[發明專利]一種基于多尺度級聯的糖尿病視網膜病變分級方法

有效

• 申請號: 202110845787.1
• 申請日: 2021-07-26
• 公開（公告）號: CN113537375B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 岳廣輝;李苑;汪天富;林嘉琪;李潔玉;周天薇
• 申請（專利權）人: 深圳大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京東方盛凡知識產權代理事務所(普通合伙) 11562
• 代理人: 李娜

1.一種基于多尺度級聯的糖尿病視網膜病變分級方法，其特征在于，具體包括以下步驟：

S1、將采集帶有標簽的糖尿病視網膜病變眼底圖像作為原始數據集；并將所述原始數據集按照比例劃分為訓練集和測試集；

S2、構建Res2Net網絡模型，并設置所述Res2Net網絡模型的輸入批量大小參數；

S3、根據所述輸入批量大小參數，將所述訓練集輸入到所述Res2Net網絡模型中進行訓練，并采用SGD優化器進行優化，得到訓練完成的Res2Net網絡模型；

S4、將所述測試集輸入到所述訓練完成的Res2Net網絡模型中進行預測，將輸出的預測結果與真實標簽作比對，得到尺度級聯網絡糖尿病視網膜病變分級模型；

S5、利用所述尺度級聯網絡糖尿病視網膜病變分級模型對糖尿病視網膜病變進行分級，并利用圖像分類度量指標對分級效果進行綜合評價；

所述Res2Net網絡模型是采用多尺度訓練策略來訓練網絡，以進行信息互補；

所述多尺度訓練策略具體為：

步驟1：對所述Res2Net網絡進行預訓練；

步驟2：采用ImageNet對預訓練后的Res2Net網絡進行特征提取；

步驟3：在所述預訓練后的Res2Net網絡中添加注意力模塊和感受野模塊，獲得多尺度特征；

步驟4：基于多尺度訓練策略，將所述多尺度特征通過聚合模塊進行信息融合，得到訓練完成的Res2Net網絡；

所述步驟2具體為：

采用ImageNet對預訓練后的Res2Net網絡的前五層提取兩組低層特征F₀、F₁和三組高層特征F₂、F₃、F₄；

所述步驟3具體為：

在所述預訓練后的Res2Net網絡第一層中添加該注意力模塊，所述F₀通過所述注意力模塊得到增強的特征圖A₀；在所述預訓練后的Res2Net網絡中第二、三、四、五層分別添加感受野模塊，所述F₁、F₂、F₃、F₄均通過所述感受野模塊依次獲得多尺度特征圖F'₁、F'₂、F'₃、F'₄。

2.根據權利要求1所述的基于多尺度級聯的糖尿病視網膜病變分級方法，其特征在于，

所述原始數據集采用的是kaggle上的APTOS 2019Blindness Detection公開數據集。

3.根據權利要求1所述的基于多尺度級聯的糖尿病視網膜病變分級方法，其特征在于，所述原始數據集是按照8：2比例隨機抽樣組合的方式劃分為訓練集和測試集。

4.根據權利要求1所述的基于多尺度級聯的糖尿病視網膜病變分級方法，其特征在于，所述輸入批量大小參數為20；所述輸入批量大小參數是按照隨機抽取方式對所述訓練集進行抽取。

5.根據權利要求1所述的基于多尺度級聯的糖尿病視網膜病變分級方法，其特征在于，所述步驟4具體為：

所述A₀依次與所述F'₁、F'₂、F'₃、F'₄通過聚合模塊得到特征圖a₁、a₂、a₃、a₄；然后再將所述A₀依次與所述a₁、a₂、a₃、a₄進行相加，分別得到A₁、A₂、A₃、A₄，得到訓練完成Res2Net網絡。

6.根據權利要求5所述的基于多尺度級聯的糖尿病視網膜病變分級方法，其特征在于，所述S4中，對所述訓練完成的Res2Net網絡模型中進行預測方法具體為：

將所述A₁、A₂、A₃、A₄進行通道相加操作來進行信息融合；然后對融合后的特征進行全局平均池化輸出一個結果，把一個W*H*C的張量變成1*1*C的張量；最后通過全連接層將輸出結果映射到真實標簽空間中來對分類結果進行預測。