[發明專利]基于不確定度的早產兒視網膜病plus病變分類系統

在審

• 申請號: 202010901076.7
• 申請日: 2020-08-31
• 公開（公告）號: CN111968107A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 劉磊
• 申請（專利權）人: 合肥奧比斯科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 北京久誠知識產權代理事務所(特殊普通合伙) 11542
• 代理人: 余罡

1.一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，該系統包括：預處理模塊、血管分割模塊、分類模塊以及用于存儲圖像的存儲模塊；

所述預處理模塊用于對眼底圖像進行預處理，預處理模塊還用于對血管分割圖像進行歸一化處理；

所述血管分割模塊用于利用訓練好的血管分割網絡模型將眼底圖像轉化為血管分割圖像；

所述分類模塊用于將歸一化處理后的血管分割圖像作為訓練好的貝葉斯深度學習分類網絡模型的輸入，并通過多次dropout蒙特卡洛，獲取三組分別對應三個病變類型的概率值和一組圖像噪聲，并計算每組概率值的均值以及方差，將均值最大的病變類型作為最終分類結果，將圖像噪聲的均值作為偶然不確定度，方差和作為模型不確定度。

2.如權利要求1所述的一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，所述預處理模塊對眼底圖像進行預處理包括：統一把尺寸通過不變形縮放到固定大小；再通過減均值、除方差所有圖像進行像素級別的歸一化。

3.如權利要求1所述的一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，所述血管分割網絡模型為U-net結構的卷積神經網絡模型。

4.如權利要求1所述的一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，所述系統還包括第一模型訓練模塊；所述第一模型訓練模塊用于訓練血管分割網絡模型；且所述血管分割網絡模型的訓練方法如下：

T1、獲取含有血管像素級標注的眼底圖像；

T2、對眼底圖像進行預處理；

T3、對眼底圖像進行數據擴增；

T4、利用預處理后的眼底圖像訓練滲出血管分割網絡模型；

T5、輸出訓練好的滲出分割網絡模型和微血管瘤分割網絡模型。

5.如權利要求4所述的一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，所述T4、利用預處理后的眼底圖像訓練滲出血管分割網絡模型包括：

使用交叉熵損失函數；

使用batch size迭代方式訓練；

訓練的epoch設置為250，初始學習率設置為0.005，衰減系數為0.986，最終學習率下降到0.001則不再下降停止訓練；

使用隨機梯度下降優化器進行優化訓練；

每層卷積操作中加入L2 Weight Decay正則化。

6.如權利要求1所述的一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，所述貝葉斯深度學習分類網絡模型為ResNet50結構，包括多個三層的殘差模塊，且在每個殘差模塊后設置dropout層；將兩個3x3的卷積層替換為1×1+3×3+1×1卷積操作；殘差函數為：

F(x)＝H(x)-x

x是每個殘差模塊的輸入，H_l是第l個殘差模塊的映射函數，包含三個連續的操作，批標準化、ReLU激活函數和1×1+3×3+1×1的卷積運算；

且分類層的輸出節點設置為四個，其中三個節點分別對應三重病變類型，第四個節點用于學習圖像的噪聲。

7.如權利要求6所述的一種基于不確定度的早產兒視網膜病plus病變分類系統，其特征在于，所述系統還包括第二模型訓練模塊，所述第二模型訓練模塊用于訓練貝葉斯深度學習分類網絡模型，包括如下步驟：

K1、獲取標注有三種病變類型的眼底圖像；

K2、對眼底圖像進行預處理；

K3、對眼底圖像進行數據擴增；

K4、預處理后的眼底圖像作為訓練好的血管分割網絡模型的輸入，得到血管分割圖像；

K5、預處理模塊將血管分割圖像進行歸一化處理；

K6、利用歸一化處理后的血管分割圖像訓練貝葉斯深度學習分類網絡模型；

K7、輸出訓練好的貝葉斯深度學習分類網絡模型。