【技术实现步骤摘要】
本专利技术属于医学图像分类领域，具体是基于神经网络的视网膜静脉阻塞的分类方法及系统。
技术介绍
1、视网膜静脉阻塞是一种眼部疾病，它发生在视网膜的静脉中，静脉血流受阻，这种情况会引起视网膜中的血液淤积和缺血，从而对视觉功能产生不良影响；视网膜静脉阻塞通常分为两种类型：中心静脉阻塞与分支静脉阻塞，两种视网膜静脉阻塞引发的症状以及恢复手段大不相同，因此，对视网膜静脉阻塞的准确分类十分重要；现有的视网膜静脉阻塞的手段主要是人工分类与基于神经网络模型的分类，但是人工分类的效率较低且对医师经验要求十分高，现有针对视网膜静脉阻塞分类的神经网络模型准确率较低，并且需要大量的图像去对模型进行训练，多数情况并没有太多眼底图像可供模型进行训练，训练后的模型分类准确率难以达到要求。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供基于神经网络的视网膜静脉阻塞的分类方法及系统，针对人工分类的效率较低的问题，本专利技术采用神经网络模型的方法，对眼底图像进行快速的特征提取以及分类，增加了分类效率；针对现有的神经网络模型视网膜静脉阻塞分类准确率较低，且需要大量的图像去对模型进行训练，多数情况并没有太多眼底图像可供模型进行训练，训练后的模型分类准确率难以达到要求的问题，本专利技术采用一种新的自监督跨层一致性学习方案，通过对全局特征与局部特征的增强处理，提高分类的准确率，且无需大量的眼底图像便可实现对模型的训练，同时，本专利技术采用边缘算子与双通道特征融合提取全局特征，提高了特征的表示能力，使自
2、本专利技术采取的技术方案如下：基于神经网络的视网膜静脉阻塞的分类方法，具体包括以下步骤：
3、步骤s1：图像采集，采集rfmid 2.0数据集中所有的图像作为待处理图像；
4、步骤s2：数据预处理，将待处理图像进行归一化处理，将所有待处理图像固定为统一大小，并对待处理图像进行降噪处理，得到眼底图像；
5、步骤s3：全局特征提取，使用基于边缘检测的双通道融合特征提取模块，提取眼底图像全局特征；
6、步骤s4：局部特征提取，使用随机裁剪方法提取眼底图像局部特征；
7、步骤s5：使用自监督跨水平一致性学习方法，通过全局特征与局部特征，对眼底图像进行分类，得到分类结果；
8、步骤s6：模型评估、分析与优化，根据分类结果的准确性对自监督跨水平一致性学习方法进行优化。
9、进一步的，步骤s3，具体包括以下步骤：
10、步骤s31：使用canny边缘算子提取眼底图像的边缘图像，提取边缘图像的特征，得到边缘特征；
11、进一步的，步骤s31，具体包括以下步骤：
12、步骤s311：将眼底图像转换为灰度图像，并初始化灰度图像中所有像素点的信息；
13、步骤s312：高斯滤波处理，对灰度图像使用高斯滤波器进行处理，得到高斯滤波图像；
14、步骤s313：使用sobel算子计算高斯滤波图像的水平梯度值与垂直梯度值；
15、步骤s314：对所有像素点，根据水平梯度值与垂直梯度值计算梯度幅度与梯度方向，得到基于像素点的梯度图；
16、步骤s315：对梯度图进行非极大值抑制处理，并设定高阈值与低阈值对梯度图进行双阈值处理，得到高阈值像素点与低阈值像素点；
17、步骤s316：将所有高阈值像素点与其周围低阈值像素点进行连接，得到边缘图像；
18、步骤s317：使用卷积神经网络对边缘图像进行特征提取，得到边缘特征；
19、步骤s32：使用卷积神经网络对眼底图像进行特征提取，得到整体特征；
20、步骤s33：使用优化的双通道特征融合模型，计算眼底图像的全局特征；
21、进一步的，步骤s33，具体包括以下步骤：
22、步骤s331：分别将边缘特征与整体特征进行平均卷积，并使用1*1卷积对边缘特征与整体特征进行通道数压缩，得到边缘压缩特征与整体压缩特征；
23、步骤s332：将边缘压缩特征与整体压缩特征进行加权求和，得到全局压缩特征；
24、步骤s333：使用1*1卷积对全局压缩特征进行通道数拓展，并使用sigmoid函数进行激活，得到初步全局特征；
25、步骤s334：将初步全局特征与边缘特征进行元素乘积运算，得到全局化边缘特征，将初步全局特征与整体特征进行元素乘积运算，得到全局化整体特征；
26、步骤s335：将全局化边缘特征与全局化整体特征进行拼接，得到全局特征。
27、进一步的，步骤s5,具体包括以下步骤：
28、步骤s51：将全局特征与局部特征进行随机数据增广，得到m个不同通道数的增广全局特征r与n个不同通道数的增广局部特征v，将m个不同通道数的增广全局特征定义为数据集，将n个不同通道数的增广局部特征定义为；
29、步骤s52：对增广全局特征r与增广局部特征v进行特征二次提取，得到增广全局特征与增广局部特征；
30、步骤s53：增广全局特征与增广局部特征输入深层神经网络tch进行特征提取，得到嵌入特征与嵌入特征，初始化tch的多层感知机，并使用激活函数softmax计算，将增广全局特征与增广局部特征输入浅层神经网络stu进行特征提取，得到嵌入特征与嵌入特征，初始化stu的多层感知机，并使用激活函数softmax计算；
31、步骤s54：使用可变性部件模型，分别对嵌入特征与嵌入特征进行不同尺度的特征融合，得到得到融合特征与融合特征；
32、进一步的，步骤s54，具体包括以下步骤：
33、步骤s541：初始化三层全连接层，并随机初始化每层全连接层的权重矩阵与偏置矩阵；
34、步骤s542：定义通道数最多的嵌入特征为，计算嵌入特征的平均通道数；
35、步骤s543：计算空间注意图，所用公式如下：
36、；
37、式中，为第一层全连接层的权重矩阵，为第一层全连接层的偏置矩阵；
38、步骤s544：使用、r与融合生成感知矩阵，所用公式如下：
39、<mi>m</mi><mi>s</mi><mi>=w3(w2[r</mi><mi>smax</mi><mi>，</mi><mi>r</mi><mi>savr</mi><mi>，</mi><mi>a</mi><mi>s</mi><mi>])+</mi><mi>b3</mi>；
40、式中，为第二层全连接层的权重矩阵，为第三本文档来自技高网...
【技术保护点】
1.基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤S3，具体包括以下步骤：
3.根据权利要求2所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤S31，具体包括以下步骤：
4.根据权利要求2所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤S33，具体包括以下步骤：
5.根据权利要求1所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤S5，具体包括以下步骤：
6.根据权利要求5所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤S54，具体包括以下步骤：
7.根据权利要求5所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤S55，具体包括以下步骤：
8.基于神经网络的视网膜静脉阻塞的分类系统，用于实现权利要求1至7任一项所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：基于神经网络的视网膜静脉阻塞的分类系统，包含数据采集模块、图像边
...【技术特征摘要】
1.基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤s3，具体包括以下步骤：
3.根据权利要求2所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤s31，具体包括以下步骤：
4.根据权利要求2所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤s33，具体包括以下步骤：
5.根据权利要求1所述的基于神经网络的视网膜静脉阻塞的分类方法，其特征在于：步骤s5，具体包...
【专利技术属性】
技术研发人员：叶娅，闫明，黄珍，成家莹，邓玉梦，陈丛，宋艳萍，
申请(专利权)人：中国人民解放军中部战区总医院，
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。