【技术实现步骤摘要】
一种基于多任务课程式学习的眼底图像分类方法、装置、设备及介质
[0001]本专利技术属于图像信息处理领域,特别涉及一种基于多任务课程式学习的青光眼诊断方法、装置、设备及方法。
技术介绍
[0002]青光眼已成为世界上第二大致盲眼病,威胁着超过6500万人的视觉健康。青光眼发展缓慢,其症状在早期阶段比较轻度,使患者很容易忽略病情,从而对其视力造成不可逆转的损害。因此,早期筛查和治疗对于防治青光眼至关重要。青光眼的常见临床诊断方法是视神经头(ONH)检查,是指眼科医生对眼底图像中的青光眼的病理现象和生理结构进行综合分析。主要的病理变化是神经视网膜边缘糜烂、视杯扩张、视网膜神经纤维层缺陷、视盘出血和β
‑ꢀ
区旁弧萎缩(β
‑
PPA)等,这些细微的病变为医生提供了诊断依据。
[0003]近年来,随着计算机技术的发展,已经提出了许多基于数字视网膜图像的青光眼辅助诊断算法,这些方法主要包括基于特征工程的机器学习方法和基于卷积神经网络(CNN)的深度学习方法。基于特征工程的方法依赖于从眼底图像中手动制作和提取一些青光眼的区别性特征,主要包括具有临床先验信息的结构特征,例如杯盘比(CDR)、视盘直径、视盘面积等或某些图像特征,例如灰度共生矩阵纹理特征、基于小波变换和基于gabor变换的特征。手工制作的特征很难完全表征青光眼,因此这种方法的青光眼诊断准确性受到限制。深度学习方法集特征提取和分类为一体,在生物医学图像分析中表现出优异的性能。因此,许多新的 CNN网络被设计用来改善青光眼的诊断性 ...
【技术保护点】
【技术特征摘要】
1.一种基于多任务课程式学习的眼底图像分类方法,其特征在于,包括以下步骤:步骤A,设计基于自注意力机制的教师网络;以眼底图像样本作为输入、青光眼分类标签作为输出,对教师网络进行监督训练;使用训练完毕的教师网络生成每个眼底图像样本对应的证据图谱;步骤B,设计多任务学生网络,包括证据图谱预测分支和青光眼预测分支;步骤C,根据眼底图像样本的青光眼分类标签和训练完毕的教师网络的预测结果,设计眼底图像样本的样本先验加权系数θ;根据眼底图像样本的青光眼分类标签和学生网络的当前预测结果,设计眼底图像样本的样本反馈损失系数α;根据眼底图像样本的样本先验加权系数θ和样本反馈损失系数α,设计训练多任务学生网络的损失函数;步骤D,以眼底图像样本同时作为证据图谱预测分支和青光眼预测分支的输入,以对应的青光眼分类标签作为青光眼预测分支的输出,以对应的证据图谱作为证据图谱预测分支的输出,基于步骤C设计的损失函数训练多任务学生网络;步骤E,将待分类的眼底图像输入至训练完毕的学生网络,输出得到待分类的眼底图像的青光眼分类标签和证据图谱。2.根据权利要求1所述的眼底图像分类方法,其特征在于,所述教师网络从输入至输出依次包括:移除全连接层的ResNet
‑
34主干结构、卷积层、GC自注意力机制模块、全局平均池化层和全连接层;其中,在移除全连接层的ResNet
‑
34主干结构中,第2至第5个池化层的输出均被降采样为同一预设值大小并合并,合并结果经过卷积层进行通道压缩,再跟上GC自注意力机制模块,最后经过全局平均池化层和全连接层进行预测分类。3.根据权利要求1所述的眼底图像分类方法,其特征在于,采用Grad CAM++算法根据训练完毕的教师网络生成每个眼底图像样本对应的标签证据图谱,得到的标签证据图谱为像素值为0
‑
1的激活图。4.根据权利要求1所述的眼底图像分类方法,其特征在于,所述多任务学生网络的青光眼预测分支包括五个阶段的卷积模块,最后一个卷积模块后跟上一个全连接层用于预测分类,每个阶段的卷积模块包括若干个残差模块并且在最后一个残差块后连接一个池化层;所述多任务学生网络的证据图谱预测分支包括三个阶段卷积模块,与青光眼预测分支的前三个阶段相同;证据图谱预测分支的每个阶段卷积模块对应设置一个映射层,用于将证据图谱预测分支各阶段的输出特征图为映射为相同大小;所述证据图谱预测分支还包括多孔金字塔池化模块和sigmoid激活层,多孔金字塔池化模块对映射得到的大小相同的特征图进行解码,再由sigmoid激活层进行激活,输出得到证据图谱;将证据图谱预测分支输出的证据图谱,按青光眼预测分支的第三个阶段的输出特征图尺寸进行下采样,再将下采样得到的图像与青光眼预测分支的第三个阶段的输出特征图进行广播相乘,再输出到证据图谱预测分支第四个阶段的卷积模块。5.根据权利要求4所述的眼底图像分类方法,其特征在于,所述多任务学生网络在证据图谱预测分支和青光眼预测分支之间还设置协同学习模块,设证据图谱预测分支第i个阶段的卷积模块输出特征图为E
i
,设青光眼预测分支第i个阶段的卷积模块输出特征图为G
i
,协同学习模块的计算表示为:
式中,[,]表示特征图的合并操作,i∈{1,2},g和f表示用于学习特征交互作用映射关系的卷积操作,表示逐像素相加合并;和分别是协同学习模块输出的特征图;然后将特征图和分别替代G
i
和E
i
作为青光眼预测分支和证据图谱预测分支第i+1个阶段卷积模块的输入特征图。6.根据权利要求1所述的眼底图像分类方法,其特征在于,眼底图像样本的样本先验加权系数θ和样本反馈损失系数α的计算式为:权系数θ和样本反馈损失系数α的计算式为:权系数θ和样本反馈损失系数α的计算式为:权系数θ和样本反馈损失系数α的计算式为:式中,i是眼底图像样本的标号,θ
i
是眼底图像样本i对应的样本先验加权系数,是眼底图像样本i对应的先验加权作用条件系数,是教师...
【专利技术属性】
技术研发人员:郭璠,李伟清,申子奇,杨佳男,刘卓群,王志远,
申请(专利权)人:中南大学,
类型:发明
国别省市:
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。