一种眼底OCT图像的分类方法及计算机可读存储介质技术

本发明专利技术提供一种眼底OCT图像的分类方法及计算机可读存储介质,方法包括：S1：获取待分类的眼底OCT图像；S2：采用训练好的卷积神经网络模型对所述待分类的眼底OCT图像进行分类，所述卷积神经网络模型是串行结构；S3：得到所述待分类的眼底OCT图像的分类结果。通过采用串行结构的卷积神经网络模型对眼底OCT图像进行分类，基于卷积神经网络框架，通过迭代训练有效地提升了分类网络的精度，能够在数据标注不足/小规模数据集的情况下实现端到端的视网膜病变OCT图像分类。

【技术实现步骤摘要】
一种眼底OCT图像的分类方法及计算机可读存储介质
本专利技术涉及OCT图像分类
，尤其涉及一种眼底OCT图像的分类方法及计算机可读存储介质。
技术介绍
黄斑区是视网膜的重要区域，与彩色视觉、精细视觉等视觉功能有关。一旦在黄斑区发生病变，视力将受到负面影响。视网膜成像技术可以帮助医生了解年龄相关性黄斑变性、糖尿病性视网膜病变和黄斑裂孔等疾病的发病机制，对这些疾病的早期监测也可以进一步预防更为严重的视力丧失，同时在研究新疗法中也起着重要的作用。光学相干断层扫描(OpticalCoherenceTomography,OCT)是一种非侵入式诊断技术。它利用干涉测量的概念来创建视网膜内的横截面视图，可以实现微米级别分辨率的光学测距，已成为眼科疾病诊断中不可或缺的成像工具。这种运用非手术手段产生身体内部组织的成像方法具有操作简易，无需额外辅助药剂，无创伤以及高分辨率的优点。现有技术中关于OCT图像分类的工作依赖于传统的图像分析，需要手动开发卷积矩阵以进行边缘检测和特征提取，然后运用机器学习技术，如主成分分析、支持向量机或随机森林，完成本文档来自技高网...

【技术保护点】
1.一种眼底OCT图像的分类方法，其特征在于，包括：/nS1：获取待分类的眼底OCT图像；/nS2：采用训练好的卷积神经网络模型对所述待分类的眼底OCT图像进行分类，所述卷积神经网络模型是串行结构；/nS3：得到所述待分类的眼底OCT图像的分类结果。/n

【技术特征摘要】
1.一种眼底OCT图像的分类方法，其特征在于，包括：
S1：获取待分类的眼底OCT图像；
S2：采用训练好的卷积神经网络模型对所述待分类的眼底OCT图像进行分类，所述卷积神经网络模型是串行结构；
S3：得到所述待分类的眼底OCT图像的分类结果。


2.如权利要求1所述的眼底OCT图像的分类方法，其特征在于，所述卷积神经网络模型包括至少一个因子分解模块组成的串行结构，每个所述因子分解模块后级联池化层；
若只有一个所述因子分解模块，则所述池化层是全局平均池化；
若有不只一个所述因子分解模块，则前面的所述池化层采用最大池化，最后一个所述池化层是全局平均池化用把所述待分类的眼底OCT图像的类别降维成扁平化向量；
最后一个所述池化层级联全连接层，采用softmax激活函数输出数值范围在0-1之间的概率，描述所述待分类的眼底OCT图像的类别。


3.如权利要求2所述的眼底OCT图像的分类方法，其特征在于，所述因子分解模块包括至少2个n*n的卷积核级联和一个1*1的卷积核级联；所述因子分解模块的卷积核不大于3×3卷积。


4.如权利要求3所述的眼底OCT图像的分类方法，其特征在于，所述因子分解模块中至少一个所述n*n的卷积核分解成n*1的卷积核和1*n的级联形成新的所述因子分解模块。


5.如权利要求4所述的眼底OCT图像的分类方法，其特征在于，所述卷积神经网络模型中所述因子分解模块是相同的结构或不同的结构...

【专利技术属性】
技术研发人员：董宇涵，成垦，张凯，李志德，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：广东;44