一种用于糖尿病视网膜病变分级装置制造方法及图纸

本发明专利技术涉及一种用于糖尿病视网膜病变分级装置，包括：接收模块，用于接收视网膜眼底图像；分级模块，用于将视网膜眼底图像输入至深度注意力卷积神经网络中实现糖尿病视网膜病变进行分级；其中，深度注意力卷积神经网络包括：特征提取主干网络模块，用于得到高等级的全局语义特征图；随机空洞空间卷积池化金字塔模块，用于得到多尺度病变特征图；全局注意力模块，用于生成通道以及空间级的全局注意力特征图；类注意力模块，用于得到病变特征信息图；可学习的连接模块，用于产生完整的细粒度病变特征图；全连接模块，用于根据细粒度病变特征图预测对应的糖尿病视网膜病变等级。本发明专利技术能够提升糖尿病视网膜病变分级的性能和相应病变的定位能力。变的定位能力。变的定位能力。

【技术实现步骤摘要】
一种用于糖尿病视网膜病变分级装置


[0001]本专利技术涉及眼科医学图像处理
，特别是涉及一种用于糖尿病视网膜病变分级装置。

技术介绍

[0002]糖尿病视网膜病变(Diabetic Retinopathy,DR)是糖尿病最严重的并发症之一，会导致视力受损，严重的会导致不可逆的失明。为了准确区分糖尿病视网膜病变的严重程度，国际上将糖尿病视网膜病变分为了五个等级。糖尿病视网膜病变的早期诊断对于延缓病变发展、保护患者视力、提高患者生活质量十分重要。然而，由于人工诊断的准确性严重依赖于医生的经验以及专业程度，并且诊断过程耗时耗力。同时，因为临床经验以及专业知识的限制，既使是经验丰富的眼科医生也可能对同一视网膜眼底图像产生不一致的评级。因此，迫切需要一种自动对视网膜眼底图像进行准确、快速和客观的糖尿病视网膜病变分级方法。
[0003]传统的糖尿病视网膜病变分级的方法都是依靠基于机器学习的分类器以及其变体来实现的，比如支持向量机、随机森林、高斯混合模型等。但这些方法均过度依赖于人工制作的糖尿病视网膜眼底病变的底层特征，且对图像的成像质量要求本文档来自技高网...

【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级装置，其特征在于，包括：接收模块，用于接收视网膜眼底图像；分级模块，用于将所述视网膜眼底图像输入至深度注意力卷积神经网络中，利用所述深度注意力卷积神经网络对糖尿病视网膜病变进行分级；其中，所述深度注意力卷积神经网络包括：特征提取主干网络模块，用于从所述视网膜眼底图像中提取高等级的抽象语义特征表示，得到高等级的全局语义特征图；随机空洞空间卷积池化金字塔模块，用于随机丢弃从不同空洞卷积层输出的高等级的全局语义特征图，捕捉多尺度的病变特征，得到多尺度病变特征图；全局注意力模块，用于基于多尺度病变特征图生成通道以及空间级的全局注意力特征图；类注意力模块，用于从全局注意力特征图中提取糖尿病视网膜病变指定等级相关的有辨识的区域等级的病变特征信息，得到病变特征信息图；可学习的连接模块，用于自适应搜寻所述深度注意力卷积神经网络中不同模块之间的最优连接，加强特征在所述深度注意力卷积神经网络中的传播，自适应的融合病变的低等级和高等级特征，并基于所述多尺度病变特征图、全局注意力特征图和病变特征信息图产生完整的细粒度病变特征图；全连接模块，用于根据细粒度病变特征图预测对应的糖尿病视网膜病变等级。2.根据权利要求1所述的用于糖尿病视网膜病变分级装置，其特征在于，所述随机空洞空间卷积池化金字塔模块在训练过程中，引入独立二元变量b
i
∈{0,1}决定每一个空洞卷积层输出的特征图是否被保留，b
i
∈{0,1}满足由概率p
i
参数化的伯努利分布；所述随机空洞空间卷积池化金字塔模块在预测过程中，通过参数p
i
来调节每个空洞卷积层输出的特征图。3.根据权利要求1所述的用于糖尿病视网膜病变分级装置，其特征在于，所述全局注意力模块为由通道注意力单元以及空间注意力单元组成的单分支结构，所述通道注意力单元的处理过程描述为：其中，F
Cattention
为通道级注意力特征图，F
Reduce
为通过1
×
1卷积层的多尺度病变特征图，σ(
·
)和Rel(
·
)分别表示表示Sigmoid和ReLU激活函数，Conv(
·
)表...

【专利技术属性】
技术研发人员：李峰，唐仕清，陈宇洋，刘碧珊，王昶茹，
申请(专利权)人：上海机器人产业技术研究院有限公司，
类型：发明
国别省市：