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，完成分类任务，步骤繁复且准确度不高。随着近几年深度学习的快速发展和其在视觉任务中的良好表现，深度学习方法被越来越多的应用到医学图像分析/计算机辅助诊断中。Karri等人对预训练的卷积神经网络GoogleLeNet进行微调，以训练并分类OCT图像。Juan等人通过彩色眼底图像对GoogLeNet，ResNet50和DeNet神经网络对青光眼疾病的识别和诊断性能进行了全面的比较分析。Cheng等提出了一种基于ResNet50的深度哈希算法来执行图像检索和分类任务。这些方法存在的问题是需要大量带有标注的图像数据集。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。
技术实现思路
本专利技术为了解决传统方法依赖初始特征选取，步骤繁复且准确率有限，深度学习方法需要大量图像标注的问题，提供一种眼底OCT图像的分类方法及计算机可读存储介质。为了解决上述问题，本专利技术采用的技术方案如下所述：一种眼底OCT图像的分类方法，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。优选地，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。优选地，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。优选地，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。优选地，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。优选地，训练所述卷积神经网络模型包括如下步骤：S21：构建眼底OCT图像数据集，并对所述数据集的图像进行预处理，对预处理后的图像进行增广处理；S22：构建所述卷积神经网络模型；S23：通过所述眼底OCT图像数据集训练所述卷积神经网络模型，训练包括特征提取阶段和预测分类阶段；S24：对训练结果进行评价，得到训练好的所述所述卷积神经网络模型。优选地，所述数据集中包括数量均衡的脉络膜新生血管的OCT图像、糖尿病性黄斑水肿OCT图像、脉络膜玻璃膜疣张黄斑裂孔OCT图像和浆液性黄斑分离的OCT图像和眼底健康的OCT图像。优选地，所述预处理包括采用非局部均值滤波的方法去除所述图像中存在的高斯噪声；所述预处理还包括对去除所述图像中存在的高斯噪声的图像进行Laplacian锐化处理；对所述锐化处理后的图像进行归一化处理，以使图像具有相等的方差。优选地，对数据增广包括对所述图像进行旋转、裁切、缩放和水平翻转。本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一所述方法的步骤。本专利技术的有益效果为：提供一种眼底OCT图像的分类方法及计算机可读存储介质，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。进一步地，通过对大尺寸卷积核的因式分解，将其分解为更小尺寸的卷积核，保证感受野不变的同时优化计算资源，同时紧随每层卷积后的激活函数可以增加网络决策函数的非线性。附图说明图1是本专利技术实施例中一种眼底OCT图像的分类方法的示意图。图2是本专利技术实施例中两层3×3卷积代替5×5卷积的示意图。图3(a)-图3(e)是本专利技术实施例中因子分解模块的示意图。图4是本专利技术实施例中第一种卷积神经网络模型的示意图。图5是本专利技术实施例中第二种卷积神经网络模型的示意图。图6是本专利技术实施例中训练所述卷积神经网络模型的方法示意图。图7是本专利技术实施例中训练所述卷积神经网络模型的方法流程图。图8(a)-图8(f)是本专利技术实施例中眼底OCT图像的示意图。图9是本专利技术实施例中一种滤波模板的示意图。图10(a)-图10(c)是本专利技术实施例中一种预处理结果的示意图。图11(a)-图11(c)是本专利技术实施例中一种数据增广的示意图。具体实施方式为了使本专利技术实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，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