[发明专利]基于注意力机制的深度学习糖尿病视网膜病变分类方法

说明书

本发明公开一种基于注意力机制的深度学习糖尿病视网膜病变分类方法，包括：选取一系列眼底图像作为原始数据样本，对样本进行归一化预处理、裁剪后分为训练集和测试集；对主神经网络进行参数初始化和微调，将训练集图像输入至主神经网络进行训练，生成特征图；固定主神经网络的参数，采用训练集图像训练注意力网络，输出病变候选区度图并归一化得到注意力图，将注意力图与特征图乘积得到注意力机制；将注意力机制求得结果输入主神经网络，采用训练集图像继续训练，最终得到糖尿病视网膜病变等级分类模型。本发明通过引入了注意力机制，使用糖尿病视网膜病变区域数据集对其进行训练，在保留网络原始特征的同时对病变区域的信息特征进行增强。

技术领域

本发明涉及基于注意力机制的深度学习糖尿病视网膜病变分类方法，属于医学图像处理领域。

背景技术

目前临床上医生对于糖尿病视网膜病变的诊断是通过观察并分析视网膜眼底图像上的早期病理特征如微动脉瘤、硬性渗出物以及出血等症状进行的。实际中，糖尿病视网膜病变病变种类多，病灶多样、病患严重程度不一，致使眼科医生诊断困难。因此，在大规模的糖尿病视网膜病变疾病筛查中，计算机辅助诊断技术可以大大减轻医生的负担，并快速、有效地辅助医生实现分类诊断。

当前大部分自动诊断算法中，对于糖尿病视网膜病变眼底图像的分类主要基于传统手工方法来设计提取特征，再进行分类器的构建。例如使用包括形状，颜色，亮度和先验知识等手工特征进行糖尿病视网膜病变检测，这些方法只能在小的数据集上能取得较好的结果，由于人工特征提取过程繁琐，在大数据集的情况下效率低且鲁棒性差。随着人工智能算法的发展，目前已经有研究者提出了直接基于深度学习的糖尿病视网膜病变分类诊断方法，例如将卷积神经网络直接连接眼底图像进行糖尿病视网膜病变的分类任务，此类方法是针对所有糖尿病视网膜病变类型而设计的，仅仅将卷积神经网络看成一个黑盒子，并没有把与诊断密切相关的病灶分布信息考虑进去，缺乏有效而直观的解释。

发明内容

发明目的：本发明目的在于针对现有技术的不足，提供一种基于注意力机制的深度学习糖尿病视网膜病变分类方法，该方法在深度卷积网络中引入了注意力机制，将注意力网络嵌入到深度网络中，并使用专家标注的糖尿病视网膜病变区域数据集对其进行训练，注意力网络能够引入专家知识，生成包含候选病变区域位置的病变感兴趣区域，该方法可以在保留网络原始特征的同时对病变区域的信息特征进行增强。

技术方案：本发明所述基于注意力机制的深度学习糖尿病视网膜病变分类方法，其特征在于，包括如下步骤：

(1)分别选取EyePACS数据集、DiaretDB1数据集、Messidor数据集中一系列眼底图像作为原始数据样本，对眼底图像进行归一化预处理，预处理后进行裁剪保证尺寸相同，将裁剪后的眼底图像分为训练集和测试集；

(2)构建卷积神经网络模型，所述卷积神经网络模型包括主神经网络和注意力网络；采用ImageNet参数单独对主神经网络进行训练，通过训练得到的参数对主神经网络进行微调并保存主神经网络模型参数；在保存的主神经网络模型参数中，选取糖尿病视网膜病变等级分类最好的主神经网络模型参数来初始化卷积神经网络中的主神经网络参数部分，余下参数随机初始化；

(3)将EyePACS数据集中的训练集图像输入至主神经网络进行训练，生成特征图；固定主神经网络的参数，采用DiaretDB1数据集中的训练集图像训练注意力网络，注意力网络输出一张病变候选区域灰度图；

(4)将注意力网络生成的病变候选区域灰度图进行归一化得到注意力图，并将注意力图与主神经网路输出的特征图进行元素点乘，乘积得到注意力机制；

(5)将注意力机制求得结果输入主神经网络中，采用EyePACS数据集中的训练集图像继续训练，训练时按照设定的学习率调整主神经网络的参数，最终可以得到糖尿病视网膜病变等级分类模型。