一种用于糖尿病视网膜病变分类的方法及电子设备技术

本发明专利技术公开了一种用于糖尿病视网膜病变分类的方法及电子设备，方法包括超分辨率重建和利用图像分类网络对超分图像进行分类等步骤，超分辨率重建网络包括初步卷积层、深层特征提取单元、特征融合单元和图像放大模块，初步卷积层用于对眼底图像进行浅层特征提取，深层特征提取单元包括跳跃连接和多个残差注意力模块，图像放大模块用于对第二特征图进行超分辨率重建。本发明专利技术利用超分辨率技术增大眼底图像的分辨率，在有限的硬件条件下，提升基于深度学习方法对糖尿病视网膜病变分类的准确率，以满足实际诊断的需要，缓解医疗资源紧张的局面；超分辨率重建网络特征提取效率高，重建效果好。建效果好。建效果好。

【技术实现步骤摘要】
一种用于糖尿病视网膜病变分类的方法及电子设备


[0001]本专利技术属于医疗和图像处理
，具体地说，涉及一种用于糖尿病视网膜病变分类的方法及电子设备。

技术介绍

[0002]糖尿病会引起多种并发症，糖尿病性视网膜病变(DR)是其中比较严重的一种，它能够导致患者视力出现障碍，甚至致盲。随着人们物质生活水平的提高，人均年龄逐渐增大，我国患糖尿病的人数也随之迅速扩大，需要进行视网膜病变诊断的患者数量快速增长。另一方面，常规的人工诊断依赖于医生的临床经验，而合格的医疗人员培养周期长，与快速增加的患者数量相比，医疗资源越来越匮乏，使得很多患者得不到及时的诊断和治疗，导致疾病恶化。
[0003]利用人工智能技术，尤其是深度学习，对眼底视网膜图像进行自动分类，以辅助诊断糖尿病性视网膜病变是解决医疗资源匮乏的一个有效途径。但是，准确的诊断依赖于高质量的图像输入，而我国很多地区经济水平不高，医疗设备条件落后，拍摄获取的视网膜图像分辨率普遍比较低，导致基于深度学习的图像分类方法误诊率高，难以满足实际的需要。

技术实现思路

[0004]针对现有技术中上述的不足，本专利技术提供了一种用于糖尿病视网膜病变分类的方法及电子设备，以提高对眼底视网膜图像分类的准确率。
[0005]为了达到上述目的，本专利技术采用的解决方案是：一种用于糖尿病视网膜病变分类的方法，包括以下步骤：
[0006]S1、获取眼底图像，获取训练好的超分辨率重建网络，利用所述超分辨率重建网络对所述眼底图像进行超分辨率重建，获得分辨率大于所述眼底图像的超分图像；
[0007]S2、获取训练好的图像分类网络，将所述超分图像输入所述图像分类网络，利用所述图像分类网络对所述超分图像进行分类；
[0008]所述超分辨率重建网络包括：
[0009]初步卷积层，所述初步卷积层用于对所述眼底图像进行浅层特征提取，获得第一特征图；
[0010]深层特征提取单元，所述深层特征提取单元的输入端与所述初步卷积层的输出端连接，所述深层特征提取单元包括跳跃连接和多个残差注意力模块，多个所述残差注意力模块首尾顺次连接，所述第一特征图通过所述跳跃连接输入各个所述残差注意力模块；
[0011]特征融合单元，所述特征融合单元用于将各个所述残差注意力模块输出的特征图融合，得到第二特征图；
[0012]图像放大模块，所述图像放大模块用于对所述第二特征图进行超分辨率重建，获得所述超分图像；
[0013]其中，所述残差注意力模块的数学模型为：
[0014]F1＝σ1(f
31
(K
n
))
[0015]F2＝σ2(f
32
(K
n
))
[0016]F3＝σ3(f
33
(F2))
[0017]F4＝f
ca
(f
T
(F1,F2,K0))
[0018]F5＝f
m
(F4,[F1,F3])
[0019]K
n+1
＝σ4(f1(F5))+K
n
[0020]其中，K0表示所述第一特征图，K
n
为上游输出的特征图，K0和K
n
同时作为所述残差注意力模块的输入，f
31
、f
32
和f
33
均表示卷积核大小为3*3的卷积操作，f1表示卷积核大小为1*1的卷积操作，σ1、σ2、σ3和σ4均表示非线性激活函数ReLU，f
T
表示三元融合模块，所述三元融合模块用于将F1、F2和K0融合，f
ca
表示通道注意力模块，[
·
]表示对其中的特征图进行拼接操作，f
m
(F4，[F1,F3])表示F1与F3拼接后、再与F4融合，K
n+1
表示所述残差注意力模块输出的特征图。
[0021]进一步地，所述三元融合模块可表示为如下公式：
[0022]F
T1
＝σ
T1
(f
T1
([F1,F2,K0]))
[0023]F
T2
＝σ
T2
(F1+F2)
[0024]F
T
＝σ
T3
(f
T3
([F
T1
,F
T2
]))
[0025]其中，F1、F2和K0同时作为所述三元融合模块的输入，f
T1
表示卷积核大小为1*1的卷积操作，f
T3
表示卷积核大小为3*3的卷积操作，σT1、σT2和σT3均表示非线性激活函数ReLU，[
·
]表示对其中的特征图进行拼接操作，F
T
为所述三元融合模块的输出。
[0026]进一步地，所述通道注意力模块的数学模型为：
[0027]Fa1＝δ
a1
(f
a12
(σ
a1
(f
a11
(p
v
(F
T
)))))
[0028]Fa2＝δ
a2
(f
a22
(σ
a2
(f
a21
(p
M
(F
T
)))))
[0029]Fa3＝δ
a3
(f
a32
(σ
a3
(f
a31
(p
Max
(F
T
)))))
[0030]其中，F
T
表示所述三元融合模块的输出，F
T
作为所述通道注意力模块的输入，p
v
表示全局方差池化操作，p
M
表示全局平均池化操作，p
Max
表示全局最大池化操作，f
a11
、f
a12
、f
a21
、f
a22
、f
a31
和f
a32
均表示全连接操作，σ
a1
、σ
a2
和σ
a3
均表示非线性激活函数ReLU，δ
a1
、δ
a2
、和δ
a3
均为sigmoid激活函数，Fa1、Fa2和Fa3为所述通道注意力模块输出的通道注意力图。
[0031]进一步地，特征图F1与特征图F3拼接后获得的特征图，与所述通道注意力图融合过程，包括以下步骤：
[0032]A1、特征图F1与特征图F3拼接后获得的特征图，分别与所述通道注意力模块输出的三个通道注意力图相乘，分别获得第一增强特征图、第二增强特征图和第三增强特征图，
[0033]A2、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于糖尿病视网膜病变分类的方法，其特征是：包括以下步骤：S1、获取眼底图像，获取训练好的超分辨率重建网络，利用所述超分辨率重建网络对所述眼底图像进行超分辨率重建，获得分辨率大于所述眼底图像的超分图像；S2、获取训练好的图像分类网络，将所述超分图像输入所述图像分类网络，利用所述图像分类网络对所述超分图像进行分类；所述超分辨率重建网络包括：初步卷积层，所述初步卷积层用于对所述眼底图像进行浅层特征提取，获得第一特征图；深层特征提取单元，所述深层特征提取单元的输入端与所述初步卷积层的输出端连接，所述深层特征提取单元包括跳跃连接和多个残差注意力模块，多个所述残差注意力模块首尾顺次连接，所述第一特征图通过所述跳跃连接输入各个所述残差注意力模块；特征融合单元，所述特征融合单元用于将各个所述残差注意力模块输出的特征图融合，得到第二特征图；图像放大模块，所述图像放大模块用于对所述第二特征图进行超分辨率重建，获得所述超分图像；其中，所述残差注意力模块的数学模型为：F1＝σ1(f
31
(K
n
))F2＝σ2(f
32
(K
n
))F3＝σ3(f
33
(F2))F4＝f
ca
(f
T
(F1,F2,K0))F5＝f
m
(F4,[F1,F3])K
n+1
＝σ4(f1(F5))+K
n
其中，K0表示所述第一特征图，K
n
为上游输出的特征图，K0和K
n
同时作为所述残差注意力模块的输入，f
31
、f
32
和f
33
均表示卷积核大小为3*3的卷积操作，f1表示卷积核大小为1*1的卷积操作，σ1、σ2、σ3和σ4均表示非线性激活函数ReLU，f
T
表示三元融合模块，所述三元融合模块用于将F1、F2和K0融合，f
ca
表示通道注意力模块，[
·
]表示对其中的特征图进行拼接操作，f
m
(F4，[F1,F3])表示F1与F3拼接后、再与F4融合，K
n+1
表示所述残差注意力模块输出的特征图。2.根据权利要求1所述的用于糖尿病视网膜病变分类的方法，其特征是：所述三元融合模块可表示为如下公式：F
T1
＝σ
T1
(f
T1
([F1,F2,K0]))F
T2
＝σ
T2
(F1+F2)F
T
＝σ
T3
(f
T3
([F
T1
,F
T2
]))其中，F1、F2和K0同时作为所述三元融合模块的输入，f
T1
表示卷积核大小为1*1的卷积操作，f
...

【专利技术属性】
技术研发人员：黄昶荃，李永红，彭小东，
申请(专利权)人：成都大学附属医院，
类型：发明
国别省市：