[發明專利]一種基于雙路徑網絡的圖像分級方法

在審

• 申請號: 202211284349.3
• 申請日: 2022-10-20
• 公開（公告）號: CN115578782A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 佟萌萌;趙水清;齊守良
• 申請（專利權）人: 寧波臻寶科技有限公司
• 主分類號: G06V40/18
• 分類號: G06V40/18;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 廣州藍晟專利代理事務所(普通合伙) 44452
• 代理人: 梁悄

本發明提供一種基于雙路徑網絡的圖像分級方法，解決基于深度學習的網絡在訓練過程中往往忽略了數據集的多樣性，從而影響了模型的泛化性；進而導致眼底圖片分級錯誤的問題，一種基于雙路徑網絡的圖像分級方法，所述圖像分級方法的準確率超過83％，Kappa超過0.76；所述的雙路徑網絡為：SE?CoTNet?152和Xception；所述的圖像分級方法包括：步驟一：預處理；步驟二：數據重新取樣；步驟三：雙路徑網絡模型建立；步驟四：測試數據集增強；步驟五：分類結果評價；步驟六：雙路徑網絡模型訓練。

技術領域

本發明涉及眼底視網膜圖像處理領域，具體涉及一種基于雙路徑網絡的圖像分級方法。

背景技術

糖尿病視網膜病變(DR)是一種與糖尿病相關的眼病，是導致失明和視覺障礙的主要原因；根據病變特征和病變數量，DR被分為五個等級；患者失明的概率隨著糖尿病視網膜病變的分級而增加；因此，準確的DR分級對于患者的早期診斷和治療是非常必要的。

通過定期進行眼底檢查可以在早期發現DR，從而降低失明的風險。然而，越來越多的患者和繁瑣的診斷過程為實時人工分析增加了困難，也增加了診斷的錯誤率；通過計算機輔助診斷技術可以減輕眼科醫生的負擔，同時加快診斷速度，讓患者及時了解自己的病情，制定合適的治療方案，以免錯過最佳治療時間。

但是，由于任務的復雜性，其實際的臨床應用仍然具有挑戰性；由于眼底視網膜圖像在顏色和紋理上非常相似，很難進行詳細的分級；病變位置在整個圖像中只占很小的一部分面積，容易被忽略；其原因在于，目前基于深度學習的網絡在訓練過程中，往往會忽略數據集的多樣性，從而影響模型的泛化性。

發明內容

本發明提供一種基于雙路徑網絡的圖像分級方法，解決基于深度學習的網絡在訓練過程中往往忽略了數據集的多樣性，從而影響了模型的泛化性；進而導致眼底圖片分級錯誤的問題。

一種基于雙路徑網絡的圖像分級方法，所述的圖像分級方法的準確率超過83％，Kappa超過0.76；所述的雙路徑網絡為：SE-CoTNet-152和Xception；所述的圖像分級方法包括：

步驟一：預處理，選取公開數據庫中的圖片，裁剪出目標區域，通過高斯模糊將顏色和亮度歸一化；

步驟二：數據重新取樣，對公開數據庫中的數據采用以下公式進行去取樣，

w_t＝r^i-1w₀+(1-r^i-1)w_f，

其中，W₀是基于每個等級的眼底圖像數量比例的初始重采樣權重，r＝0.95，W_f＝(1，2，1.5，2，2)；

步驟三：雙路徑網絡模型建立，用CoT模塊代替SE-ResNet-152中3×3卷積形成SE-CoTNet-152；用可分離卷積取代Inception-V3中的卷積形成Xception；通過全局平均池和FC層，得到結果；

步驟四：測試數據集增強，通過TAA進行增強，將每張圖像旋轉90°、180°、270°，將原始圖像跟旋轉后的圖像輸入到雙路徑網絡中進行預測，輸出的結果取平均值，得到分類結果；

步驟五：分類結果評價，通過準確性、二次加權得分、特異性三個指標評估分類結果；

步驟六：雙路徑網絡模型訓練，圖像輸入分辨率為320×320，通過增強或者dropout的方法避免過擬合，初始學習率為5×100-5，當驗證集的性能在3輪后未能改善時，學習率將衰減0.2倍。

進一步地，步驟一中裁剪目標區域的方法為：通過掃描每一列和每一行的像素強度。