基于多尺度残差网络的视网膜OCT图像分类方法、系统、计算机设备和存储介质，属于OCT图像处理技术领域，解决对视网膜OCT图像分类准确率较低问题。本发明专利技术的方法包括：获取视网膜OCT图像分类数据集，分为训练集和测试集；对训练集和测试集进行预处理；利用双通道注意力机制和多尺度残差模块对基线网络进行改进，建立视网膜OCT图像分类模型；多尺度残差模块具体包括若干条支路、残差模块、特征融合模块和相加模块，每条支路包括若干个卷积；特征融合模块用于将若干条支路的输出信息进行特征融合；相加模块用于将融合后的信息与残差模块的输出信息进行相加；获取训练后的视网膜OCT图像分类模型；对视网膜OCT图像进行分类。本发明专利技术适用于视网膜OCT图像的分类。用于视网膜OCT图像的分类。用于视网膜OCT图像的分类。
【技术实现步骤摘要】
基于多尺度残差网络的视网膜OCT图像分类方法、系统、计算机设备和存储介质
[0001]本申请涉及OCT图像处理
，尤其涉及视网膜OCT图像分类。
技术介绍
[0002]视网膜疾病是导致视力残缺的主要原因，视网膜疾病由于发病率高和致盲率高的特点，一直是重点的研究对象，目前，全球人口趋于老龄化，随着人口年龄的增长，视网膜也会随之衰退。有关视网膜的眼部疾病是老龄人患病率较高的疾病之一。我国目前致盲的主要视网膜疾病有以下几种：青光眼，白内障，糖尿病性黄斑水肿(diabetic macular edema,DME)以及年龄相关性黄斑病变(age
‑
related macular degeneration,AMD)，AMD又可按照临床表现和病理改变不同分为干性(DRUSEN)、湿性(CNV)两型。治疗视网膜疾病的关键在于早期筛查、定期检查。
[0003]光学相干断层扫描技术(Optical Coherence Tomography，OCT)可以提供高分辨率的视网膜截面图像，是目前用于检验视网膜疾病最为先进的技术手段，具有非接触、无创、成像快等优点。目前，对于视网膜疾病的诊断方式普遍为眼科医生对病人的眼底OCT图像进行人工检查，对病人所患疾病进行判断。但是这种判断方法的缺点是眼科医生人数较少，眼部疾病患者较多，会造成医生疲劳，OCT图像为灰度图像，部分疾病特征表现得不明显，从而导致误诊、漏诊，进一步使病人没有及时发现眼部疾病并进行治疗，导致病情恶化。
[0004]深度学习(Deep Learning)技术受到诸多领域的广泛关注，它在大规模数据处理方面具有优势。近些年来，深度学习(Deep Learning)技术受到诸多领域的广泛关注，它是机器学习(Machine Learning)学科中的一种方法。深度学习在图像分类中的应用主要在于利用卷积神经网络(Convolutional Neural Network,CNN)进行特征的学习，不需要人工进行特征的设计，深度学习中的深度指的是用于对图像分类的网络是由非常多的层组成，包括卷积层、池化层和全连接层。深度学习技术在大规模数据处理方面具有优势，目前在OCT图像分类领域取得了巨大成功。近年来提出了一种基于迁移学习的视网膜OCT图像分类方法，该方法通过微调GoolgeNet网络，减小网络对大量数据的依赖，在训练数据有限的情况下实现对DME、AMD和正常图像的分类，分类精度分别为86％、89％和99％。也有使用深度可分离卷积代替普通卷积层从而减小网络的参数，同时使用全局平均池化代替全连接层，提高空间鲁棒性，经实验可使分类准确率达到97％。以上许多图像分类算法研究在分类准确率上都取得了较好的结果，但是大部分算法在分类准确率上依旧不能满足医学领域的需求，在医学领域还是较低的。
技术实现思路
[0005]本专利技术目的是为了解决现有对视网膜OCT图像分类准确率较低的问题，提供了基于多尺度残差网络的视网膜OCT图像分类方法、系统、计算机设备和存储介质。
[0006]本专利技术是通过以下技术方案实现的，本专利技术一方面，提供基于多尺度残差网络的
视网膜OCT图像分类方法，所述方法包括：
[0007]步骤1、获取视网膜OCT图像分类数据集，并将其分为训练集和测试集；
[0008]步骤2、对所述训练集和测试集进行预处理；
[0009]步骤3、利用双通道注意力机制和多尺度残差模块对基线网络进行改进，建立视网膜OCT图像分类模型；
[0010]所述多尺度残差模块具体包括若干条支路、残差模块、特征融合模块和相加模块，每条所述支路包括若干个卷积；
[0011]所述特征融合模块用于将所述若干条支路的输出信息进行特征融合；
[0012]所述相加模块用于将所述融合后的信息与所述残差模块的输出信息进行相加；
[0013]步骤4、利用所述预处理后的训练集对所述视网膜OCT图像分类模型进行训练；
[0014]利用所述预处理后的测试集对所述视网膜OCT图像分类模型进行测试；
[0015]获取训练后的视网膜OCT图像分类模型；
[0016]步骤5、利用所述练后的视网膜OCT图像分类模型，对视网膜OCT图像进行分类。
[0017]进一步地，所述预处理，具体包括：
[0018]采用下采样的方式，将所述训练集和测试集中若干个类别的视网膜OCT图像的数量进行统一；
[0019]对所述数量统一后的视网膜OCT图像的尺寸进行统一；
[0020]对所述尺寸统一后的视网膜OCT图像进行标准化。
[0021]进一步地，所述基线网络为ResNet50网络。
[0022]进一步地，步骤3，具体包括：
[0023]在所述基线网络中加入若干个双通道注意力机制模块、最大池化层和平均池化层；
[0024]用若干个所述多尺度残差网络替代所述若干个基线网络的残差模块；
[0025]设置损失函数，用于学习模型参数；
[0026]根据视网膜OCT图像分类任务，设置网络的输出维度。
[0027]进一步地，所述双通道注意力机制模块为两个，分别设置于卷积层后和最后一个多尺度残差模块后。
[0028]进一步地，所述最大池化层设置于第一个残差模块前。
[0029]进一步地，所述若干条支路具体包括四条支路；
[0030]所述四条支路分别由1
×
1卷积、1
×
1和3
×
3卷积、1
×
1和5
×
5卷积以及最大池化层和1
×
1卷积组成。
[0031]第二专利技术，本专利技术提供基于多尺度残差网络的视网膜OCT图像分类系统，所述系统包括：
[0032]数据集获取模块，用于获取视网膜OCT图像分类数据集，并将其分为训练集和测试集；
[0033]数据集处理模块，用于对所述训练集和测试集进行预处理；
[0034]视网膜OCT图像分类模型建立模块，用于利用双通道注意力机制和多尺度残差模块对基线网络进行改进，建立视网膜OCT图像分类模型；
[0035]所述多尺度残差模块具体包括若干条支路、残差模块、特征融合模块和相加模块，
每条所述支路包括若干个卷积；
[0036]所述特征融合模块用于将所述若干条支路的输出信息进行特征融合；
[0037]所述相加模块用于将所述融合后的信息与所述残差模块的输出信息进行相加；
[0038]模型训练和测试模块，用于利用所述预处理后的训练集对所述视网膜OCT图像分类模型进行训练；
[0039]利用所述预处理后的测试集对所述视网膜OCT图像分类模型进行测试；
[0040]获取训练后的视网膜OCT图像分类模型；
[0041]模型分类模块，用于利用所述练后的视网膜OCT图像分类模型，对视网膜OCT图像进行分类。
[0042]第三方面，本专利技术提供一种计算机设备，包本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于多尺度残差网络的视网膜OCT图像分类方法，其特征在于，所述方法包括：步骤1、获取视网膜OCT图像分类数据集，并将其分为训练集和测试集；步骤2、对所述训练集和测试集进行预处理；步骤3、利用双通道注意力机制和多尺度残差模块对基线网络进行改进，建立视网膜OCT图像分类模型，所述基线网络为图像分类网络；所述多尺度残差模块具体包括若干条支路、所述基线网络的残差模块、特征融合模块和相加模块，每条所述支路包括若干个卷积；所述特征融合模块用于将所述若干条支路的输出信息进行特征融合；所述相加模块用于将所述融合后的信息与所述残差模块的输出信息进行相加；步骤4、利用所述预处理后的训练集对所述视网膜OCT图像分类模型进行训练；利用所述预处理后的测试集对所述视网膜OCT图像分类模型进行测试；获取训练后的视网膜OCT图像分类模型；步骤5、利用所述练后的视网膜OCT图像分类模型，对视网膜OCT图像进行分类。2.根据权利要求1所述的基于多尺度残差网络的视网膜OCT图像分类方法，其特征在于，所述预处理，具体包括：采用下采样的方式，将所述训练集和测试集中若干个类别的视网膜OCT图像的数量进行统一；对所述数量统一后的视网膜OCT图像的尺寸进行统一；对所述尺寸统一后的视网膜OCT图像进行标准化。3.根据权利要求1所述的基于多尺度残差网络的视网膜OCT图像分类方法，其特征在于，所述基线网络为ResNet50网络。4.根据权利要求1至3中任一项所述的基于多尺度残差网络的视网膜OCT图像分类方法，其特征在于，步骤3，具体包括：在所述基线网络中加入若干个双通道注意力机制模块、最大池化层和平均池化层；用若干个所述多尺度残差网络替代所述若干个基线网络的残差模块；设置损失函数，用于学习模型参数；根据视网膜OCT图像分类任务，设置网络的输出维度。5.根据权利要求4所述的基于多尺度残差网络的视网膜OCT图像分类方法，其特征在于，所述双通道注意力机制模块为两个，分别设置于卷积层后和最后一个多尺度残差模块后。6...
【专利技术属性】
技术研发人员：李冰，李广庆，刘侠，吴少勇，于尚宁，嫣梦雨，
申请(专利权)人：哈尔滨理工大学，
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。