[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

本發明提供了一種基于不確定度的早產兒視網膜病plus病變分類系統，涉及深度學習技術領域。通過血管分割模塊，先分割出眼底圖像的血管，分類模塊再利用貝葉斯深度學習分類網絡模型提取特征，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。在實際投入使用時，可以通過兩種不確定度判定圖像分類結果的可信程度，而不是選擇盲目相信模型給予的診斷結果，這對于醫生和患者而言，考慮是否需要人工眼科專家重新診斷幫助非常大，在實際臨床使用更加安全可靠。

技術領域

本發明涉及深度學習技術領域，具體涉及一種基于不確定度的早產兒視網膜病plus病變分類系統。

背景技術

近年來，隨著人工智能發展的日益成熟，以深度學習為代表的算法在許多醫學圖像應用中顯示出巨大的優勢，在眼科領域也得到了大量的應用。其中在早產兒視網膜病變(retinopathyofprematurity,ROP)的分類分級中也取得廣泛應用。

現有針對ROP的分類分級的方法例如申請號為CN201811482400.5，名稱為的早產兒視網膜病plus病變分類方法的專利申請文件，公開了通過構建能夠從眼底圖像中分割出血管圖的血管分割模型，構建能夠對血管圖進行plus病變分類的分類模型，應用血管分割模型從目標眼底圖像中分割出目標眼底圖像中的血管圖，應用分類模型對目標眼底圖像中的血管圖進行分類，得到目標眼底圖像中的血管圖所屬的plus病變類別。從而基于血管分割模型及分類模型實現對眼底圖像進行血管分割及血管圖進行分類，與現有的通過人為進行plus病變分類的方式相比，能夠提高早產兒視網膜病plus病變分類效率。

然而，在醫療圖像處理中，基于深度學習的方法非常依賴于模型的訓練數據集的數量和質量，并且模型的參數在訓練好之后是確定的。當模型被訓練好之后被應用于ROP篩查的時候，對于篩查結果，模型無法展示結果的可信程度。在實際使用中，模型無法做到100％的準確率，尤其在模型診斷訓練集中沒有的圖片類型，很有可能發生誤診情況，這對病人的身體健康產生了嚴重的危害。

發明內容

(一)解決的技術問題

針對現有技術的不足，本發明提供了一種基于不確定度的早產兒視網膜病plus病變分類系統，解決了現有技術無法展示模型分類結果的可信程度的問題。

(二)技術方案

一種基于不確定度的早產兒視網膜病plus病變分類系統，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。

進一步的，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?。辉偻ㄟ^減均值、除方差所有圖像進行像素級別的歸一化。

進一步的，所述血管分割網絡模型為U-net結構的卷積神經網絡模型。

進一步的，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；