[發明專利]一種基于capsule理論的青光眼醫學影像分類方法

有效

• 申請號: 201810759934.1
• 申請日: 2018-07-11
• 公開（公告）號: CN108921227B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 劉少鵬;賈西平;關立南;高維奇;洪佳明;李耿鑫;張倩;林智勇;崔懷林
• 申請（專利權）人: 廣東技術師范學院
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/26;G06K9/62
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

本發明公開了一種基于capsule理論的青光眼醫學影像分類方法，包括圖像預處理操作、構建基于capsule的卷積神經網絡和構建圖像重構全連接網絡；圖像預處理操作首先利用已有的青光眼醫學影像視盤檢測模型裁剪出感興趣區域以減少干擾信息，接著融合視盤和視杯語義分割圖信息，最后采用限制對比度的自適應直方圖增強，從而改善圖像整體或局部對比度。基于capsule的卷積神經網絡不僅能夠自動學習青光眼醫學影像特征，還能發現特征之間的位置與方向信息，從而更加準確地識別青光眼。圖像重構全連接網絡使用類別capsule恢復原始青光眼醫學影像，目的是提高基于capsule的卷積神經網絡的泛化能力。

技術領域

本發明涉及青光眼醫學影像分析領域，更具體地，涉及一種基于capsule理論的青光眼醫學影像分類方法。

背景技術

青光眼是一組以視神經萎縮、視野缺損和視力下降為共同特征的疾病。如不及時治療，將導致失明。青光眼已成為三大致盲眼病之一，總人群發病率為1％，45歲以后為2％。青光眼的早期篩查具有重大意義，有利于患者及時治療，從而保護視力甚至痊愈。

由于青光眼潛在患者人數眾多，而有限的醫療資源和臨床經驗難以滿足現有需求，使得眼科醫生開展早期篩查工作十分困難。利用計算機輔助青光眼早期篩查可有效緩解眼科醫生的工作壓力，為患者提供更好的醫療服務。

青光眼醫學圖像分類常用計算機技術包括傳統的計算機視覺技術和深度學習。傳統的計算機視覺技術提取圖像紋理特征和灰度特征等結構化信息，再用傳統機器學習方法，包括樸素貝葉斯、K最近鄰、支持向量機和隨機森林等，最終完成青光眼分類任務。由于特征選擇依賴人工經驗，無法自動發現抽象語義特征信息，模型難以泛化。且大多數模型訓練樣本規模較小，實際應用價值不高。

深度學習作為人工智能的重要分支，能夠自動學習樣本特征，無需人工參與，是一種完備的端對端模型。深度學習已在圖像分類等任務取得一系列突破性進展并得到廣泛應用。結合深度學習對青光眼醫學影像進行分類識別成為研究熱點，特別是利用卷積神經網絡(Convolutional Neural Networks,CNN)已取得若干研究成果。這類方法首先選擇青光眼醫學影像的感興趣區域，然后進行圖像預處理，作為CNN輸入，再經過一系列卷積、池化和激活操作后，自動學習圖像高維語義特征，后續的全連接網絡融合特征，最終完成青光眼醫學影像的分類。盡管CNN能夠自動學習特征，但它無法識別特征之間的空間關系。為了更好地建模網絡中內部知識表示的分層關系(包括位置和方向等)，Hinton提出了capsule理論，并在此基礎上設計了CapsNet模型，在公開實驗數據集取得了優于CNN的圖像分類效果。目前，暫無利用capsule理論輔助青光眼篩查的相關研究。另外，直接采用現有深度學習方法處理青光眼醫學影像，忽略青光眼領域特有知識，比如眼底圖的視盤和視杯分割圖信息，容易導致青光眼分類準確率不高。

發明內容

本發明的目的是解決上述一個或多個缺陷，提出一種基于capsule理論的青光眼醫學影像分類方法。

為實現以上發明目的，采用的技術方案是：

一種基于capsule理論的青光眼醫學影像分類方法，包括以下步驟：

S1：對圖像進行預處理操作；

S2：構建基于capsule的卷積神經網絡并輸入預處理后的圖像，輸出青光眼識別結果；

S3：構建圖像重構全連接網絡，使用類別capsule恢復原始圖像。

優選的是，步驟S1包括以下步驟：

S1.1：利用已有的青光眼醫學影像視盤檢測模型裁剪出感興趣區域以減少干擾信息；

S1.2：融合視盤和視杯語義分割圖信息；

S1.3：采用限制對比度的自適應直方圖增強，從而改善圖像整體或局部對比度。