一种基于改进D-S证据的眼疾图像识别方法及系统技术方案

本发明专利技术公开了一种基于改进D

【技术实现步骤摘要】
一种基于改进D
‑
S证据的眼疾图像识别方法及系统


[0001]本公开属于深度学习
、人工智能
，具体涉及一种基于改进D
‑
S证据的眼疾图像识别方法及系统。

技术介绍

[0002]随着医疗影像技术和计算机视觉的快速发展，眼底筛查方法具有较高的准确率和精准度，但实际上依赖于昂贵的设备和复杂的操作，另外，眼疾总是悄无声息且不可逆转，唯有早发现早治疗才能挽救视觉于视力窃贼的无形出没，故廉价快捷的早期眼底筛查已成为学术界和工业界的研究热点。
[0003]深度学习已经成为医疗辅助诊断的研究热点，它具有强大的自动特征提取、特征选择、特征表达及复杂模型的构建能力，更为重要的是深度学习能从像素级的原始图像中逐级提取和抽象表达更高级的特征，为医学图像的识别提供了新思路。迁移学习是将已经学到的知识重新适应解决新的问题，不仅大大减少了训练时间，还减少了对大量数据的需求。
[0004]D
‑
S证据理论是一种数学理论和不确定理论的一般框架，满足比贝叶斯理论更弱的条件，它具有处理不确定和未知信息的能力，与传统的概率论相比，D
‑
S证据理论在基于数据融合的分类中表现出更好的性能，被广泛应用于故障诊断，工程技术，目标识别与跟踪，信息融合等领域。传统的D
‑
S理论是一种有效的证据融合理论，但在某些情况下会失效，存在常见的四种悖论。

技术实现思路

[0005]本专利技术的目的在于提出一种基于改进D
‑
S证据的眼疾图像识别方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
[0006]为了实现上述目的，根据本公开的一方面，提供一种基于改进D
‑
S证据的眼疾图像识别方法，所述方法包括以下步骤：
[0007]S100，采集眼底图像；
[0008]S200，对眼底图像进行数据增强得到增强图像；
[0009]S300，分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果；
[0010]S400，构建融合模型；
[0011]S500，通过融合模型对增强图像的第一分类结果和第二分类结果进行融合得到第三分类结果。
[0012]进一步地，在S100中，采集眼底图像的方法为：采集的眼底图像源自于ODIR
‑
5K医学影像数据集，包含5,000名患者的彩色眼底照片；所述彩色眼底照片通过Canon，Zeiss和Kowa中任意一种相机捕获，由于眼底图像在特征分类中存在着严重的冗余，它的病理区域位于视盘和视杯区域，或者周围的血管和视神经区域，所以本专利技术在保证图像有效信息的
情况下，将图像尺寸缩为512
×
512
×
3像素，这样做一方面可以消除一些冗余的信息，另一方面，可以减少神经网络参数的运算数量，缩短运算时间。
[0013]进一步地，在S200中，对眼底图像进行数据增强得到增强图像的方法为：
[0014]通过平移、旋转、翻转、裁剪得到预处理图像，并通过标签保留变换来增加预处理图像的数量，其中，使用随机旋转、水平镜像、垂直镜像、改变RGB通道为RBG、改变RGB通道为BGR的方法中任意一种或多种增强预处理图像得到多个增强图像，使眼底图像进行数据增强得到的增强图像的数量增加五倍。
[0015]进一步地，在S300中，分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果的方法为：
[0016]第一迁移网络包含一个ResNet50模型，最后全连接层的神经元的个数为2048，优化器为Adam；第二迁移网络包含一个ResNet101模型，最后全连接层神经元的个数为2048，优化器为Adam；第一迁移网络与第二迁移网络的学习速率、正则项系数是超参数，通过训练损失和测试准确率进行调整；第一迁移网络与第二迁移网络的最后一层为分类层，均采用CrossEntropyLoss函数来构造损失函数；
[0017]用训练集来训练第一迁移网络与第二迁移网络，利用反向传播，通过Adam优化器来更新网络参数，每次送入第一迁移网络与第二迁移网络的训练样本批量为15，训练次数为50；根据训练损失和测试准确率调整超参数，最终第一迁移网络与第二迁移网络的学习率均为0.00005，正则化参数均为0.000003；其中，训练集划分自于增强图像中。
[0018]进一步地，在S400中，构建融合模型的方法为：
[0019]假设一组分类结果Θ＝{A1,A2,...A
n
}，令分类结果A
i
(i∈[1,n])表示一个命题或假设，n为分类结果的数量，Θ称为辨识框架，A1,A2,...A
n
彼此独立，构造映射函数m:2
Θ
→
[0,1]作为基本概率分配函数BPA，映射函数m满足：
[0020][0021]其中，为空集，A是一个命题，m(A)为命题A的基本概率分配函数；
[0022]对于命题在识别框架Θ中，存在有限个基本概率分配函数BPA：m1,m2,m3,...m
l
，融合式定义如下：
[0023][0024]其中，
[0025][0026]m1(A1)、m2(A2)...m
l
(A
n
)为命题A1,A2,...A
n
为基本概率分配函数；
[0027]其中，k表示冲突因子，表示分类结果之间的矛盾程度，(1
‑
k)是归一化系数；
[0028]以指数函数f(x)＝exp(x)作为非线性映射函数，因为它是增函数且f(x)＞0，故满足要求，但m(A)∈[0,1],exp(m(A))≥1,所以要对m(A)进行归一化处理：
[0029][0030]通过归一化处理把m(A)之间的距离缩小，使得m(A)∈(0,1)，但不会改变分类结果之间的大小关系，这保持了融合式的有效性，因为不改变分类结果的大小关系，在证据融合时中，仍然能有效直观地选择高概率融合结果；
[0031]经过试验，发现如果存在m(A)＝0的情况，通过归一化处理就能消除的悖论；
[0032]总结起来，构建融合模型为：
[0033]确保识别框架Θ＝{A1,A2,...A
n
}完备有限，用m
i
对进行概率分配，使其满足式子(1)，i∈[1,l]；
[0034]S401,令变量i,j的初始值为1；i∈[1,l]，j∈[1,n]；
[0035]S402,通过公式：对基本概率进行映射和归一化；
[0036]S403,当j≤n时，令j的值增加1并转到步骤S402(即转到S402时j的值增加1)；当j＞n时，设置j的值为1并转到步骤S404；
[0037]S404,当i≤l时，令i的值增加1并转到步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进D
‑
S证据的眼疾图像识别方法，其特征在于，所述方法包括以下步骤：S100，采集眼底图像；S200，对眼底图像进行数据增强得到增强图像；S300，分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果；S400，构建融合模型；S500，通过融合模型对增强图像的第一分类结果和第二分类结果进行融合得到第三分类结果。2.根据权利要求1所述的一种基于改进D
‑
S证据的眼疾图像识别方法，其特征在于，在S100中，采集眼底图像的方法为：采集的眼底图像源自于ODIR
‑
5K医学影像数据集，包含5,000名患者的彩色眼底照片；所述彩色眼底照片通过Canon，Zeiss和Kowa中任意一种相机捕获，并将图像尺寸缩为512
×
512
×
3像素。3.根据权利要求1所述的一种基于改进D
‑
S证据的眼疾图像识别方法，其特征在于，在S200中，对眼底图像进行数据增强得到增强图像的方法为：通过平移、旋转、翻转、裁剪得到预处理图像，并通过标签保留变换来增加预处理图像的数量，其中，使用随机旋转、水平镜像、垂直镜像、改变RGB通道为RBG、改变RGB通道为BGR的方法中任意一种或多种增强预处理图像得到多个增强图像。4.根据权利要求1所述的一种基于改进D
‑
S证据的眼疾图像识别方法，其特征在于，在S300中，分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果的方法为：第一迁移网络包含一个ResNet50模型，最后全连接层的神经元的个数为2048，优化器为Adam；第二迁移网络包含一个ResNet101模型，最后全连接层神经元的个数为2048，优化器为Adam；第一迁移网络与第二迁移网络的学习速率、正则项系数是超参数，通过训练损失和测试准确率进行调整；第一迁移网络与第二迁移网络的最后一层为分类层，均采用CrossEntropyLoss函数来构造损失函数；用训练集来训练第一迁移网络与第二迁移网络，利用反向传播，通过Adam优化器来更新网络参数，每次送入第一迁移网络与第二迁移网络的训练样本批量为15，训练次数为50；根据训练损失和测试准确率调整超参数，最终第一迁移网络与第二迁移网络的学习率均为0.00005，正则化参数均为0.000003；其中，训练集划分自于增强图像中。5.根据权利要求1所述的一种基于改进D
‑
S证据的眼疾图像识别方法，其特征在于，在S400中，构建融合模型的方法为：设一组分类结果Θ＝{A1,A2,...A
n
}，令分类结果A
i
(i∈[1,...

【专利技术属性】
技术研发人员：胡若，吴建方，胡景茜，戴青云，贺钧，毛艳，赵慧民，徐虹，李晓东，位团结，潘陆海，陈家旭，徐硕瑀，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：