[發明專利]基于相似性保持度量學習方法的青光眼患病概率預測方法

有效

• 申請號: 201911083921.8
• 申請日: 2019-11-07
• 公開（公告）號: CN110969191B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 劉萍萍;趙宏偉;王鵬;金白鑫;石立達;周求湛
• 申請（專利權）人: 吉林大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

1.一種基于相似性保持度量學習方法的青光眼患病概率預測裝置，其特征在于所述裝置包括如下模塊：

眼底圖像提取模塊：用于提取眼底圖像視杯視盤區域；

圖像數據增強模塊：用于對經視杯視盤區域提取后的圖像進行訓練集圖像數據增強；

參數初始化模塊：用于使用在ImageNet數據集訓練過的網絡參數作為預訓練參數，對BN-Inception網絡結構內參數進行初始化；

相似性保持特征提取模塊：用于使用單目對比損失函數訓練初始化得到的相似性保持特征提取網絡，在訓練過程中通過反向傳播和調整網絡參數，以得到中間層特征表達能力更強的相似性保持特征提取網絡，其中：

單目對比損失函數公式如下：

f(q_i)、f(m(q_i))和f(N(q_i))分別表示當前MiniBatch中，以第i幅圖像作為查詢圖像時其由相似性保持特征提取網絡計算得到的特征向量、與查詢圖像余弦相似度最高的同類別圖像的特征向量、與其余弦相似度最低的不同類別的圖像，Y(q_i)＝1表示該查詢圖像是標注為患有青光眼的眼底圖像，Y(q_i)＝0表示該查詢圖像是標注為未患有青光眼的眼底圖像；

圖像特征提取模塊：固定相似性保持特征提取模塊中所有的網絡參數、網絡結構不改變，由相似性保持特征提取網絡提取出所有訓練集圖像的圖像特征；

訓練集青光眼概率預測模塊：用于對經圖像特征提取模塊提取出的訓練集圖像特征，構建全連接結構特征分類器，使用圖像特征提取模塊中提取的圖像特征作為輸入，通過基于偏置的交叉熵損失函數優化特征分類器，預測對應眼底圖像患者患有青光眼的概率；

測試集青光眼概率預測模塊：用于將測試集圖像數據以與訓練集圖像數據以相同的方式進行裁剪、縮放操作，分別輸入特征提取網絡和分類器網絡計算測試集中每一幅圖像所拍攝的眼底圖像對應患有青光眼的概率。

2.根據權利要求1所述的基于相似性保持度量學習方法的青光眼患病概率預測裝置，其特征在于所述眼底圖像提取模塊中，提取眼底圖像視杯視盤區域的具體步驟如下：使用U-Net對原始眼底圖像進行視杯視盤區域提取，保證裁剪后的區域中心與U-Net檢測出視杯視盤區域中心吻合。

3.根據權利要求1所述的基于相似性保持度量學習方法的青光眼患病概率預測裝置，其特征在于所述圖像數據增強模塊中，圖像數據增強的具體步驟如下：對于每一幅裁剪后圖像，保持圖像中心不變化，對圖像進行旋轉操作，每次在上次旋轉的基礎上旋轉30°，即每幅圖像進行11次旋轉操作，得到12幅同中心不同旋轉角度的增強數據；在作為網絡訓練數據時，將每幅圖像先縮放到255*255像素大小，每次在輸入網絡進行計算前在此255*255像素大小的圖像中隨機選取一個227*227的區域，并以50％的概率對227*227的圖像進行水平翻轉。

4.根據權利要求1所述的基于相似性保持度量學習方法的青光眼患病概率預測裝置，其特征在于所述相似性保持特征提取模塊中，訓練階段對BN-Inception網絡結構使用Adam學習優化策略，設置Adam初始學習率為10^-5，每輪計算從增強后訓練數據集中隨機選取患病眼底圖像、未患病眼底圖像各300幅，不重復地劃分為100個MiniBatch，每個MiniBatch由6幅圖像組成，其中患病眼底圖像與未患病眼底圖像各3幅；在訓練過程中，每個MiniBatch中數據以三元組方式組合，其中q是當前MiniBatch中任一圖像，m(q)是當前MiniBatch中與q余弦相似度最高的同類別圖像，N(q)表示當前MiniBatch中與q余弦相似度最低的不同類別的圖像。

5.根據權利要求4所述的基于相似性保持度量學習方法的青光眼患病概率預測裝置，其特征在于所述余弦相似度計算公式如下：

其中，f(i)表示圖像i輸入網絡后輸出的特征向量，f(j)表示圖像j輸入網絡后輸出的特征向量。