基于多实例学习的弱监督式早期老年性黄斑病变分类方法技术

本发明专利技术公开了一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，包括下述步骤：步骤一，采集眼底图像；步骤二，对图像进行剪裁，提取绿色通道，锐化，白化处理；步骤三，使用卷积神经网络与多实例学习结合的方法进行玻璃膜疣的检测与病灶分割；以卷积神经网络为主框架,包括三层卷积层，图像经过每层卷积层后均得到一个玻璃膜疣病灶位置的预测结果；在网络的输出端，将三种预测结果加权融合作为最后的输出结果；本算法基于多实例学习设计一种特殊的弱监督训练方法进行分类器训练和检测，只需知道眼底图是否出现玻璃膜疣，而不需要知道具体的病灶位置即可训练分类器；该算法在保证精度的同时，能有效地节省标注训练数据的成本，提升效率。

Weakly supervised classification of early age-related macular lesions based on multi-instance learning

The invention discloses a weak supervised classification method for early age-related macular lesions based on multi-instance learning, which includes the following steps: step 1, collecting fundus images; step 2, clipping images, extracting green channels, sharpening and whitening; step 3, using convolution neural network and multi-instance learning to detect and segment vitreous membrane warts. The main framework of the algorithm is convolution neural network, which includes three convolution layers. After each layer of convolution layer, the image gets a predicted result of the location of the wart lesion in the vitreous membrane. At the output end of the network, three predicted results are weighted and fused as the final output result. Based on multi-instance learning, this algorithm designs a special weak supervised training method for classifier training and detection. Whether or not there is vitreous wart in fundus maps can train the classifier without knowing the specific location of the lesion. This algorithm can not only ensure the accuracy, but also effectively save the cost of labeling training data and improve the efficiency.

【技术实现步骤摘要】
基于多实例学习的弱监督式早期老年性黄斑病变分类方法
本专利技术涉及一种疾病检测分类方法，尤其涉及一种早期老年性黄斑病变分类方法。
技术介绍
老年性黄斑病变是常见的眼部疾病之一，主要发生在年龄大于55岁的老年人群体。老年性黄斑病变临床上可分成早期、中期、晚期三个阶段。患者一旦进入晚期阶段，会在几周到几个月内出现视力下降症状。为了有效遏制老年性黄斑病变的病情加重，及时的早期老年性黄斑病变筛查格外重要。而早期老年性黄斑病变不会影响患者视力，不容易被患者发现。临床上广泛使用眼底图检查作为早期筛查的手段。但依靠医生的人工筛查以及病灶位置标记会耗费大量的时间。因此，为了提高筛查效率，研发自动早期黄斑病变筛查系统具有重要的意义。临床上，早期老年性黄斑病变主要病症是黄斑区出现玻璃膜疣。在眼底图上表现为黄斑区出现黄白色斑点，根据该疾病特征，当前主流的早期黄斑病变分类方法为，先对图像进行预处理，然后提取特征，最后设计分类器进行分类。在分类器训练阶段，往往采用强监督方法，即需要采集足够多含有玻璃膜疣病灶的眼底图，并标注其位置。但是，精确标注的眼底图在现实中获取成本非常高昂且耗费时间。现有技术中有《基于监督描述子的眼底图像黄斑病变分割方法研究》，其通过基于监督描述子学习的分割方法通过将监督学习与图像底层特征结合，由广义低秩矩阵近似方法对数据进行降维，再结合数据标签构建流形正则化项，从而提取图像特征，并结合SVM分类器能够取得一定的分割效果。但该方法在提取特征过程中，涉及矩阵的迭代优化求解，计算量巨大，实际应用中非常耗时，且依赖图像像素的标签信息，在实际应用中具有较多缺陷。专利技术内容本专利技术所要解决的技术问题是提供一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，本分类方法在保证精度的同时，能有效地节省标注训练数据的成本，提升效率。为解决上述技术问题，本专利技术的技术方案是：一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，包括下述步骤：步骤一，采集眼底图像；步骤二，预处理图像，对图像进行剪裁，提取绿色通道，锐化，白化处理；步骤三，使用卷积神经网络与多实例学习结合的方法进行玻璃膜疣的检测与病灶分割；以卷积神经网络为主框架,所述卷积神经网络包括三层卷积层，图像经过每层卷积层后均得到一个玻璃膜疣病灶位置的预测结果；在网络的输出端，将三种预测结果加权融合作为最后的输出结果。作为一种优选的技术方案，在所述步骤二中，先在图像中心进行固定尺寸的剪裁，将图片剪裁成512×512像素大小的图片，确保样本具有大小统一的尺寸，其次，提取绿色通道作检测；然后使用拉普拉斯模板对图像进行锐化处理；最后对图像进行白化处理，使所有像素均值为0，方差为1。作为一种优选的技术方案，在所述步骤三中，每个卷积层的卷积核大小均为3*3，步长均为1，通道数分别为32、64、128。作为一种优选的技术方案，在所述步骤三中，用广义均值(generalizedmean，GM)函数将像素级的预测结果转化成图像级的预测结果，计算每层卷积层的预测损失，GM函数定义为：其中，Xi为第i个输入图片，为分类器输出的像素预测结果，为第i个输入图片的预测结果，r为超参数，此处取4；每层卷积层损失为：其中Yi为第i个输入图片的真实结果，I为指示函数。作为一种优选的技术方案，对每层卷积层的病灶位置预测增加面积约束，具体约束方式为，若预测为正实例的像素面积之和大于约束值且该图片被预测为含有玻璃膜疣，则对相应的权重进行惩罚；面积约束定义为：其中vi为预测的病灶面积，ai为给定的面积约束。作为一种优选的技术方案，对每层卷积层的病灶位置预测增加面积约束后，每一层卷积层的总损失为：Lside(θ,ω)＝lmil(θ,ω)+ηglac(θ,ω)其中η为给定的权重值。作为一种优选的技术方案，三种预测结果加权融合的融合损失为：卷积神经网络总损失为：由于采用了上述技术方案，一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，包括下述步骤：步骤一，采集眼底图像；步骤二，预处理图像，对图像进行剪裁，提取绿色通道，锐化，白化处理；步骤三，使用卷积神经网络与多实例学习结合的方法进行玻璃膜疣的检测与病灶分割；以卷积神经网络为主框架,所述卷积神经网络包括三层卷积层，图像经过每层卷积层后均得到一个玻璃膜疣病灶位置的预测结果；在网络的输出端，将三种预测结果加权融合作为最后的输出结果；本算法基于多实例学习设计一种特殊的弱监督训练方法进行分类器训练和检测，只需知道眼底图是否出现玻璃膜疣，而不需要知道具体的病灶位置即可训练分类器；该算法在保证精度的同时，能有效地节省标注训练数据的成本，提升效率。附图说明图1是本专利技术实施例的原理图。具体实施方式下面结合附图1和实施例，进一步阐述本专利技术。在下面的详细描述中，只通过说明的方式描述了本专利技术的某些示范性实施例。毋庸置疑，本领域的普通技术人员可以认识到，在不偏离本专利技术的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，而不是用于限制权利要求的保护范围。一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，包括下述步骤：步骤一，采集眼底图像；步骤二，预处理图像，对图像进行剪裁，提取绿色通道，锐化，白化处理；步骤三，使用卷积神经网络与多实例学习结合的方法进行玻璃膜疣的检测与病灶分割；以卷积神经网络为主框架,所述卷积神经网络包括三层卷积层，图像经过每层卷积层后均得到一个玻璃膜疣病灶位置的预测结果；在网络的输出端，将三种预测结果加权融合作为最后的输出结果。在所述步骤二中，先在图像中心进行固定尺寸的剪裁，将图片剪裁成512×512像素大小的图片，确保样本具有大小统一的尺寸，其次，提取绿色通道作检测；然后使用拉普拉斯模板对图像进行锐化处理；最后对图像进行白化处理，使所有像素均值为0，方差为1。在所述步骤三中，每个卷积层的卷积核大小均为3*3，步长均为1，通道数分别为32、64、128。用广义均值(generalizedmean，GM)函数将像素级的预测结果转化成图像级的预测结果，计算每层卷积层的预测损失，GM函数定义为：其中，Xi为第i个输入图片，为分类器输出的像素预测结果，为第i个输入图片的预测结果，r为超参数，此处取4；每层卷积层损失为：其中Yi为第i个输入图片的真实结果，I为指示函数。为克服多实例学习方法过度预测正样本这一特性，对每层卷积层的病灶位置预测增加面积约束，具体约束方式为，若预测为正实例的像素面积之和大于约束值且该图片被预测为含有玻璃膜疣，则对相应的权重进行惩罚；面积约束定义为：其中vi为预测的病灶面积，ai为给定的面积约束。对每层卷积层的病灶位置预测增加面积约束后，每一层卷积层的总损失为：Lside(θ,ω)＝lmil(θ,ω)+ηglac(θ,ω)其中η为给定的权重值。作为一种优选的技术方案，三种预测结果加权融合的融合损失为：卷积神经网络总损失为：使用只含有图像标签的样本训练神经网络，权重更新使用随机梯度下降方法。在病灶检测阶段，将测试图像输入训练好的神经网络，实现图像分类，从而得到图像是否含有玻璃膜疣的预测结果。同时，取三个卷积层的像素预测的融合结果作为病灶位置的预测结果。跟现有的方法相比，本方法的不同点在于：本文档来自技高网...

【技术保护点】
1.一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，其特征在于，包括下述步骤：步骤一，采集眼底图像；步骤二，预处理图像，对图像进行剪裁，提取绿色通道，锐化，白化处理；步骤三，使用卷积神经网络与多实例学习结合的方法进行玻璃膜疣的检测与病灶分割；以卷积神经网络为主框架,所述卷积神经网络包括三层卷积层，图像经过每层卷积层后均得到一个玻璃膜疣病灶位置的预测结果；在网络的输出端，将三种预测结果加权融合作为最后的输出结果。

【技术特征摘要】
1.一种基于多实例学习的弱监督式早期老年性黄斑病变分类方法，其特征在于，包括下述步骤：步骤一，采集眼底图像；步骤二，预处理图像，对图像进行剪裁，提取绿色通道，锐化，白化处理；步骤三，使用卷积神经网络与多实例学习结合的方法进行玻璃膜疣的检测与病灶分割；以卷积神经网络为主框架,所述卷积神经网络包括三层卷积层，图像经过每层卷积层后均得到一个玻璃膜疣病灶位置的预测结果；在网络的输出端，将三种预测结果加权融合作为最后的输出结果。2.如权利要求1所述的基于多实例学习的弱监督式早期老年性黄斑病变分类方法，其特征在于，在所述步骤二中，先在图像中心进行固定尺寸的剪裁，将图片剪裁成512×512像素大小的图片，确保样本具有大小统一的尺寸，其次，提取绿色通道作检测；然后使用拉普拉斯模板对图像进行锐化处理；最后对图像进行白化处理，使所有像素均值为0，方差为1。3.如权利要求1所述的基于多实例学习的弱监督式早期老年性黄斑病变分类方法，其特征在于，在所述步骤三中，每个卷积层的卷积核大小均为3*3，步长均为1，通道数分别为32、64、128。4.如权利要求1所述的基于多实例学习的弱监督式早期老年性黄斑病变分类方法，其特征在...

【专利技术属性】
技术研发人员：曹桂平，谢新林，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44