视网膜OCT体数据识别方法及装置制造方法及图纸

本发明专利技术实施例提供一种视网膜OCT体数据识别方法及装置，其中方法包括：获取待识别图像，对待识别图像进行处理，获得目标待识别图像，目标待识别图像为视网膜OCT体数据的多个二维切片图像；根据目标卷积神经网络对目标待识别图像进行识别，获得目标待识别图像的识别结果；根据待识别图像的每个目标待识别图像的识别结果，给出待识别图像的识别结果。本发明专利技术实施例利用自监督迭代学习的方法，先利用初始标签和训练样本训练卷积神经网络，再对训练样本图像进行重新分类，并结合聚类或阈值过滤等方法对训练样本图像进行重标签；反复迭代训练与重标签的流程，得到目标卷积神经网络，从而能够在仅有三维级别标签的图像的条件下，提高识别准确率。

Retinal OCT Volume Data Recognition Method and Device

The embodiment of the present invention provides a method and device for recognizing retinal OCT volume data. The method includes acquiring the image to be recognized, processing the image to be recognized, obtaining the target image to be recognized, and the target image to be recognized is a plurality of two-dimensional slice images of retinal OCT volume data; recognizing the target image to be recognized according to the target convolution neural network, and obtaining the target image to be recognized. The recognition result of the image; according to the recognition result of each target of the image to be recognized, the recognition result of the image to be recognized is given. The embodiment of the present invention utilizes the self-supervised iterative learning method, first trains the convolution neural network with the initial label and training sample, then reclassifies the training sample image, and then re-labels the training sample image with the methods of clustering or threshold filtering. The process of repeated iterative training and re-labeling obtains the target convolution neural network, so that it can only have three-dimensional level. Under the condition of labeled images, the recognition accuracy is improved.

【技术实现步骤摘要】
视网膜OCT体数据识别方法及装置
本专利技术实施例涉及医学图像分析
，尤其涉及一种视网膜OCT体数据识别方法及装置。
技术介绍
视网膜OCT(OpticalCoherencetomography，光学相干断层扫描)图像识别技术是通过给定视网膜OCT三维体数据，从而判断体数据为正常或异常。现有技术往往先利用机器学习的方法，对三维体数据的二维切片图像进行逐张诊断，再通过投票等方式汇总得到OCT体数据的识别结论。然而，现有技术中的训练分类器需要的是二维级别的标签，而原生的OCT三维体数据仅仅具有三维体数据标签。目前获得二维级别标签的方法主要有两种，一种是人工标注，另一种是直接用体数据的标签作为体数据内所有二维级别的标签。而体数据往往拥有上百张的二维图片，人工标注起来非常困难，且效率低下。而直接用体数据级别标签作为二维级别标签的方法也是一种不可靠的手段，因为往往体数据中只会有部分二维图像含有异常特征，此时那些不含异常特征的二维图像会被赋予不准确甚至是错误的标签。目前仍没有针对该问题对已有方法进行改进的方法。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种视网膜OCT体数据识本文档来自技高网...

【技术保护点】
1.一种视网膜OCT体数据识别方法，其特征在于，包括：获取待识别图像，所述待识别图像为视网膜OCT体数据图像；对所述待识别图像进行处理，获得目标待识别图像，所述目标待识别图像为视网膜OCT体数据的多个二维切片图像；根据目标卷积神经网络对所述目标待识别图像进行识别，获得所述目标待识别图像的识别结果；根据待识别图像的每个目标待识别图像的识别结果，给出待识别图像的识别结果；所述待识别图像的识别结果用于表征待识别图像为正常或异常，所述目标卷积神经网络是基于样本二维切片图像、对应的识别结果标签和基于自监督迭代学习的卷积神经网络训练算法预先训练得到。

【技术特征摘要】
1.一种视网膜OCT体数据识别方法，其特征在于，包括：获取待识别图像，所述待识别图像为视网膜OCT体数据图像；对所述待识别图像进行处理，获得目标待识别图像，所述目标待识别图像为视网膜OCT体数据的多个二维切片图像；根据目标卷积神经网络对所述目标待识别图像进行识别，获得所述目标待识别图像的识别结果；根据待识别图像的每个目标待识别图像的识别结果，给出待识别图像的识别结果；所述待识别图像的识别结果用于表征待识别图像为正常或异常，所述目标卷积神经网络是基于样本二维切片图像、对应的识别结果标签和基于自监督迭代学习的卷积神经网络训练算法预先训练得到。2.根据权利要求1所述的方法，其特征在于，所述目标卷积神经网络的基于自监督迭代学习的训练过程包括：获取训练样本集，所述训练样本集包括多个样本视网膜OCT体数据图像；对所述训练样本集中的图像进行处理，获得目标训练样本集；所述目标训练样本集包括多个样本二维切片图像，所述样本二维切片图像具有初始标签；利用自监督迭代学习的方法，利用训练样本图像和初始标签训练卷积神经网络，获得候选卷积神经网络；利用候选卷积神经网络对训练样本图像进行重新分类，根据聚类或阈值过滤的方法，对训练样本图像进行重标签；反复迭代训练与重标签的流程，直至满足训练终止条件，得到最终的目标卷积神经网络；其中，所述训练条件包括：与上一个迭代步相比，当前迭代步所得的候选卷积神经网络在目标训练样本集上的识别正确率的提高幅度小于阈值；其中，所述识别正确率是根据验证样本集中的图像的识别结果标签和验证样本集中的图像的识别结果获得的；所述验证样本集包括多个验证样本二维切片图像。3.根据权利要求1所述的方法，其特征在于，所述根据待识别图像的每个目标待识别图像的识别结果，给出待识别图像的识别结果，之后还包括：对于每个待识别图像，统计各个异常类别的识别结果对应的目标待识别图像的数量，获得数量最多的某一异常类别；若所述异常类别所占的目标待识别图像数量占全部目标待识别图像的数量的比例超过一定上限，则将所述待识别图像的识别结果更新为所述异常类别，否则，将所述待识别图像的识别结果更新为正常。4.根据权利要求2所述的方法，其特征在于，所述对所述训练样本集中的图像进行处理，获得目标训练样本集，包括：对训练样本集中的图像进行预处理，获得预处理训练样本集；对所述预处理训练样本集中的图像进行归一化处理，获得归一化训练样本集；对所述归一化训练样本集中的各个图像设置对应的识别结果标签，获得所述目标...

【专利技术属性】
技术研发人员：孙延奎，邱嘉铭，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京,11