[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

本發明公開了一種基于多尺度級聯的糖尿病視網膜病變分級方法，包括：提取輸入圖像多尺度信息的Res2Net基礎網絡、提取首層特征圖的注意力模塊、整合更具有鑒別性特征表示的感受野模塊、多尺度級聯網絡；通過提取多尺度信息的方式減少淺層信息的丟失，并通過級聯的方式對淺層信息和高層信息進行信息之間的融合，利用不同尺度信息之間的互補性來增強對信息的獲取，結合多尺度和級聯能有效提高DR的分級效果，具有一定的臨床意義及算法意義。

技術領域

本發明涉及計算機視覺領域以及醫療領域，特別是涉及一種基于多尺度級聯的糖尿病視網膜病變分級方法。

背景技術

糖尿病視網膜病變(diabetic retinopathy，DR)是一種由糖尿病微血管惡化導致的一種眼底并發癥，并且最終會造成視覺缺陷或出現不可逆失明。糖尿病視網膜病變的病理特征主要包括以下幾類：微動脈瘤、出血、硬滲出物和軟滲出物。根據其類型和眼底圖像出現的病變數量，國際臨床糖尿病視網膜病變分級標準將糖尿病視網膜病變分五個階段：無明顯糖尿病視網膜病變、輕度非增值性糖尿病視網膜病變、中度非增值性糖尿病視網膜病變、重度非增值性糖尿病視網膜病變、增值性糖尿病視網膜病變。在目前臨床診斷中，DR分級主要依靠眼科醫生檢查眼底彩色圖像。由于DR患者數量龐大，經驗豐富的眼科醫生較少，給數量有限的眼科醫生帶來了巨大的負擔；并且隨著糖尿病患者數量的增加，眼底圖像的數量越來越多，越來越難以人工實時分析。因此，有必要使用計算機輔助診斷，以減輕眼科醫生的負擔和檢查時間，使患者及時了解自己的病情。

卷積神經網絡(Convolutional Neural Networks，CNN)將特征提取與分類端到端相結合，在圖像分類、目標檢測、語義分割等任務上取得了重大突破。由于CNN具有強大的高水平特征提取能力和表征能力，它也被廣泛應用于視網膜血管分割等醫學圖像分析任務中。但是五個DR等級在顏色和紋理上非常相似，因此在分級任務中很容易出現混淆，這對不同級別間的多樣性產生了不利影響。其次，眼底圖像中有些病變非常小，只有幾個像素，如圖3所示。這些小病變在卷積過程中很容易被忽略，會對最終的DR分級結果造成影響。

因此，亟需一種針對顏色和紋理非常相似的糖尿病視網膜病變分級方法來有效提高其分級效果成為研究人員熱門的話題。

發明內容

本發明的目的是提供一種基于多尺度級聯的糖尿病視網膜病變分級方法，通過提取多尺度信息的方式減少淺層信息的丟失，并通過級聯的方式對淺層信息和高層信息進行信息之間的融合，利用不同尺度信息之間的互補性來增強對信息的獲取，結合多尺度和級聯能有效提高DR的分級效果，具有一定的臨床意義及算法意義。

為實現上述目的，本發明提供一種基于多尺度級聯的糖尿病視網膜病變分級方法，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。

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

優選的，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。