一种基于capsule理论的青光眼医学影像分类方法技术

技术编号:19635697 阅读:27 留言:0更新日期:2018-12-01 16:19
本发明专利技术公开了一种基于capsule理论的青光眼医学影像分类方法,包括图像预处理操作、构建基于capsule的卷积神经网络和构建图像重构全连接网络;图像预处理操作首先利用已有的青光眼医学影像视盘检测模型裁剪出感兴趣区域以减少干扰信息,接着融合视盘和视杯语义分割图信息,最后采用限制对比度的自适应直方图增强,从而改善图像整体或局部对比度。基于capsule的卷积神经网络不仅能够自动学习青光眼医学影像特征,还能发现特征之间的位置与方向信息,从而更加准确地识别青光眼。图像重构全连接网络使用类别capsule恢复原始青光眼医学影像,目的是提高基于capsule的卷积神经网络的泛化能力。

A glaucoma medical image classification method based on capsule theory

The invention discloses a glaucoma medical image classification method based on capsule theory, including image preprocessing operation, construction of capsule-based convolution neural network and construction of image reconstruction full-connection network; image preprocessing operation first uses existing glaucoma medical image optic disc detection model to cut out regions of interest. Reducing interference information, then fusing the visual disc and cup semantics segmentation map information, and finally using adaptive histogram enhancement with limited contrast to improve the overall or local contrast of the image. The convolution neural network based on capsule can not only automatically learn the features of glaucoma medical images, but also find the position and direction information between the features, so as to recognize glaucoma more accurately. Image reconstruction full-connection network uses capsule to restore original glaucoma medical images. The aim is to improve the generalization ability of convolution neural network based on capsule.

【技术实现步骤摘要】
一种基于capsule理论的青光眼医学影像分类方法
本专利技术涉及青光眼医学影像分析领域,更具体地,涉及一种基于capsule理论的青光眼医学影像分类方法。
技术介绍
青光眼是一组以视神经萎缩、视野缺损和视力下降为共同特征的疾病。如不及时治疗,将导致失明。青光眼已成为三大致盲眼病之一,总人群发病率为1%,45岁以后为2%。青光眼的早期筛查具有重大意义,有利于患者及时治疗,从而保护视力甚至痊愈。由于青光眼潜在患者人数众多,而有限的医疗资源和临床经验难以满足现有需求,使得眼科医生开展早期筛查工作十分困难。利用计算机辅助青光眼早期筛查可有效缓解眼科医生的工作压力,为患者提供更好的医疗服务。青光眼医学图像分类常用计算机技术包括传统的计算机视觉技术和深度学习。传统的计算机视觉技术提取图像纹理特征和灰度特征等结构化信息,再用传统机器学习方法,包括朴素贝叶斯、K最近邻、支持向量机和随机森林等,最终完成青光眼分类任务。由于特征选择依赖人工经验,无法自动发现抽象语义特征信息,模型难以泛化。且大多数模型训练样本规模较小,实际应用价值不高。深度学习作为人工智能的重要分支,能够自动学习样本特征,无需人工参与,是一种完备的端对端模型。深度学习已在图像分类等任务取得一系列突破性进展并得到广泛应用。结合深度学习对青光眼医学影像进行分类识别成为研究热点,特别是利用卷积神经网络(ConvolutionalNeuralNetworks,CNN)已取得若干研究成果。这类方法首先选择青光眼医学影像的感兴趣区域,然后进行图像预处理,作为CNN输入,再经过一系列卷积、池化和激活操作后,自动学习图像高维语义特征,后续的全连接网络融合特征,最终完成青光眼医学影像的分类。尽管CNN能够自动学习特征,但它无法识别特征之间的空间关系。为了更好地建模网络中内部知识表示的分层关系(包括位置和方向等),Hinton提出了capsule理论,并在此基础上设计了CapsNet模型,在公开实验数据集取得了优于CNN的图像分类效果。目前,暂无利用capsule理论辅助青光眼筛查的相关研究。另外,直接采用现有深度学习方法处理青光眼医学影像,忽略青光眼领域特有知识,比如眼底图的视盘和视杯分割图信息,容易导致青光眼分类准确率不高。
技术实现思路
本专利技术的目的是解决上述一个或多个缺陷,提出一种基于capsule理论的青光眼医学影像分类方法。为实现以上专利技术目的,采用的技术方案是:一种基于capsule理论的青光眼医学影像分类方法,包括以下步骤:S1:对图像进行预处理操作;S2:构建基于capsule的卷积神经网络并输入预处理后的图像,输出青光眼识别结果;S3:构建图像重构全连接网络,使用类别capsule恢复原始图像。优选的是,步骤S1包括以下步骤:S1.1:利用已有的青光眼医学影像视盘检测模型裁剪出感兴趣区域以减少干扰信息;S1.2:融合视盘和视杯语义分割图信息;S1.3:采用限制对比度的自适应直方图增强,从而改善图像整体或局部对比度。优选的是,步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLUConv1、第二层PrimaryCaps层和第三层GlaucomaCaps层;其中第一层是卷积层ReLUConv1,为普通的卷积层,输入图像尺寸为4×28×28,即合并原始图像的3个RGB通道信息,以及视盘和视杯分割图的单通道标注信息,该层共有256个9×9的卷积核,步长取1,激活函数为ReLU,实现局部特征提取,融合原始图像信息,以及视盘和视杯标注信息,并作为下一层的输入;第二层PrimaryCaps层,为capsule层;输入图像尺寸为256×20×20,该层capsule向量维度设为8,共有32个9×9的卷积核,步长取2,激活函数为ReLU,输出为32个通道,每个通道数据尺寸为6×6;第三层是GlaucomaCaps层,为capsule层;输入数据为256×6×6×8,该层capsule向量维度设为16,输出为2个类别capsule,分别对应青光眼识别结果,即正常和青光眼。优选的是,所述基于capsule的卷积神经网络采用后向传播技术,通过参数更新使得损失函数L最小化;其中整个网络的损失函数L:L=αLc+βLrLc为边际损失函数,利用向量的长度来表示capsule实体存在的概率;Lr为重构损失;α和β分别表示边际损失和重构损失的权重;其中Lc=Tc·max(0,m+-||Vc||)2+λ·(1-Tc)·max(0,||Vc||-m-)2;Vc是青光眼图像类别c的capsule向量,||Vc||表示该向量的长度,Tc=1当且仅当青光眼图像类别c存在,m+=0.9,m-=0.1,λ表示已存在类别的权重衰减系数;Lr=‖x-x′‖2;x为原始图像(包括视盘和视杯分割图的标注信息),x′为重构图像;‖x-x′‖2表示两幅图像之间的差距,具体计算方法如下:首先将两幅图像相同位置的像素点对求灰度值的差,再对差值取平方,最后求和得到结果。优选的是,步骤S3所述的图像重构全连接网络使用类别capsule恢复原始图像;其中第一层为GlaucomaCaps,Representationofthereconstructiontarget表示选中capsule,Masked标记未选中capsule;第二层为全连接层,共有2048个神经元,激活函数为ReLU,;第三层为全连接层,神经元增加到4096个,激活函数为ReLU;最后输出层为全连接层,神经元为3136个,对应3×28×28的原始图像,以及1×28×28的视盘和视杯分割图像。优选的是,所述图像重构全连接网络通过网络输出和原始图像输入之间的平方损失Lr计算得出。采用后向传播技术更新网络参数,使得Lr最小化。与现有技术相比,本专利技术的有益效果是:1)本专利技术能够有效融合青光眼领域特有知识与capsule理论,在青光眼医学影像分类任务中准确率优于已有CNN方法;2)本专利技术网络具有良好的训练稳定性和快速收敛性。附图说明图1为基于capsule理论的青光眼医学影像分类网络的框架;图2为基于capsule的卷积神经网络;图3为图像重构全连接网络;图4为基于capsule的卷积神经网络的训练过程;图5为青光眼分类流程。具体实施方式附图仅用于示例性说明,不能理解为对本专利的限制;以下结合附图和实施例对本专利技术做进一步的阐述。实施例1一种基于capsule理论的青光眼医学影像分类方法,包括以下步骤:S1:对图像进行预处理操作;S2:构建基于capsule的卷积神经网络并输入预处理后的图像,输出青光眼识别结果;S3:构建图像重构全连接网络,使用类别capsule恢复原始图像。本实施例中,步骤S1包括以下步骤:S1.1:利用已有的青光眼医学影像视盘检测模型裁剪出感兴趣区域以减少干扰信息;S1.2:融合视盘和视杯语义分割图信息;S1.3:采用限制对比度的自适应直方图增强,从而改善图像整体或局部对比度。本实施例中,步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLUConv1、第二层PrimaryCaps层和第三层GlaucomaCaps层,请参考图2;其中第一层是卷积层ReLUConv1,为普通的卷积层,输入图像尺寸为4×28×28本文档来自技高网
...

【技术保护点】
1.一种基于capsule理论的青光眼医学影像分类方法,其特征在于,包括以下步骤:S1:对图像进行预处理操作;S2:构建基于capsule的卷积神经网络并输入预处理后的图像,输出青光眼识别结果;S3:构建图像重构全连接网络,使用类别capsule恢复原始图像。

【技术特征摘要】
1.一种基于capsule理论的青光眼医学影像分类方法,其特征在于,包括以下步骤:S1:对图像进行预处理操作;S2:构建基于capsule的卷积神经网络并输入预处理后的图像,输出青光眼识别结果;S3:构建图像重构全连接网络,使用类别capsule恢复原始图像。2.根据权利要求1所述的一种基于capsule理论的青光眼医学影像分类方法,其特征在于,步骤S1包括以下步骤:S1.1:利用已有的青光眼医学影像视盘检测模型裁剪出感兴趣区域以减少干扰信息;S1.2:融合视盘和视杯语义分割图信息;S1.3:采用限制对比度的自适应直方图增强,从而改善图像整体或局部对比度。3.根据权利要求1所述的一种基于capsule理论的青光眼医学影像分类方法,其特征在于,步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLUConv1、第二层PrimaryCaps层和第三层GlaucomaCaps层;其中第一层是卷积层ReLUConv1,为普通的卷积层,输入图像尺寸为4×28×28,即合并原始图像的3个RGB通道信息,以及视盘和视杯分割图的单通道标注信息,该层共有256个9×9的卷积核,步长取1,激活函数为ReLU,实现局部特征提取,融合原始图像信息,以及视盘和视杯标注信息,并作为下一层的输入;第二层PrimaryCaps层,为capsule层;输入图像尺寸为256×20×20,该层capsule向量维度设为8,共有32个9×9的卷积核,步长取2,激活函数为ReLU,输出为32个通道,每个通道数据尺寸为6×6;第三层是GlaucomaCaps层,为capsule层;输入数据为256×6×6×8,该层capsule向量维度设为16,输出为2个类别capsule,分别对应青光眼识别结果,即正常和青光眼。4.根据权利要求3所述的一种基于capsule理论的青光眼...

【专利技术属性】
技术研发人员:刘少鹏贾西平关立南高维奇洪佳明李耿鑫张倩林智勇崔怀林
申请(专利权)人:广东技术师范学院
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1