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 ...
【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
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。