[發明專利]基于黃斑注意力機制和不確定度的AMD分級系統

在審

• 申請號: 202011453517.8
• 申請日: 2020-12-11
• 公開（公告）號: CN112446875A
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 劉磊
• 申請（專利權）人: 南京泰明生物科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/30;G06T5/50;G06K9/62;G06N3/04;G06N3/08
• 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黃斑注意力機制和不確定度的AMD分級系統，涉及黃斑病檢測技術領域。本發明利用分割網絡模型得到視盤分割圖像和血管分割圖像，再根據得到視盤分割圖像和血管分割圖像得到黃斑區圖像，最后利用注意力網絡子模塊得到多通道圖像，利用貝葉斯深度學習分類網絡模型提取特征，并通過多次dropout蒙特卡洛，輸出對應四個病變類型的四組概率值和一組噪聲；分類網絡模塊在最終輸出模型分類結果的同時，給出偶然不確定度和模型不確定度。使得模型的安全性能得到保證。

技術領域

本發明涉及黃斑病檢測技術領域，具體涉及一種基于黃斑注意力機制和不確定度的AMD分級系統。

背景技術

黃斑，是指后極部、顳側血管弓之間直徑約為5～6mm的圓形區域，由各種原因引起的、發生在這一區域的疾病稱為黃斑疾病。黃斑疾病,如年齡相關性黃斑變性(Age-RelatedMacular Degeneration,AMD)等，已經嚴重影響全球數百萬人的生活及工作質量。其疾種類多、特征復雜，在疾病早期診斷較為困難，若未經及時的診斷及恰當的治療，這些黃斑疾病將導致不可逆的視物模糊、視物變形、視野缺損，最嚴重可致盲。

現有的黃斑病檢測方法均是基于深度學習算法；

但現有的黃斑病檢測系統無法給出檢測結果的準確性，存在安全隱患。

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黃斑注意力機制和不確定度的AMD分級系統，解決了現有的基于深度學習算法的黃斑病檢測系統無法給出檢測結果的準確性，存在安全隱患的問題。

(二)技術方案

為實現以上目的，本發明通過以下技術方案予以實現：

一種基于黃斑注意力機制和不確定度的AMD分級系統，包括：

血管視盤分割模塊，用于將眼底彩圖分割，得到二值化的視盤分割圖像和血管分割圖像；

黃斑區定位模塊，用于基于所述視盤分割圖像和血管分割圖像得到黃斑區圖像；

分類網絡模塊，用于將眼底彩圖以及對應的視盤分割圖像、血管分割圖像、黃斑區圖像作為訓練好的基于注意力機制的深度學習分類網絡模型的輸入，利用注意力網絡將眼底彩圖以及對應的血管分割圖像、黃斑區圖像進行融合，得到多通道圖像，再通過主神經網絡對多通道圖像進行特征提取，并通過多次dropout蒙特卡洛，輸出對應四個病變類型的四組概率值和一組噪聲；并獲取四組概率值的均值和方差，將概率均值最大的病變類型作為最終的分類結果，將噪聲的均值作為偶然不確定度，將方差和作為模型不確定度。

進一步的，所述分類網絡模塊包括：

注意力網絡子模塊，用于將眼底彩圖以及對應的血管分割圖像、黃斑區圖像進行融合，得到多通道圖像；

主神經網絡子模塊，用于利用訓練好的主神經網絡模型對多通道圖像進行特征提取，并通過多次dropout蒙特卡洛，輸出對應四個病變類型的四組概率值和一組噪聲；

分類結果輸出子模塊，用于獲取四組概率值的均值和方差，將概率均值最大的病變類型作為最終的分類結果，將噪聲的均值作為偶然不確定度，將方差和作為模型不確定度。

進一步的，所述注意力網絡子模塊為三階注意力模塊，且

殘差注意力機制為：

H_i,c(x)＝(1+M_i,c(x))×F_i,c(x)

H_i,c(x)是注意力網絡子模塊的輸出，F_i,c(x)是上一層的圖片張量特征，M_i,c(x)是軟掩碼的注意力參數。