[發(fā)明專利]基于相似性保持度量學(xué)習(xí)方法的青光眼患病概率預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911083921.8
• 申請(qǐng)日: 2019-11-07
• 公開(kāi)（公告）號(hào): CN110969191B
• 公開(kāi)（公告）日: 2022-10-25
• 發(fā)明（設(shè)計(jì)）人: 劉萍萍;趙宏偉;王鵬;金白鑫;石立達(dá);周求湛
• 申請(qǐng)（專利權(quán)）人: 吉林大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): 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

本發(fā)明公開(kāi)了一種基于相似性保持度量學(xué)習(xí)方法的青光眼患病概率預(yù)測(cè)方法，所述方法使用預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行初始化，根據(jù)特定圖像分類任務(wù)的需求訓(xùn)練網(wǎng)絡(luò)，在訓(xùn)練網(wǎng)絡(luò)中間層時(shí)采用單目度量學(xué)習(xí)損失函數(shù)，提升了圖像中間層特征特定方向優(yōu)化能力；在特征歸納預(yù)測(cè)階段不對(duì)其進(jìn)行優(yōu)化，而是僅僅通過(guò)交叉熵?fù)p失函數(shù)優(yōu)化歸納預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)分類器，減少了待優(yōu)化網(wǎng)絡(luò)參數(shù)數(shù)量；使用單目對(duì)比損失函數(shù)訓(xùn)練相似性保持特征提取網(wǎng)絡(luò)，通過(guò)調(diào)整網(wǎng)絡(luò)參數(shù)得到更適用于青光眼患病概率預(yù)測(cè)任務(wù)的網(wǎng)絡(luò)模型，訓(xùn)練后的相似性保持特征提取網(wǎng)絡(luò)在青光眼患病概率預(yù)測(cè)實(shí)驗(yàn)中取得了更優(yōu)的特征歸納預(yù)測(cè)效果。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像分類技術(shù)領(lǐng)域，涉及一種通過(guò)相似性保持度量訓(xùn)練網(wǎng)絡(luò)的圖像分類方法，具體涉及一種基于相似性保持度量學(xué)習(xí)方法的青光眼患病概率預(yù)測(cè)方法。

背景技術(shù)

隨著醫(yī)療設(shè)施的不斷優(yōu)化，民眾進(jìn)行身體狀況的檢查途徑也變得便捷。但隨著就診民眾數(shù)量的上升，對(duì)于診斷病情的醫(yī)生來(lái)講，工作量也隨之上升。伴隨著圖像數(shù)字化技術(shù)的蓬勃發(fā)展，醫(yī)療圖像采集效率也越來(lái)越高。在這種趨勢(shì)下，如何通過(guò)采集到的醫(yī)療影像，進(jìn)行醫(yī)療影像處理，輔助醫(yī)生進(jìn)行病情預(yù)測(cè)及診斷，引起了學(xué)術(shù)界的廣泛關(guān)注。

近年來(lái)，隨著神經(jīng)網(wǎng)絡(luò)成功應(yīng)用于多類大規(guī)模通用圖像分類后，研究者越來(lái)越關(guān)注神經(jīng)網(wǎng)絡(luò)在特定領(lǐng)域內(nèi)的應(yīng)用。以醫(yī)療領(lǐng)域圖像為例，其具有圖像內(nèi)容相似、組織結(jié)構(gòu)相似、拍攝角度相似等特點(diǎn)。大量研究表明，同以往依賴手工特征方法對(duì)圖像進(jìn)行抽象表示方法相比，神經(jīng)網(wǎng)絡(luò)卷積層輸出的特征具備出色的多樣性和依據(jù)不同任務(wù)的可變性。因而，近年來(lái)基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法層出不窮，基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法從網(wǎng)絡(luò)狀態(tài)來(lái)講主要分為三種，分別是使用預(yù)訓(xùn)練網(wǎng)絡(luò)、基于已有網(wǎng)絡(luò)微調(diào)和多種網(wǎng)絡(luò)結(jié)果混合。與另外兩種單網(wǎng)絡(luò)結(jié)構(gòu)方法不同，混合網(wǎng)絡(luò)是將不同結(jié)構(gòu)的網(wǎng)絡(luò)結(jié)果加以融合，由于每幅圖像都要使用多個(gè)網(wǎng)絡(luò)進(jìn)行處理并對(duì)結(jié)果加以取舍，使得使用多種網(wǎng)絡(luò)結(jié)果混合方法在圖像分類任務(wù)中效率較低，使用更多的是另外兩種。雖然在通用大規(guī)模數(shù)據(jù)集上訓(xùn)練得到的預(yù)訓(xùn)練網(wǎng)絡(luò)已經(jīng)取得了令人驚嘆的圖像特征表達(dá)性能，但由于不同特定任務(wù)數(shù)據(jù)形態(tài)、內(nèi)容以及關(guān)注點(diǎn)等方面，其往往不具備與特定任務(wù)數(shù)據(jù)集合中圖像相契合網(wǎng)絡(luò)狀態(tài)參數(shù)，因此基于已有網(wǎng)絡(luò)進(jìn)行微調(diào)成為比較熱門的研究話題。微調(diào)網(wǎng)絡(luò)是使用經(jīng)過(guò)預(yù)訓(xùn)練的圖像分類模型狀態(tài)參數(shù)作為起點(diǎn)，對(duì)網(wǎng)絡(luò)進(jìn)行初始化，然后在此基礎(chǔ)上針對(duì)特定任務(wù)進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化訓(xùn)練。通常使用經(jīng)過(guò)微調(diào)的檢索網(wǎng)絡(luò)比直接應(yīng)用預(yù)訓(xùn)練模型的效果更好。在分類任務(wù)中，微調(diào)網(wǎng)絡(luò)一般根據(jù)不同的特定任務(wù)數(shù)據(jù)，通過(guò)修改網(wǎng)絡(luò)最后輸出層的輸出維度，使用分類損失函數(shù)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行指導(dǎo)更新，使得訓(xùn)練后得到的網(wǎng)絡(luò)架構(gòu)更加貼近特定領(lǐng)域的圖像分類任務(wù)。當(dāng)下較為常用的分類任務(wù)損失函數(shù)為交叉熵?fù)p失函數(shù)、對(duì)數(shù)損失函數(shù)和邏輯斯蒂損失函數(shù)。

基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類關(guān)鍵在于訓(xùn)練出一個(gè)與指定任務(wù)高度匹配的網(wǎng)絡(luò)，通過(guò)訓(xùn)練的網(wǎng)絡(luò)對(duì)圖像內(nèi)容進(jìn)行預(yù)測(cè)以及分類，提高圖像分類的準(zhǔn)確率。在訓(xùn)練網(wǎng)絡(luò)參數(shù)時(shí)最重要的是訓(xùn)練數(shù)據(jù)集和圖像分類網(wǎng)絡(luò)的架構(gòu)，使用分類任務(wù)損失函數(shù)可以一端輸入圖像，另一端直接輸出分類預(yù)測(cè)結(jié)果，此外可以通過(guò)相似性保持度量學(xué)習(xí)的方法指導(dǎo)網(wǎng)絡(luò)中間層特征提取的優(yōu)化方向，這對(duì)提升圖像分類的準(zhǔn)確率有著重要的促進(jìn)作用。可見(jiàn)，基于相似性保持度量學(xué)習(xí)方法的青光眼患病概率預(yù)測(cè)算法具有廣泛的應(yīng)用前景。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于相似性保持度量學(xué)習(xí)方法的青光眼患病概率預(yù)測(cè)方法，該方法使用度量學(xué)習(xí)對(duì)比損失函數(shù)訓(xùn)練網(wǎng)絡(luò)，指導(dǎo)網(wǎng)絡(luò)中間層特征提取方向；使用神經(jīng)網(wǎng)絡(luò)對(duì)圖像特征進(jìn)行歸納抽象，通過(guò)眼底圖像對(duì)青光眼疾病患病概率進(jìn)行預(yù)測(cè)，為青光眼檢測(cè)任務(wù)提供更準(zhǔn)確的網(wǎng)絡(luò)模型，提升眼底圖像青光眼患病情況的分類以及患病概率預(yù)測(cè)的準(zhǔn)確率。

本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：

一種基于相似性保持度量學(xué)習(xí)方法的青光眼患病概率預(yù)測(cè)方法，包括如下步驟：

步驟一、提取眼底圖像視杯視盤區(qū)域；

步驟二、對(duì)步驟一中經(jīng)視杯視盤區(qū)域提取后的圖像進(jìn)行訓(xùn)練集圖像數(shù)據(jù)增強(qiáng)；