申请/专利权人：重庆邮电大学

申请日：2022-05-18

公开（公告）日：2024-06-21

公开（公告）号：CN114913592B

主分类号：G06V40/18

分类号：G06V40/18;G06V10/82;G06V10/774;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.09.02#实质审查的生效;2022.08.16#公开

摘要：本发明涉及一种基于卷积神经网络的眼底图像分类方法，属于医学图像处理技术领域。该方法包括：S1：以眼底图像为输入，获取每个像素对应的组织图像；S2：组织图像通过预训练卷积神经网络进行特征提取；其中预训练卷积神经网络即特征提取网络是利用公开的纹理图像集和少量组织图像集，经迁移学习得到的卷积神经网络；S3：特征提取后，采用基于GAN的孪生网络中的解码器－编码器网络在重构正则化的共享空间中匹配源域和目标域的分布，并利用判别器将目标域和源域区分；S4：采用对抗损失和交叉熵损失函数训练网络参数，获取最优分类网络模型。本发明能增强特征信息提取能力，更加准确地对眼底图像进行分类，提高最终分类结果的准确率。

主权项：1.一种基于卷积神经网络的眼底图像分类方法，其特征在于，该方法包括以下步骤：S1：以眼底图像为输入，获取每个像素对应的组织图像；步骤S1中，组织图像是通过眼底图像自动生成的图像块；所述图像块包括白内障、近视、老年黄斑变性、青光眼、糖网病和正常6个征象类中某一类；对于带病灶标注的眼底图像，组织图像是从标注区域自动抽取的非重叠图像块，它归属于6个征象类中的某一类；对于测试眼底图像，组织图像是对每一个眼底像素点自动生成的；S2：组织图像通过预训练卷积神经网络进行特征提取；其中，预训练卷积神经网络即特征提取网络是利用公开的纹理图像集和少量组织图像集，经迁移学习得到的卷积神经网络；步骤S2中，所述预训练卷积神经网络采用以下网络结构进行眼底组织分类：网络输入为图像块，共由5个卷积层卷积而成；每一层采用2×2核尺寸；最后一个卷积层后是平均池化层，其尺寸与最后一个卷积层的输出相同；它输出的特征与最后一个卷积层的特征映射的数量相同；然后，将这些特征输入3个稠密层；同时在每个稠密层之前添加一个dropout层；S3：特征提取后，采用基于GAN的孪生网络中的解码器－编码器网络在重构正则化的共享空间中匹配源域和目标域的分布，并利用判别器将目标域和源域区分；步骤S3中，基于GAN的孪生网络包括编码器、解码器、判别器和分类器；所述编码器将源域和目标域数据样本匹配到一个空间；所述解码器约束映射空间以保证源域和目标域图像重建效果；所述判别器试图将来自两个域图像进行区分；所述分类器通过源域数据学习后实现对目标域数据分类；所述编码器接收特征提取网络输出的特征向量并将其映射到更小维度特征；所述解码器接收来自编码器的小维度的特征向量，并重构原始特征向量；所述判别器从编码器接受输出的特征向量作为输入，并输出域预测；编码器由三个密集层组成，每个后面是批归一化和LeakyReLU激活函数；最后一个稠密层后面是sigmoid激活函数；类似编码器，解码器除最后一层使用sigmoid激活函数，其它层采用批归一化和LeakyReLU激活函数；S4：采用对抗损失和交叉熵损失函数训练网络参数，获取最优分类网络模型；步骤S4中，对于判别器d的参数wd和解码器g的参数wg训练，分别定义对抗损失为：Lddxs,xt,wd＝E[logdgxs]+E[log1-dgxt]1 其中，判别器的损失函数Lddxs,xt,wd是标准二元交叉熵；解码器的损失函数Lggxs,xt,wg,wde后两项分别表示源域和目标域的重建损失，xs表示源域，xt表示目标域，表示预估的源域，表示预估的目标域，wde表示目标域的重建损失，λt是引入的系数，g·表示生成的对应图像，E[·]表示重建误差，是两组数据差的平方和；分类器CL通过带标签的源域数据Gxs进行参数学习，并通过最小化多类交叉熵损失函数LclGxs,Wcl实现类判别； 其中，Pyi＝k|Gxis,Wcl表示分类器网络顶部的softmax回归层提供的概率输出向量，ns表示批大小，K表示类数量，Gxs表示编码的具有标签的源数据，Wcl表示子网络cl的参数。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于卷积神经网络的眼底图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD