[發明專利]一種基于CAM的皮質白內障圖像處理及增強方法

有效

• 申請號: 201811292102.X
• 申請日: 2018-10-31
• 公開（公告）號: CN109410204B
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 王卓然;賀晨;袁國慧;彭真明;曲超;范文瀾;趙浩浩;張鵬年;趙學功;何艷敏;蒲恬
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T3/40;G06T7/187;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 何祖斌

1.一種基于CAM的皮質白內障圖像處理及增強方法，其特征在于，包括以下步驟：

步驟1.利用皮質白內障圖像樣本數據集訓練出最優網絡模型，通過最優網絡模型提取待處理皮質白內障圖像的圖像特征；

步驟2.輸入待處理皮質白內障圖像，并根據最優網絡模型和圖像特征獲取皮質白內障圖像樣本數據集的類激活圖，得到特征區域圖像；

步驟3.基于類激活圖，生成作為蒙版使用的監督裁剪盒SCB，并根據蒙版裁剪用于圖像處理的增強圖像；

所述步驟3的具體步驟如下：

步驟3.1.將類激活圖響應大于數值A的區域均記為最高響應區域HRA，并判斷最高響應區域HRA之間是否連通；若連通，則將所有最高響應區域HRA連通后的區域A的最小外接矩形記為最高響應盒HRB；若不連通，則將最高響應區域HRA之間最大的連通域的最小外接矩形記為最高響應盒HRB；

步驟3.2.將類激活圖響應小于數值B的區域均記為目標區域AA，并判斷目標區域AA之間是否連通；若連通，則將所有目標區域AA連通后的區域B的最小外接矩形作為目標盒AB；若不連通，則將所有連通域中包含最高響應盒HRB的一個連通域的最小外接矩形中最大的矩形作為目標盒AB；

步驟3.3.在類激活圖上任取一個與目標盒AB大小相等的盒子，在保證該盒子能完全包含最高響應盒HRB的前提下，該盒子能夠存在的所有區域的集合記為監督裁剪盒SCB；

步驟3.4.將目標盒AB作為蒙版，對皮質白內障圖像樣本數據集中所有圖像樣本進行裁剪，作為圖像處理的原始數據；

步驟3.5.從監督裁剪盒SCB中任取若干個大小與目標盒AB相等的矩形作為蒙版，對訓練集中的圖像樣本進行裁剪，作為圖像處理的增強數據。

2.根據權利要求1所述的一種基于CAM的皮質白內障圖像處理及增強方法，其特征在于，步驟1中，訓練出最優網絡模型的具體步驟如下：

步驟1.1.去除深度學習網絡模型中處理特定數據的全連接層，并依次加入一個全局均值池化層、全連接層及分類器，得到新型神經網絡模型；

步驟1.2.基于新型神經網絡模型，將皮質白內障圖像樣本數據集分割為訓練樣本集、驗證樣本集和測試樣本集，并對訓練樣本集、驗證樣本集和測試樣本集中所有圖像樣本進行去中心化和標準化處理，得到訓練集、驗證集和測試集；

步驟1.3.基于訓練集，利用帶有學習率衰減的Adam優化器以分類交叉熵為損失函數訓練出原始分類網絡模型；訓練過程中，將得到的分類網絡模型計算訓練集和驗證集的損失值，并根據訓練集的損失值更新分類網絡模型；若驗證集的損失值在時間期限q內不下降，則將學習率下調為調整前的學習率的m倍，直至其損失值開始下降；若通過調整學習率無法使損失值下降，則終止訓練；其中，分類交叉熵的計算公式如下：

其中，M表示圖像樣本類別總數，c表示圖像樣本的類別，y_(o,c)表示圖像樣本o是否歸為類別c，p_(o,c)表示圖像樣本o歸為類別c的預測概率；

步驟1.4.基于驗證集，利用網格搜索法對超參數集合D中元素進行搜索，找出原始分類網絡模型的最優參數，并利用最優參數重新訓練原始分類網絡模型，得到最優網絡模型。

3.根據權利要求2所述的一種基于CAM的皮質白內障圖像處理及增強方法，其特征在于，所述超參數集合D包括Adam優化器使用的學習率初始值和衰減系數、學習率調整倍數m、時間期限q、判斷學習率不下降的次數的上限值p、訓練出一個原始分類網絡模型所需時間s。

4.根據權利要求1所述的一種基于CAM的皮質白內障圖像處理及增強方法，其特征在于，步驟2中，得到特征區域圖像的具體步驟如下：

步驟2.1.輸入待處理皮質白內障圖像，并通過最優網絡模型中最后一層卷積層響應待處理皮質白內障圖像，得到特征圖集T；

步驟2.2.基于步驟1得到的圖像特征，利用CAM獲取最優網絡模型的所有類激活圖，其中，得到類激活圖的計算公式如下：

其中，k表示最優網絡模型中最后一層的卷積核數量，w_(c,i)表示第i張特征圖對判別類別c的貢獻度，x表示待處理皮質白內障圖像，y表示待處理皮質白內障圖像的類別，f_i(x,y)表示特征圖集T中的第i張特征圖；

步驟2.3.找出步驟2.2得到的不同類別的類激活圖中響應最大的一類類激活圖，將該所屬該類別的類激活圖歸一化，并利用雙線性差值方法將其放大到待處理皮質白內障圖像大小，得到標準化類激活圖；

步驟2.4.線性融合標準化類激活圖和待處理皮質白內障圖像，得到特征區域圖像。