer solution to eye examination by simulating the way eye doctors reading the fundus images of patients. Our research plans include that (1) study the feature description, expression and modeling for describing the unstructured data of retinal vessel network and lesions, (2)study the computational analysis methods combine with Big Data Deep Learning for retinal lesions detection, classification and quantification with color fundus images and Fluorescent angiography images.

眼底图像是医生进行眼科疾病乃至全身性疾病（如糖尿病、高血压等）诊断的重要依据，从中可以清晰地看到视网膜血管网络、视盘和黄斑等解剖结构及其病变的形态，所呈现的数据信息具有非结构化的特点。糖尿病视网膜病变是糖尿病患者常见的微血管病变，已成为20岁以上人群的首要致盲眼病，让糖尿病患者每年定期眼底检查是防治糖尿病视网膜病变所导致失明的最有效的措施。我国有近1亿的糖尿病患者，为全部患者提供每年定期的眼底检查，势必会面临眼科专家人员紧缺的问题，这是我国糖尿病视网膜病变防治存在的严峻问题。本课题组研究眼底图像中非结构化数据的建模与分析方法，具体包括视网膜血管网络及其病变的特征描述、表达与建模，结合大数据深度挖掘的基于多模态眼底图像的糖尿病视网膜病变筛查、分类和定量分析方法，旨在为我国近亿糖尿病患者进行及时地定期眼底检查及诊治提供可靠高效的计算机解决方案，有效防治因糖尿病视网膜病变而导致的失明。

眼底图像中可以清晰地看到视网膜血管及其病变的形态，是医生进行糖尿病视网膜病变诊断的重要依据。本课题组建立了糖尿病视网膜病变彩色眼底图像的数据集，并根据病变的等级进行了分类存储和病变特征标注；研究了糖尿病视网膜病变图像中病变特征，提出了①基于紧凑双线性流CNN模型与梯度提升树的自动分级算法，能够获取到具有鉴别力的特征，并且对视网膜图像中的病变特征有很好的表达能力；②基于特征通道加权CNN的自动分级算法。实验结果表明，特征通道加权模块能够对特征通道相关性进行有效挖掘，充分放大有效特征、抑制无效特征。两种分级算法均能获得比目前已有算法更优的分类性能。深入研究了各类深度卷积神经网络模型，并将所设计或改进的深度卷积神经网络及模型应用于各类病理病变图像的分类、检测与识别中，包括尿沉渣图像有形成分分析、宫颈细胞图像的识别等，实验结果验证了算法的有效性。.针对医学图像在拍摄时易发生聚焦模糊的问题，提出了两种多聚焦图像融合算法。第一种是基于多尺度高斯差分金字塔DoG的融合算法，该算法融合后的图像能同时保留原图像中不同尺度的信息，不造成内容失真，且能高效处理实际应用中多数据量高分辨率的图像。第二种是针对未配准图像的融合算法，通过多尺度的SURF特征空间将图像配准与融合操作相结合，同时得到用于配准的特征点及用于融合的显著性图像。.研究了荧光造影眼底图像中无灌注区域的特征提取和分析方法，提出了一种新的结合了图割与金字塔模型的基于区域的活动轮廓模型，实现了对无灌注区域的边界提取；研究了可应用于视网膜彩色眼底图像中血管和病变区域的有理曲线曲面造型方法。最后，提出了一种基于等梯度距离的双向区域增长的眼底图像视网膜血管交互式分割方法，可较快速有效地帮助医生标记血管网络。.以上所做的研究均来源于医生的临床需求，所获得的成果都及时请医生进行验证并反馈，具有较好的学术价值，以及潜在的临床应用价值。