弱监督学习糖尿病视网膜病变分级与病灶识别方法及系统技术方案

本发明专利技术涉及一种弱监督学习糖尿病视网膜病变分级与病灶识别方法及系统，其方法包括：S1：将糖网眼底彩像输入CNN网络，得到特征图F；将F输入基于弱监督物体定位的病灶点捕捉模块，选择进入分支模块，计算得到得分图，将得分图与特征图F相乘，得到新的特征图F'；S2：使用基于强化学习的最优网络结构搜索模块对基于弱监督病灶点捕捉模块在CNN网络的插入位置、选取概率以及特征丢弃阈值与保留阈值进行计算，最后输出特征图F

【技术实现步骤摘要】
弱监督学习糖尿病视网膜病变分级与病灶识别方法及系统


[0001]本专利技术涉及图像处理领域，具体涉及一种弱监督学习糖尿病视网膜病变分级与病灶识别方法及系统。

技术介绍

[0002]近年来，糖尿病发病率逐年增加，作为糖尿病的主要并发症，糖尿病视网膜病变(Diabetic Retinopathy,DR)在全球范围内已经成为工作年龄段人群的首要致盲原因。据统计，我国约5亿人处于糖尿病前期，糖尿病患者约有1.1亿人，糖尿病视网膜病变的患者约有3700万。糖网的诊断需要由专业的眼科医生通过观察眼底彩像上的病灶点，并根据糖网的分级标准确定病人是否患病已经病变等级，该过程费时费力，并且在偏远或不发达地区专业眼科医生数量少，病人无法得到及时的诊断从而耽误了医治时间，据相关部门统计，目前87％的糖尿病患者就诊于县级及以下医疗机构，但是糖网病的基本诊疗措施和适宜技术却在三级医疗机构实施。因此，智能化、自动化的糖网辅助诊断技术能够有效缓解医生工作压力并提升诊断效率。
[0003]目前，借助深度学习技术完成糖网辅助是一个热点问题。深度学习中的计算机视觉技术能够本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弱监督学习糖尿病视网膜病变分级与病灶识别方法，其特征在于，包括：步骤S1：将糖网眼底彩像输入卷积神经网络，得到特征图F；将F输入基于弱监督物体定位的病灶点捕捉模块，将其降维成一维特征图，根据选取概率，选择进入三个分支模块：注意力分支模块、显著性特征擦除模块和显著性特征保留模块中的一支，计算得到得分图，将所述得分图与所述特征图F相乘，得到新的特征图F'；步骤S2：使用基于强化学习的最优网络结构搜索模块对所述基于弱监督病灶点捕捉模块在所述卷积神经网络模型中的插入位置、三个分支模块的所述选取概率、所述显著性特征擦除模块和所述显著性特征保留模块中的特征丢弃阈值与保留阈值进行计算，最后输出特征图F
NA
；步骤S3：根据糖尿病视网膜病变分级标准，得到用于区分糖网等级的病灶类别，将其作为先验知识用于弱监督多标签分类的标注，通过属性挖掘与病灶识别模块得到病灶属性预测结果以及疾病分级结果；步骤S4：基于所述病灶属性预测结果以及疾病分级结果，使用类激活图方法得到病灶位置的可视化图，通过多次迭代擦除计算得到最终的病灶识别结果。2.根据权利要求1所述的弱监督学习糖尿病视网膜病变分级与病灶识别方法，其特征在于，所述步骤S1：将糖网眼底彩像输入卷积神经网络，得到特征图F；将F输入基于弱监督物体定位的病灶点捕捉模块，将其降维成一维特征图，根据选取概率，选择进入三个分支模块：注意力分支模块、显著性特征擦除模块和显著性特征保留模块中的一支，计算得到得分图，将所述得分图与所述特征图F相乘，得到新的特征图F'，具体包括：步骤S11：将糖网眼底彩像输入卷积神经网络CNN，得到特征图F，F∈R
H
×
W
×
D
，其中，H、W和D分别是所述特征图F的高、宽和深度；步骤S12：F经过一个深度维度上的平均池化后得到注意力特征图Att，Att∈R
H
×
W
，Att经过Sigmoid操作后将值映射到[0,1]，得到所述一维特征图；步骤S13：根据选取概率p，将所述一维特征图输入注意力分支模块、显著性特征擦除模块和显著性特征保留模块中的一个模块得到得分图；其中，所述注意力分支模块、显著性特征擦除模块和显著性特征保留模块的选择概率分别为P
A
，P
D
和P
H
，且P
A
+P
D
+P
H
＝1；步骤S14：将所述得分图与所述特征图F相乘，得到新的特征图F'，公式(1)如下所示；其中，p是所述选取概率，
×
是逐点相乘，A是所述注意力分支模块的输出，D所述是显著性特征擦除模块的输出，H是所述显著性特征保留模块的输出。3.根据权利要求1所述的弱监督学习糖尿病视网膜病变分级与病灶识别方法，其特征在于，所述步骤S2：使用基于强化学习的最优网络结构搜索模块对所述基于弱监督病灶点捕捉模块在所述卷积神经网络模型中的插入位置、三个分支模块的所述选取概率、所述显著性特征擦除模块和所述显著性特征保留模块中的特征丢弃阈值与保留阈值进行计算，最后输出特征图F
NA
，具体包括：使用LSTM作为控制器生成搜索的参数值，使用ResNet50作为特征提取的骨干网络，通
过所述选取概率p获取所述基于弱监督物体定位的病灶点捕捉模块的各个参数，并通过验证集在所述基于弱监督物体定位的病灶点捕捉模块上的表现来缩放p的梯度，以此更新所述控制器；从而确定基于弱监督病灶点捕捉模块在所述卷积神经网络模型中的插入位置、三个分支模块的选取概率、所述显著性特征擦除模块和所...

【专利技术属性】
技术研发人员：潘俊君，谷云超，王心亮，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：