一种基于识别模型的眼部图像动态诊断方法技术

本发明专利技术涉及一种基于识别模型的眼部图像动态诊断方法，其特征在于：包括模型训练策略、特征识别策略、疾病诊断策略；通过样本集训练识别模型，使识别模型的对人眼图像的检测结果趋向于实际病例诊断结果，这样使得识别模型可以随着样本的增加而提高其对疾病的辨识精度，另一方面，通过点卷积的方式减少图像识别时的计算量，同时通过动态感受野实现关键特征提取，在保证识别效率的同时，不容易忽略细节的特征要素。特征要素。特征要素。

【技术实现步骤摘要】
一种基于识别模型的眼部图像动态诊断方法


[0001]本专利技术涉及图像识别技术，更具体地说，涉及一种基于识别模型的眼部图像动态诊断方法。

技术介绍

[0002]现阶段，中国正在逐步不如老龄化国家阶段，常见的老年疾病例如糖尿病、白内障、皮肤黄斑、高血压等诊断过程大多采用抽血、理化检测等技术手段，该类方法具有检测成本高、耗时长、测试环境故要求高等缺点。早期眼病检测是预防由糖尿病，青光眼，白内障，年龄相关性黄斑变性和许多其他疾病引起的失明的经济有效方法。目前，基于人工智能的诊断方法已经被逐渐应用于图像识别、目标检测、自然语言处理、故障诊断等各个领域。在医学图像诊断的应用方面，基于深度学习的诊断方法已经被广泛应用，并取得了良好的诊断效果。然而，该方法的限制条件较多。首先，深度学习方法包含大量的可训练参数，这需要大量的图像样本对网络进行训练；然后，经典的卷积计算方法对图像的特征提取能力有限，表征疾病信息的关键特征不能有效获取，或需要大量的样本库学习才可获得有效特征。最后，在网络训练过程中，获取关键特征的途径多采用平均池化和最大池化的方法，未充分考虑图像的细节信息。

技术实现思路

[0003]有鉴于此，本专利技术目的是提供一种基于识别模型的眼部图像动态诊断方法。
[0004]为了解决上述技术问题，本专利技术的技术方案是：一种基于识别模型的眼部图像动态诊断方法，包括模型训练策略、特征识别策略、疾病诊断策略；
[0005]所述模型训练策略用于训练所述识别模型，所述模型训练策略包括
[0006]步骤A1、获取疾病样本集，所述疾病样本集包括样本图像以及对应的疾病信息，将所述疾病样本集筛选训练子集；
[0007]步骤A2、通过特征识别策略处理所述训练子集的样本图像以获得样本图像对应的疾病特征；
[0008]步骤A3、根据疾病特征和对应的疾病信息关联，并根据疾病特征和对应疾病信息的关联关系配置对应的关联参数以生成识别模型；
[0009]所述疾病诊断策略包括
[0010]步骤B1、获取目标图像；
[0011]步骤B2、通过特征识别策略处理所述目标图像以获得目标图像对应的疾病特征；
[0012]步骤B3、将获得的疾病特征带入识别模型以计算每一疾病对应的特征关联值；
[0013]步骤B4、根据每一疾病的特征关联值输出对应目标图像的诊断结果；
[0014]所述特征识别策略包括
[0015]步骤C1、处理目标图像以使图像大小统一为第一预设尺寸；
[0016]步骤C2、利用点卷积计算对目标图像进行通道拓展；
[0017]步骤C3、通过动态感受野确定目标图像中的获取关键特征；
[0018]步骤C4、通过全卷积算法将关键特征映射至标记空间以生成所述疾病特征。
[0019]进一步的：所述步骤C3中，所述动态感受野包括一次感受野和二次感受野；
[0020]所述步骤C3包括
[0021]步骤C3
‑
1，通过一次感受野获取目标图像中的关键特征；
[0022]步骤C3
‑
2，对步骤C3
‑
1获得的图像进行池化操作处理；
[0023]步骤C3
‑
3，通过二次感受野获取步骤C3
‑
2中获得的图像中的关键特征；
[0024]步骤C3
‑
4，对步骤C3
‑
3获得的图像进行池化操作处理。
[0025]进一步的：所述步骤C3中，配置注意力竞争算法用于生成特征矩阵，通过所述特征矩阵表示所述关键特征；
[0026]所述注意力竞争算法为X”＝s
1c
U1+s
2c
U2+
…
s
nc
U
n
，其中，U
n
为第n个感受野对应的深度可分离卷积计算结果，n为感受野的数量，s
nc
是s
n
的第c个元素，其中，S
nc
是S
n
的第c行，R为注意力权重。
[0027]进一步的：所述步骤C3中，配置多维注意算法计算注意力权重，所述多维注意算法为R＝r(R
hc
+R
ec
)，r为注意力关联权值；
[0028]有以及，δ为Sigmoid传递函数去映射通道注意力机制的计算结果，k为调参预设值，R
hc
为熵注意算法中熵注意值和R
ec
为能量注意算法中能量注意值；i和j分别代表图像分别在长和宽方向的像素位置，P为基于灰度度量计算的灰度共生矩阵。
[0029]进一步的：所述注意力关联权值的初始值设置为1，所述步骤C3中配置动态权值算法，所述动态权值算法根据关键特征的匹配结果更新所述注意力关联权值，r＝[(χ1d1‑
φt1)+(χ2d2‑
φt2)
…
+(χ
m
d
m
‑
φt
m
)]r，其中χ
m
为第m个匹配的疾病特征的关联参数，m为匹配相关度超过预设的匹配阈值的疾病特征的数量，d
m
为第m个匹配的疾病特征的匹配相关度，φ为预设的衰减因子，t
m
为第m个匹配的疾病特征的匹配时距。
[0030]进一步的：所述的感受野设置为3个，感受野大小分别为1
×
1、3
×
3、5
×
5。
[0031]进一步的：还包括样本扩增策略，所述样本扩增策略用于扩增疾病样本集；
[0032]所述样本扩增策略包括
[0033]步骤E1、计算不同疾病的样本相关性，若样本相关性大于预设的第一相关值，则进入步骤E2
‑
1,若样本相关性小于预设的第一相关值，则进入步骤E2
‑
2；
[0034]步骤E2
‑
1，将对应的两个样本图像进行预设比例的整列或整行互换样本图像以形成新的样本图像；
[0035]步骤E2
‑
2，将该样本图像拆分为左眼图像和右眼图像，并根据预设的比例整列或整行替换左眼图像和右眼图像以形成新的样本图像。
[0036]进一步的：配置相关匹配算法用于计算样本相关性，T＝α1W
s
+α2(G
x
‑
G
sa
)+α3L
p
，其中T为样本相关性，W
s
为外部相关度，所述外部相关度反映疾病类型在外部数据库中的相关度，G
x
为不同疾病类型的样本图像的实际相似度值，G
sa
为预设的基准相似度值，L
p
为并发两
种不同类型疾病的患者数量，α1为预设的外部权重，α2为预设的相似权重，α3为预设的并发权重，α1+α2+α3＝1。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于识别模型的眼部图像动态诊断方法，其特征在于：包括模型训练策略、特征识别策略、疾病诊断策略；所述模型训练策略用于训练所述识别模型，所述模型训练策略包括步骤A1、获取疾病样本集，所述疾病样本集包括样本图像以及对应的疾病信息，将所述疾病样本集筛选训练子集；步骤A2、通过特征识别策略处理所述训练子集的样本图像以获得样本图像对应的疾病特征；步骤A3、根据疾病特征和对应的疾病信息关联，并根据疾病特征和对应疾病信息的关联关系配置对应的关联参数以生成识别模型；所述疾病诊断策略包括步骤B1、获取目标图像；步骤B2、通过特征识别策略处理所述目标图像以获得目标图像对应的疾病特征；步骤B3、将获得的疾病特征带入识别模型以计算每一疾病对应的特征关联值；步骤B4、根据每一疾病的特征关联值输出对应目标图像的诊断结果；所述特征识别策略包括步骤C1、处理目标图像以使图像大小统一为第一预设尺寸；步骤C2、利用点卷积计算对目标图像进行通道拓展；步骤C3、通过动态感受野确定目标图像中的获取关键特征；步骤C4、通过全卷积算法将关键特征映射至标记空间以生成所述疾病特征。2.如权利要求1所述的一种基于识别模型的眼部图像动态诊断方法，其特征在于：所述步骤C3中，所述动态感受野包括一次感受野和二次感受野；所述步骤C3包括步骤C3
‑
1，通过一次感受野获取目标图像中的关键特征；步骤C3
‑
2，对步骤C3
‑
1获得的图像进行池化操作处理；步骤C3
‑
3，通过二次感受野获取步骤C3
‑
2中获得的图像中的关键特征；步骤C3
‑
4，对步骤C3
‑
3获得的图像进行池化操作处理。3.如权利要求2所述的一种基于识别模型的眼部图像动态诊断方法，其特征在于：所述步骤C3中，配置注意力竞争算法用于生成特征矩阵，通过所述特征矩阵表示所述关键特征；所述注意力竞争算法为X”＝s
1c
U1+s
2c
U2+...s
nc
U
n
，其中，U
n
为第n个感受野对应的深度可分离卷积计算结果，n为感受野的数量，s
nc
是s
n
的第c个元素，其中，S
nc
是S
n
的第c行，R为注意力权重。4.如权利要求3所述的一种基于识别模型的眼部图像动态诊断方法，其特征在于：所述步骤C3中，配置多维注意算法计算注意力权重，所述多维注意算法为R＝r(R
hc
+R
ec
)，r为注意力关联权值；有以及，δ为Sigmoid传递函数去映射通道注意力机制的计算结果，k为调参预设值，R
hc
为熵注意算法中熵注意值和R
ec
为能量注意算法中能量注意值；i和j分别代表图像分别在长和宽方向的像素
位置，P为基于灰度度量计算的灰度共生矩阵。5.如权利要求4所述的一种基于识别模型的眼部图像动态诊断方法，其特征在于：所述注意力关联权值的初始...

【专利技术属性】
技术研发人员：谢明轩，王乙童，孙世杰，
申请(专利权)人：深圳市江机实业有限公司，
类型：发明
国别省市：