[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811226566.0
• 申請(qǐng)日: 2018-10-22
• 公開（公告）號(hào): CN109447962A
• 公開（公告）日: 2019-03-08
• 發(fā)明（設(shè)計(jì)）人: 張芳;肖志濤;徐旭;耿磊;吳駿;王雯;劉彥北
• 申請(qǐng)（專利權(quán)）人: 天津工業(yè)大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法，包括下列步驟：

步驟1：收集眼底圖像作為樣本數(shù)據(jù)；

步驟2：利用Gamma校正算法對(duì)眼底樣本數(shù)據(jù)進(jìn)行預(yù)處理；

步驟3：分塊處理眼底圖像，歸一化為224×224的相同尺寸，作為后續(xù)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)；

步驟4：設(shè)置損失函數(shù)理想值，通過引入通道加權(quán)、多尺度特征結(jié)構(gòu)與優(yōu)化的殘差模塊來改進(jìn)VGG-16網(wǎng)絡(luò)結(jié)構(gòu)，將原圖與監(jiān)督圖像輸入網(wǎng)絡(luò)中，訓(xùn)練中通過計(jì)算網(wǎng)絡(luò)損失函數(shù)來調(diào)整網(wǎng)絡(luò)參數(shù)，得到最優(yōu)的網(wǎng)絡(luò)訓(xùn)練模型；

步驟5：利用最優(yōu)網(wǎng)絡(luò)模型對(duì)眼底圖像中硬性滲出物病變進(jìn)行檢測(cè)，輸出檢測(cè)結(jié)果。

2.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法，其特征在于，步驟1中，為全面檢測(cè)不同眼底圖像中的硬性滲出物病變，首先收集正常眼底圖像和帶有不同種類不同病變程度的眼底圖像，并將DRIVE和MESSIDOR數(shù)據(jù)庫(kù)中專家手動(dòng)標(biāo)注的眼底硬性滲出物病變圖像作為監(jiān)督樣本數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法，其特征在于，步驟2中，利用Gamma校正算法提高圖像的動(dòng)態(tài)范圍，增強(qiáng)圖像對(duì)比度。

4.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法，其特征在于，步驟4中，1)通道加權(quán)模塊利用全局平均池化對(duì)卷積層輸出的各個(gè)通道特征進(jìn)行壓縮，得到輸入特征的全局感受野信息；2)采用含有sigmoid激活函數(shù)的門限機(jī)制，為了增強(qiáng)網(wǎng)絡(luò)的泛化能力，在門限機(jī)制中設(shè)置兩個(gè)全連接層FC，第一個(gè)FC將輸入特征降維至原來的1/16，通過一個(gè)線性修正單元ReLU進(jìn)行修正，將修正后結(jié)果利用第二個(gè)FC恢復(fù)網(wǎng)絡(luò)維度；3)將全連接層與sigmoid函數(shù)相連，通過sigmoid函數(shù)將權(quán)重歸一化到0至1之間，最后加權(quán)到每個(gè)特征通道的原始特征上，完成對(duì)原始特征的重新標(biāo)定。

5.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法，其特征在于，步驟4中，從多個(gè)卷積層中針對(duì)相同像素p計(jì)算多尺度超列特征h_p(X)，h_p(X)＝[c₁(p)，c₂(p)，...，c_M(p)]，c_i(p)表示以像素p為中心的第i層卷積響應(yīng)的特征向量，利用多尺度特征以及濾波器相應(yīng)的稀疏按需上采樣，減少學(xué)習(xí)期間的內(nèi)存占用。

6.根據(jù)權(quán)利要求1所述一種基于卷積神經(jīng)網(wǎng)絡(luò)的眼底圖像硬性滲出物病變檢測(cè)方法，其特征在于，步驟4中，以VGG-16網(wǎng)絡(luò)為基礎(chǔ)，通過將殘差模塊中兩個(gè)3×3的卷積層替換成1×1+3×3+1×1進(jìn)行殘差優(yōu)化，替換后的卷積層維數(shù)先減小到1×1再進(jìn)行卷積恢復(fù)，以減少計(jì)算；在構(gòu)造多尺度特征建立預(yù)測(cè)時(shí)，通過按需插值從{conv1₃，conv2₃，conv3₃，conv4₃，conv5₃，SERes6₃，SERes7₃，SERes8₃，SERes9₃，SERes10₃}中提取超列特征，減少網(wǎng)絡(luò)復(fù)雜度。