【技术实现步骤摘要】
用于眼底图像分类的小样本注意力机制并行孪生方法
[0001]本专利技术涉及深度学习、计算机视觉、医学信息智能处理
，尤其涉及一种基于基于医学眼底图像的小样本注意力机制并行孪生算法。
技术背景
[0002]眼底图像是检测人体多种疾病的重要标志。目前，深度学习在医学眼底图像的识别分类中取得的进展很大程度上依赖于大量可用的有标签数据。然而，对于医学图像来说，能收集到的分类数据图像十分有限。若想收集大量的数据，并对其进行标注往往需要耗费大量的人力和物力。于是，我们在多数情况下，需要对小样本进行分类，生成小样本的分类模型。可是现今的大多数深度学习模型模型很难解决少量标签数据的问题。因此利用机器学习的方法解决少量有标签数据进行图像分类的小样本学习问题，成为了近年来研究的热点内容。
[0003]目前适用于医学图像方面的小样本研究思想有迁移学习和半监督学习方法，这些方法在一定程度上可以缓解少量数据训练过程中出现的过拟合问题和数据稀缺问题，但不能从根本上解决小样本问题。而元学习则将模型从原有的数据学习提升到任务学习，为小样本学习...
【技术保护点】
【技术特征摘要】
1.用于眼底图像分类的小样本注意力机制并行孪生方法，其特征在于，包括以下步骤：步骤S1、读取医学眼底图像的绝对路径，其中包含训练集和测试集，读取图像数据；接着，读取眼底图像的疾病标签，设置分类数；数据集选用中山大学中山眼科中心提供的关于病理性近视PM的医疗类数据集，包括病理性近视、高度近似、正常眼睛共三类；之后，对于图像数据进行数据增强，其中包含：随机翻转、旋转、裁剪、缩放、饱和度调整等，最终得到所需训练的数据集；步骤S2、利用孪生网络进行少镜头分类学习,将从头开始训练网络替换为预训练模型的权重，采用基于特征的迁移学习方法，将densenet网络作为预训练的网络模型；步骤S3、在densenet网络中添加卷积块注意力模块CBAM，从空间和通道两个方面进行重要特征提取并优化，并调整分类的类别数为眼底图像的分类标签数；步骤S4、通过欧氏距离计算模型的损失函数，更新样本信息匹配程度；步骤S5、利用提取匹配的信息特征进行端到端的训练和小样本分类模型的效果测试。2.根据权利要求1所述的用于眼底图像分类的小样本注意力机制并行孪生方法，其特征在于，所述步骤S2的具体步骤如下：S2.1将原数据集中的图片数据进行配对，存入两个数据集x0_data和x1_data中；S2.2利用基于特征的迁移学习方法，迁移已使用数据集ImageNet预训练好的网络densenet121，将densenet121作为预训练模型进行小样本图像特征提取，将数据集中图像分辨率为2124
×
2056像素的图片伸缩变化为214
×
214像素的三维图片作为特征输入，每一层的作用是从上一层提取更多的图像特征传递到下一层进行处理；S2.3网络的初始卷积层有2
×
32个过滤器，先经过7
×
7的卷积将224
×
224的输入图片缩减至112
×
112，经过池化层通过3
×
3的最大池化层进行降采样操作，将特征图进一步缩减至56
×
56，然后经过第1个稠密块模块，在该模块中先经过1
×
1的卷积，然后是3
×
3的卷积，重复6次，共计12层，接着经过一个过渡层，进行批标准化,ReLU激活函数和1
×
1卷积的操作，达到降维，压缩和降低图像尺寸效果；S2.4最后，依次循环经过剩余3个稠密块和2个过渡层模块，最后经过全局平均池化和全连接层的1000路逻辑回归softmax得到输出为7
×
7像素的图像特征信息。3.据权利要求1所述的用于眼底图像分类的小样本注意力机制并行孪生方法，其特征在于，所述步骤S3的具体步骤如下：S3.1将从densenet卷积网络中提取的特征C
×
H
×
W作为注意力机制模块的输入，其中C为通道数，W和H分别为经过卷积后得到的缩小后的图片宽高；S3.2建立通道注意力模块，利用通道注意力机制模块ChannelAttention ...
【专利技术属性】
技术研发人员：丁卫平，孙楚迪，刘书恒，程纯，李铭，孙颖，耿宇，
申请(专利权)人：南通大学，
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。