[發明專利]基于注意力機制的糖尿病視網膜病變的分類方法及系統

在審

• 申請號: 202110104745.2
• 申請日: 2021-01-26
• 公開（公告）號: CN112733961A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 吳晨健;錢志翔
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G06T5/00;G06T3/40;G06N3/08;G06N3/04
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 吳竹慧

本發明公開了一種基于注意力機制的糖尿病視網膜病變的分類方法及系統，包括以下步驟：獲取眼底圖像的數據集，將所述眼底圖像的數據集劃分為訓練集和測試集；構建基于DenseNet網絡的ADense2Net網絡模型，在所述DenseNet網絡中引入注意力機制模塊和多尺度卷積模塊；使用訓練集對ADense2Net網絡模型進行訓練，獲得訓練后的ADense2Net網絡模型；通過訓練后的ADense2Net網絡模型對測試集進行測試，根據測試結果優化ADense2Net網絡模型的參數，獲得優化后的ADense2Net網絡模型；使用優化后的ADense2Net網絡模型對獲取的眼底圖像進行分類。其在糖尿病視網膜病變分類任務上具有較高的準確率和魯棒性。

技術領域

本發明涉及圖像分類技術領域，具體涉及一種基于注意力機制的糖尿病視網膜病變的分類方法及系統。

背景技術

近年來，隨著科學技術的不斷發展，深度學習也取得了突破性的進展。深度學習算法通過從大量的數據中學習并提取特征，具有良好的性能，通過和醫療圖像相結合，可以為相關疾病的診斷提供可靠的依據，已成為了現代醫療領域的具有前景的發展方向。

在醫療圖像的分析中，由于病變的多樣性和復雜性，導致診斷分析的難度較大。如糖尿病視網膜病變分析中，圖像通常具有較小的類間差異和較大的類內差異，這也是醫學圖像分析中的一大難點。而且隨著近些年人們生活方式的調整、飲食條件的改善等一些原因，患病人數呈現逐年增加的趨勢，而受醫療條件的限制，醫生的工作強度很大，容易出現患者沒有及時得到診治而耽誤病情的情況。因此亟需一種高效、精準的糖尿病視網膜病變自動分類的方法來進行輔助治療。而糖尿病視網膜病變自動分類面臨的主要的課題是如何準確、快速和全面的識別出圖像中的病變區域。需要對病變區域的信息進行重點的學習，解決不同病變之間差異小難以細分的問題，減少錯誤分類的問題。目前深度學習擁有許多優秀的神經網絡模型，但在糖尿病視網膜病變分類這一復雜的圖像識別任務中，網絡整體的表現不佳，目前并沒有一套十分有效的解決方案。

中國專利CN108021916A提出了一種基于注意力機制的深度學習糖尿病視網膜病變分類方法。該方法通過在深度網絡中嵌入基于全卷積網絡的注意力網絡，先通過對主神經網絡的訓練生成特征圖，再通過對注意力網絡的訓練生成病變候選區域圖并歸一化得到注意力圖，將注意力圖和特征圖乘積得到注意力機制，最后將注意力機制的結果再輸入主神經網絡訓練得到最后的分類模型。即該方法通過保留原始特征的基礎上對病變候選區域的信息進行增強但該方法需要引入二個網絡，速度較慢，同時分類結果還有待提高。

醫學圖像的分類具有很強的嚴謹性，但由于糖尿病視網膜病變圖像病變的復雜性和細微性，現有的神經網絡的分類算法通常會從全局去學習提取特征，而沒有去充分學習提取細微病變區域的特征，因而會影響算法分類的準確性，導致誤分類。

發明內容

本發明要解決的技術問題是提供一種基于注意力機制的糖尿病視網膜病變的分類方法及系統，其在糖尿病視網膜病變分類任務上具有較高的準確率和魯棒性。

為了解決上述技術問題，本發明提供了一種基于注意力機制的糖尿病視網膜病變的分類方法，包括以下步驟：

獲取眼底圖像的數據集，將所述眼底圖像的數據集劃分為訓練集和測試集；

構建基于DenseNet網絡的ADense2Net網絡模型，在所述DenseNet網絡中引入注意力機制模塊和多尺度卷積模塊；

使用訓練集對ADense2Net網絡模型進行訓練，獲得訓練后的ADense2Net網絡模型；

通過訓練后的ADense2Net網絡模型對測試集進行測試，根據測試結果優化ADense2Net網絡模型的參數，獲得優化后的ADense2Net網絡模型；

使用優化后的ADense2Net網絡模型對獲取的眼底圖像進行分類。