[發明專利]一種基于三維卷積神經網絡的視網膜OCT圖像分類方法

有效

• 申請號: 201811516615.4
• 申請日: 2018-12-12
• 公開（公告）號: CN109726743B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 陳新建;馮爽朗;朱偉芳;趙鶴鳴
• 申請（專利權）人: 蘇州大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/20;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林;孟鴿

1.一種基于三維卷積神經網絡的視網膜OCT圖像分類方法，其特征在于，包括以下步驟：(a)采集圖像并將采集到的圖像分為訓練集、驗證集和測試集，對圖像進行預處理；(b)搭建VinceptionC3D網絡結構，VinceptionC3D網絡是基于C3D卷積神經網絡的改進，在C3D網絡的基礎上添加了融合多通道特征的Vinception模塊，并把批標準化的方法應用到了原始C3D網絡中，(c)模型的訓練和測試：利用C3D的預訓練模型作為VinceptionC3D的預訓練模型，利用訓練集中的數據訓練加載預訓練模型后的網絡得到訓練好的VinceptionC3D模型，模型訓練結束后，用測試集測試模型；其中，所述Vinception模塊包括兩個疊加的卷積層c1，一個卷積層c2、一個卷積層c3以及concat層，卷積層c1、卷積層c2、卷積層c3并列設置，卷積層c1、卷積層c2、卷積層c3后均與concat層連接，concat層后連接有卷積層c4；步驟(a)中對圖像的預處理包括對黃斑中心、視神經乳頭中心、大視野視網膜三維OCT圖像進行下采樣和減均值處理，對數據進行隨機水平翻轉來擴充數據集；步驟(b)中VinceptionC3D網絡結構中依次包括3D卷積層1a、池化層1、3D卷積層2a、池化層2、3D卷積層3a、3D卷積層3b、池化層3、Vinception模塊1、池化層4、Vinception模塊2、池化層5、全連接層6、全連接層7和softmax輸出層；其中，在4個3D卷積后面接的是2個Vinception模塊，這兩個Vinception模塊接收上一層傳來的特征圖，經過Vinception層的多尺度融合后，輸出語義相對豐富的特征圖，然后池化后接下一層。

2.如權利要求1所述的基于三維卷積神經網絡的視網膜OCT圖像分類方法，其特征在于，在每一個卷積層后面用Relu函數進行激活，Relu激活前面還都添加了批標準化層，用來固定每層輸入信號的均值與方差。

3.如權利要求1所述的基于三維卷積神經網絡的視網膜OCT圖像分類方法，其特征在于，兩個Vinception模塊接收上一層傳來的特征圖，經過Vinception模塊的多尺度融合后，輸出語義相對豐富的特征圖，然后池化后接下一層。

4.如權利要求1所述的基于三維卷積神經網絡的視網膜OCT圖像分類方法，其特征在于，卷積層c1的卷積核為3*3*3，卷積層c2的卷積核為3*3*3，卷積層c3的卷積核為1*1*1，卷積層c4的卷積核為1*1*1。

5.如權利要求1所述的基于三維卷積神經網絡的視網膜OCT圖像分類方法，其特征在于，步驟(c)模型的訓練和測試的具體方法為：首先加載在視頻圖像Sports-1M數據集上訓練過的預訓練模型，在預訓練模型的基礎上采用Adam優化算法，設置特征提取部分初始學習率,輸出層的初始學習率,最小batch，最高迭代次數，將訓練集的圖像依次輸入到模型中進行訓練，每迭代n次后，用驗證集進行驗證，訓練完成后得到最終的訓練模型并用測試集進行測試；在整個數據集上采用K折交叉驗證來評估訓練模型的表現。

6.如權利要求5所述的基于三維卷積神經網絡的視網膜OCT圖像分類方法，其特征在于，步驟(c)中，特征提取部分初始學習率為1e-4，輸出層的初始學習率為1e-3，最小batch設置為30，迭代次數為6000次，每迭代10次，用驗證集驗證一次，測試時在整個數據集上采用3折交叉驗證來評估訓練模型的表現。