[发明专利]一种基于capsule理论的青光眼医学影像分类方法

权利要求书

1.一种基于capsule理论的青光眼医学影像分类方法，其特征在于，包括以下步骤：

S1：对图像进行预处理操作；

步骤S1包括以下步骤：

S1.1：利用已有的青光眼医学影像视盘检测模型裁剪出感兴趣区域以减少干扰信息；

S1.2：融合视盘和视杯语义分割图信息；

S1.3：采用限制对比度的自适应直方图增强，从而改善图像整体或局部对比度；

S2：构建基于capsule的卷积神经网络并输入预处理后的图像，输出青光眼识别结果；步骤S2所述的基于capsule的卷积神经网络包括第一层卷积层ReLU Conv1、第二层PrimaryCaps层和第三层Glaucoma Caps层；

其中第一层是卷积层ReLU Conv1，为普通的卷积层，输入图像尺寸为4×28×28，即合并原始图像的3个RGB通道信息，以及视盘和视杯分割图的单通道标注信息，该层共有256个9×9的卷积核，步长取1，激活函数为ReLU，实现局部特征提取，融合原始图像信息，以及视盘和视杯标注信息，并作为下一层的输入；

第二层Primary Caps层，为capsule层；输入图像尺寸为256×20×20，该层capsule向量维度设为8，共有32个9×9的卷积核，步长取2，激活函数为ReLU，输出为32个通道，每个通道数据尺寸为6×6；

第三层是Glaucoma Caps层，为capsule层；输入数据为256×6×6×8，该层capsule向量维度设为16，输出为2个类别capsule，分别对应青光眼识别结果，即正常和青光眼；

S3：构建图像重构全连接网络，使用类别capsule恢复原始图像。

2.根据权利要求1所述的一种基于capsule理论的青光眼医学影像分类方法，其特征在于，所述基于capsule的卷积神经网络采用后向传播技术，通过参数更新使得损失函数L最小化；

其中整个网络的损失函数L：

L＝αL_c+βL_r

α和β分别表示边际损失和重构损失的权重；L_c为边际损失函数，利用向量的长度来表示capsule实体存在的概率；L_r为重构损失；

其中

L_c＝T_c·[max(0,m⁺-||V_c||)]²+λ·(1-T_c)·[max(0,||V_c||-m^-)]²；

V_c是青光眼图像类别c的capsule向量，||V_c||表示该向量的长度，T_c＝1当且仅当青光眼图像类别c存在，m⁺＝0.9,m^-＝0.1，λ表示已存在类别的权重衰减系数；

L_r＝||x-x'||²；

x为原始图像(包括视盘和视杯分割图的标注信息)，x'为重构图像；||x-x'||²表示两幅图像之间的差距，具体计算方法如下：首先将两幅图像相同位置的像素点对求灰度值的差，再对差值取平方，最后求和得到结果。

3.根据权利要求1所述的一种基于capsule理论的青光眼医学影像分类方法，其特征在于，步骤S3所述的图像重构全连接网络使用类别capsule恢复原始图像；其中第一层为Glaucoma Caps，Representation of the reconstruction target表示选中capsule，Masked标记未选中capsule；第二层为全连接层，共有2048个神经元，激活函数为ReLU；第三层为全连接层，神经元增加到4096个，激活函数为ReLU；最后输出层为全连接层，神经元为3136个，对应3×28×28的原始图像，以及1×28×28的视盘和视杯分割图像。

4.根据权利要求2或3所述的一种基于capsule理论的青光眼医学影像分类方法，其特征在于，所述图像重构全连接网络通过网络输出和原始图像输入之间的平方损失L_r计算得出。采用后向传播技术更新网络参数，使得L_r最小化。