【技术实现步骤摘要】
基于训练网络的婴幼儿视网膜疾病信息识别方法及系统
[0001]本专利技术涉及眼科疾病识别和图像识别
,更具体地说,涉及一种基于训练网络的婴幼儿视网膜疾病信息识别方法及系统。
技术介绍
[0002]深度学习(DL)是一种成熟但仍在快速发展的技术,尤其是在人类疾病的计算机辅助诊断方面。在计算机专业算法方面,He等人提出了一种具有残差结构的模型ResNet,使得不断增加网络深度而不会出现过拟合,从而提取浅层
‑
深层特征,以提高网络识别精度。Dosovitskiy等人提出一种不同尺度的Transformer框架,即设计不同尺度的输入块大小训练大尺度数据,以获取较高的分类准确率。Chen等人采用金字塔结构并选择新的区域
‑
局部注意力机制而不是全局自注意力机制,以获取更多的空间信息,从而提高分类准确率。Tu等人介绍了一种高效且可扩展的注意力模型,称为多轴注意力(MaxViT),它由两个方面组成:阻塞局部注意力和扩张全局注意力。这些设计选择允许在仅具有线性复杂性的任意输入分辨率上进行全局局部空间交互。Valanarasu等人提出了一个门控轴向注意力模型,通过在自注意力模块中引入额外的控制机制来扩展现有的体系结构,为了在医学图像上有效地训练模型,我们提出了一种局部
‑
全局训练策略,该策略进一步提高了性能。Zhang等人提出一个新的并行分支TransFuse网络,其将Transformer和CNNs以并行的方式结合在一起,可以以更浅的方式有效地捕捉全局依赖性和低水平的空间细节 ...
【技术保护点】
【技术特征摘要】
1.一种基于训练网络的婴幼儿视网膜疾病信息识别方法,其特征在于,包括以下步骤:采用CNN和Transformer混合网络提取待测视网膜图像的局部
‑
全局特征;采用深度注意力融合模块对局部
‑
全局特征进行融合,得到具备局部
‑
全局特征表达能力的融合后的特征;采用训练网络训练融合后的特征中ROP数据,提取具有深度特征表达的信息,实现ROP严重程度分级。2.根据权利要求1所述的基于训练网络的婴幼儿视网膜疾病信息识别方法,其特征在于,采用CNN和Transformer混合网络提取待测视网膜图像的局部
‑
全局特征包括方法:利用CNN网络的不同尺度的残差网络模块提取待测视网膜图像中深度语义特征信息,得到局部特征;利用4阶段Transformer网络模块提取具有长距离依赖关系的全局特征。3.根据权利要求2所述的基于训练网络的婴幼儿视网膜疾病信息识别方法,其特征在于,所述采用深度注意力融合模块对局部
‑
全局特征进行融合包括方法:经残差块网络和Transformer网络模块提取的特征作为深度注意力融合模块的输入,经过点卷积操作后进行元素级相加处理;经过处理的特征再输入到ReLU激活函数中进行激活,接着再利用点卷积进行特征提取,之后经过Sigmoid函数进行激活,得到注意力特征;将得到的注意力特征与经Transformer网络模块得到的特征进行元素级相乘操作,得到深度注意力融合特征。4.根据权利要求2所述的基于训练网络的婴幼儿视网膜疾病信息识别方法,其特征在于,所述Transformer网络模块算法流程包括:先对输入图像进行分块操作,然后利用块嵌入操作对分块图像进行处理,再将处理好的块特征进行层正则化处理,输入到多头注意力模块中,输出特征,再将该特征与块嵌入特征进行相加,得到注意力特征;将上述得到的注意力特征输入到层正则化模块中,得到正则化的特征,再输入到多层感知机中,得到处理后的特征,再将该特征与前面的注意力特征进行元素级相加,得到Transformer网络模块的模块处理特征。5.根据权利要求2所述的基于训练网络的婴幼儿视网膜疾病信息识别方法,其特征在于,所述残差网络模块算法流程包括:首先将输入图像输入到3
×
3卷积中,得到卷积特征,再经正则化、激活函数得到标准化特征,再将该特征输入到3
×
3卷积中得到卷积特征,然后将该卷积输入到正则化函数中,得到正则化后的特征;将上述操作得到的特征与输入特征进行元素级相加得到处理后的特征,再经过激活函数,得到残差模块特征。6.一种...
【专利技术属性】
技术研发人员:张国明,刘亚玲,谢海,赵欣予,吴祯泉,唐建楠,郑棉瑩,陈妙虹,雷柏英,汪天富,
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:
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。