年龄相关性黄斑病变图像分类方法及装置制造方法及图纸

本公开的实施例提供一种年龄相关性黄斑病变图像分类方法及装置，具体涉及一种基于卷积神经网络的年龄相关性黄斑病变图像分类方法及装置，包括：获取彩色眼底图像；对所述彩色眼底图像进行轮廓筛选，确定视网膜区域；将确认视网膜区域的图像分为训练集和测试集，对图像进行预处理；利用训练集的数据对HCSP

【技术实现步骤摘要】
年龄相关性黄斑病变图像分类方法及装置


[0001]本公开的实施例属于图像处理领域，具体涉及一种基于卷积神经网络的年龄相关性黄斑病变图像分类方法及装置。

技术介绍

[0002]因年龄相关性黄斑病变(Age
‑
related Macular Degeneration, AMD)而导致视力严重损伤甚至失明的人数数量巨大，庞大的患者人群将会给眼科专家带来巨大的负担。年龄相关性黄斑病变根据其临床表现和影像学特征，可分为正常黄斑、干性年龄相关性黄斑病变和湿性年龄相关性黄斑病变。彩色眼底图像是年龄相关性黄斑病变常用的检查方法，如何对不同的年龄相关性黄斑病变图像进行准确的识别和分类，是本领域面临的技术难题。
[0003]彩色眼底图像是检查年龄相关性黄斑病变的常用方法，并在长期的实践中具有规范统一、可用性强和质量高等优点。对于年龄相关性黄斑病变的诊断方式普遍为眼科医生对病人的眼底彩色图像进行人工检查。但是这种判断方法的缺点是眼科医生人工检查判断，会造成眼科医生疲劳，增加眼科医生的负担。同时，由于眼科医生的专业水平的差异，也存在一些误诊或漏诊。
[0004]深度学习(Deep Learning)技术是机器学习(Machine Learning)学科中的一种方法，对改善传统诊断方法是非常显著的。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(ConvolutionalNeural Network ,CNN)进行特征的学习，不需要人工进行特征的设计。深度学习能够客观分析大量数据，实现高效准确的诊断，从而避免依赖主观评价出现误诊的情况，并减少医生的负担。其中，卷积神经网络(Convolutional neural network, CNN)是深度学习采用的主要模型，随着其深度的加深，利用反向传播算法解决每一层网络的贡献度分配问题，使模型具有预测未知事物能力。
[0005]现有的技术中，Heo等人利用VGG16对年龄相关性黄斑病变图像进行划分，在保证图像以黄斑区域为中心的前提下，对图像进行裁剪，通过手动提取感兴趣区域，取得了90.86%的准确率。
[0006]Priya等人提出使用概率图模型对年龄相关性黄斑病变图像进行分类。该方法使用了大量的预处理操作。首先对图像的绿色通道进行提取，然后利用离散小波变化和Kirsch算子完成血管的定位和病变的检测，最终取得了96%的分类准确率。
[0007]Felix等人提出利用随机森林算法对多个独立训练的卷积神经网络进行集成，该集成模型展示现出比人类专家更高的年龄相关性黄斑病变图像分类精度，其准确率可提高到63.3%。
[0008]然而上述模型存在需要进行手动特征提取、繁琐的预处理手段以及识别准确度偏低的问题，不能满足对年龄相关性黄斑病变图像的准确识别及分类。

技术实现思路

[0009]本公开的实施例旨在至少解决现有技术中存在的技术问题之一，提供一种基于卷积神经网络的年龄相关性黄斑病变图像分类方法。
[0010]本公开的实施例的一个方面，提供一种年龄相关性黄斑病变图像分类方法，其包括如下步骤：获取彩色眼底图像；对所述彩色眼底图像进行轮廓筛选，确定视网膜区域；将确认视网膜区域的图像划分为训练集和测试集，并进行数据预处理；利用训练集的数据对HCSP
‑
Net模型进行训练，所述HCSP
‑
Net模型是在CSPDarknet53网络的基础上添加了基于自注意力机制的Transformer模块；利用测试集数据测试所述HCSP
‑
Net模型的性能。
[0011]进一步的，所述对所述彩色眼底图像进行轮廓筛选，确定所述视网膜区域，包括如下步骤：将所述彩色眼底图像转化为二值图；对所述二值图进行取反；对所述取反后的二值图进行形态学闭运算；进行轮廓检测，筛选闭合曲线面积最大的矩形轮廓；根据所述闭合曲线面积最大的矩形轮廓确定所述视网膜区域。
[0012]进一步的，所述CSPDarknet53网络包括卷积层1、卷积层2、CSP模块1、卷积层3、CSP模块2、CSP模块3、卷积层4、CSP模块4、CSP模块5、CSP模块6、卷积层5和CSP模块7，其中，每一部分输出特征图的通道数、宽和高分别为：32x112x112、64x56x56、64x56x56、128x28x28、128x28x28、128x28x28、256x14x14、256x14x14、256x14x14、256x14x14、512x7x7和512x7x7。
[0013]进一步的，所述CSP模块由上下两条支路输出结果通道维度进行拼接形成。
[0014]进一步的，所述HCSP
‑
Net模型还包括：SFPS模块，所述SFPS模块通过三次最大池化提取特征图不同尺寸的空间特征信息，使所述HCSP
‑
Net模型对物体变形更具鲁棒性，其中所述SFPS模块由卷积层1、最大池化1、分组卷积1、最大池化2、分组卷积2、最大池化3，分组卷积3和卷积层2组成，通过在通道维度拼接所述卷积层1、分组卷积1、分组卷积2和分组卷积3的输出，并将拼接结果输入所述卷积层2得到所述SFPS模块的运算结果；其中所述卷积层1和卷积层2的结构相同，所述最大池化1、最大池化2、最大池化3的结构均相同，所述分组卷积1、分组卷积2、分组卷积3的结构均相同。
[0015]进一步的，所述Transformer模块将所述SFPS模块输出的特征图展平成序列，转化为特征向量X，然后进行自注意力计算。
[0016]进一步的，所述自注意力计算包括两部分，其中第一部分的公式如下：Y1 = Layer_Norm(self
‑
attentation(X)) + X其中Y1代表第一部分的输出，Layer_Norm表示层归一化；self
‑
attentation代表自注意力模块，计算公式如下：
[0017]其中Q、K和V均为乘数矩阵，为所述HCSP
‑
Net模型在训练集中学习输出的乘数参
数；Q代表查询(Query)，K代表键值(Key)，V代表值(Value)，是固定值为512；self
‑
attentation是将每个查询向量与所有键向量进行矩阵乘法运算，并将结果除以缩放因子获得注意力权重，然后再将注意力权重与对应的值向量相乘；其中第二部分的计算公式如下：Y2 = Layer_Norm(w*Y1 + b)) + Y1其中Y2代表最终的输出序列，w和b分别是所述HCSP
‑
Net模型在训练集中学习输出的乘数参数和常量参数。
[0018]进一步的，所述方法还包括类别判断，包括步骤：通过全连接层对特征向量Y2做线性变化，线性变化的公式为：p= W*Y2 + b其中p表示经过线性变换后的向量，W为乘数矩阵，为所述HCSP
‑
Net模型在训练集中学习输出的乘数参数，b为常量矩阵，为所述HCSP
‑
Net在训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种年龄相关性黄斑病变图像分类方法，其包括如下步骤：获取彩色眼底图像；对所述彩色眼底图像进行轮廓筛选，确定视网膜区域；将确认视网膜区域的图像划分为训练集和测试集，并进行数据预处理；利用训练集的数据对HCSP
‑
Net模型进行训练，所述HCSP
‑
Net模型是在CSPDarknet53网络的基础上添加了基于自注意力机制的Transformer模块；利用测试集数据测试所述HCSP
‑
Net模型的性能。2.根据权利要求1所述的方法，其特征在于，所述对所述彩色眼底图像进行轮廓筛选，确定所述视网膜区域，包括如下步骤：将所述彩色眼底图像转化为二值图；对所述二值图进行取反；对所述取反后的二值图进行形态学闭运算；进行轮廓检测，筛选闭合曲线面积最大的矩形轮廓；根据所述闭合曲线面积最大的矩形轮廓确定所述视网膜区域。3.根据权利要求1或2所述的方法，其特征在于，所述CSPDarknet53网络包括卷积层1、卷积层2、CSP模块1、卷积层3、CSP模块2、CSP模块3、卷积层4、CSP模块4、CSP模块5、CSP模块6、卷积层5和CSP模块7，其中，每一部分输出特征图的通道数、宽和高分别为：32x112x112、64x56x56、64x56x56、128x28x28、128x28x28、128x28x28、256x14x14、256x14x14、256x14x14、256x14x14、512x7x7和512x7x7。4.根据权利要求3所述的方法，其特征在于，所述CSP模块由上下两条支路输出结果通道维度进行拼接形成。5.根据权利要求4所述的方法，其特征在于，所述HCSP
‑
Net模型还包括：SFPS模块，所述SFPS模块通过三次最大池化提取特征图不同尺寸的空间特征信息，使所述HCSP
‑
Net模型对物体变形更具鲁棒性，其中所述SFPS模块由卷积层1、最大池化1、分组卷积1、最大池化2、分组卷积2、最大池化3，分组卷积3和卷积层2组成，通过在通道维度拼接所述卷积层1、分组卷积1、分组卷积2和分组卷积3的输出，并将拼接结果输入所述卷积层2得到所述SFPS模块的运算结果；其中所述卷积层1和卷积层2的结构相同，所述最大池化1、最大池化2、最大池化3的结构均相同，所述分组卷积1、分组卷积2、分组卷积3的结构均相同。6.根据权利要求5所述的方法，其特征在于，所述Transformer模块将所述SFPS模块输出的特征图展平成序列，转化为特征向量X，然后进行自注意力计算。7.根据权利要求6所述的方法，其特征在于，所述自注意力计算包括...

【专利技术属性】
技术研发人员：张少冲，杨卫华，赵佳妮，姚雪，吴星阳，
申请(专利权)人：深圳市眼科医院深圳市眼病防治研究所，
类型：发明
国别省市：