[发明专利]基于三维卷积神经网络的视网膜OCT图像的分类方法

权利要求书

1.基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，包括以下步骤：

S01：采集三种三维视网膜OCT图像，分别是以黄斑为中心的视网膜OCT图像、以视神经乳头为中心的视网膜OCT图像和以大视野为中心的视网膜OCT图像，将所述三种视网膜OCT图像每种分类标记为2类，分别是正常视网膜图像和异常视网膜图像；

S02：数据预处理，将S01中三种模式下采集分类得到的6组三维视网膜OCT图像数据进行降采样，得到统一大小的三维图像用于输入三维卷积神经网络；

S03：根据迁移学习理论，用大量标记好的自然图像预训练一个三维卷积神经网络模型，所述三维卷积神经网络模型包括输入层、若干卷积层、若干池化层、若干全连接层以及输出层；

S04：用预处理好的三维视网膜OCT图像对训练好的三维卷积神经网络模型进行微调，在三维卷积神经网络模型主流网络中非首尾层的任一卷积层后加入分支网络，所述分支网络利用多层感知卷积进一步提取图像局部信息，所述分支网络同样由卷积层、池化层、全连接层和输出层组成，将所述主流网络和所述分支网络的输出层进行融合；

S05：将测试集图像数据按照S02步骤进行预处理，利用S04步骤中微调后的所述三维卷积神经网络模型进行测试，输出三种模式下的OCT图像为正常或异常的分类结果。

2.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，采用三维线性插值的方法，对所有三维视网膜OCT图像进行降采样，得到96×96×16尺寸大小的三维图像。

3.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述训练好的三维卷积神经网络模型主流网络包括1个输入层、8个卷积层、5个池化层、2个全连接层和1个输出层，从1到8卷积层的滤波器个数分是64,128,256,256,512,512,512,512，卷积核大小是3×3×3，每个全连接层有4096个输出，输出层有6个输出，所述池化层均采用最大池化法。

4.根据权利要求3所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述分支网络加在第4个卷积层后。

5.根据权利要求4所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述分支网络采用平均池化方法对第4卷积层进行降采样，包括1个池化层、2个卷积层、2个全连接层和1个输出层。

6.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，所述输出层采用Softmax分类器。

7.根据权利要求1所述的基于三维卷积神经网络的视网膜OCT图像的分类方法，其特征是，步骤S04中所述融合采用最大概率融合方法。