【技术实现步骤摘要】
一种糖尿病视网膜病变诊断模型的构建方法及诊断模型
[0001]本专利技术涉及深度学习
，尤其涉及一种糖尿病视网膜病变诊断模型的构建方法及诊断模型。
技术介绍
[0002]近年来，糖尿病视网膜病变（Diabetic Retinopathy，简称DR）是一种最常见的糖尿病眼科疾病并发症，是一种可预防的疾病。临床中，主要依赖于经验较高的眼科专家对彩色眼底图像进行观察评估以确定疾病分期等级，其中病理分期等级多采用DR国际五分期标准来制定最优化的诊疗方案。深度学习可以有效地根据标注的数据中提取图像中的病理特征，并取得较好的诊断结果，但是实际情况会面临很多挑战。
[0003]DR分期问题有一个显著的特征，即疾病的发展过程是连续的。而现有基于深度学习的DR分期方法通常将该问题看作是类别离散的分类任务，忽略了病变过程的连续性属性。这相当于在建模过程中丢弃了一部分重要的先验知识，无疑会对模型性能造成负面影响。导致这种情况的主要原因是由于模型末端分类器的结构限制，使其无法直接对训练数据中标签的连续性信息进行建模学习。
技术实现思路
[0004]针对上述问题，本专利技术的目的在于提供一种糖尿病视网膜病变诊断模型的构建方法及诊断模型，旨在通过设计一种全新的分类器结构及损失函数，使模型能够对DR病变过程连续性信息进行学习，以此提升模型性能。
[0005]为解决上述技术问题，本专利技术提供如下方案：
[0006]一方面，提供了一种糖尿病视网膜病变诊断模型的构建方法，包括以下步骤：
[0007...
【技术保护点】
【技术特征摘要】
1.一种糖尿病视网膜病变诊断模型的构建方法，其特征在于，包括以下步骤：获取眼底图像并进行预处理，得到输入图；将输入图输入骨干网络进行特征提取，得到包含高级特征的特征图；设计改进的分类器，将特征图输入改进的分类器，经过计算分别得到一个分类预测结果和一个回归预测结果；设计相对位置损失函数附加项，上一步骤中的分类预测结果用于计算交叉熵损失函数，上一步骤中的回归预测结果用于计算相对位置损失函数附加项；交叉熵损失函数和相对位置损失函数附加项相结合得到最终的联合损失函数，以实现诊断模型的构建。2.根据权利要求1所述的糖尿病视网膜病变诊断模型的构建方法，其特征在于，对眼底图像进行预处理的步骤具体包括：首先，去除眼底图像四周的黑色区域；其次，将眼底图像的尺寸调整统一，调整后的图像分辨率为256
×
256；最后，使用如下公式进行眼底图像增强，改善眼底图像的亮度和对比度差异：
ꢀꢀ
（1）（2）公式（1）中，为经过预处理的眼底图像，表示标准差为的高斯卷积，表示眼底图像中的像素点；公式（2）为对增强前和增强后的眼底图像进行加权求和，其中使用的参数, , ,分别为4、
‑
4、10和128。3.根据权利要求1所述的糖尿病视网膜病变诊断模型的构建方法，其特征在于，选用包含ImageNet预训练参数的ResNet50网络作为编码器构成诊断模型的骨干网络。4.根据权利要求1所述的糖尿病视网膜病变诊断模型的构建方法，其特征在于，设计改进的分类器的过程如下：经由骨干网络得到的特征图送入全连接层，并输出维度为6的向量表示，分量为；其中经过Softmax后得到输入样本标签为i的概率，；Softmax计算过程如下所示：
ꢀꢀ
(3)对输入样本给出的分类结果由P中最大元素的下标得到，其公式为：
ꢀꢀꢀꢀꢀ
(4)经过Sigmoid函数后得到，这一过程如公式（5）所示：
ꢀꢀ
(5)
这里，看作是输入样本的回归预测值；的值越大，代表样本的病变程度越严重；考虑到输入样本标签的取值范围0~4，为了方便计算，将预测值放大得到：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)，看作是对输入样本病变程度回归预测值。5.根据权利要求1所述的糖尿病视网膜病变诊断模型的构建方法，其特征在于，设计相对位置损失函数附加项的过程如下：假设训练集的任意两个输入样本和，它们的标签为和，病变程度回归预测值为和，则它们的标签距离和预测值距离分别为和；为避免符号对模型训练过程带来干扰，在计算距离差时将这两个距离取绝对值：
ꢀꢀꢀ
(7)同样地，考虑消除的符号对于模型的影响，经过实验验证，最终选择对取平方后作为相对位置损失；对于模型训练过程中，一个批次包含个输入样本的情况，计算任意两个输入样本之间的距离差，则共计算次；之后取平均，作为这个批次的相对位置损失函数附加项：
ꢀꢀ
(8)最终的联合损失函数由交叉熵损失函数与相对位置损失函数附加项共同组成，具体如下所示：
ꢀꢀꢀꢀ
(9)其中为一个调整两种损失函数比例的超参数，为交叉熵损...
【专利技术属性】
技术研发人员：欧阳继红，刘思光，李成溪，孟庆奕，
申请(专利权)人：吉林大学，
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。