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 ...
【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
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。