[发明专利]一种基于卷积神经网络的多模型糖网病变自动筛查方法

权利要求书

1.一种基于卷积神经网络的多模型糖网病变自动筛查方法，其特征在于，包括如下步骤：

获取眼底图像；

利用糖网图像质量检查CNN分类器筛选出眼底图像中的正常眼底图像；

通过糖网等级分类器模块获取正常眼底图像中糖网图像所属病变的糖网国标等级；

通过糖网病变区域检测模块获取正常眼底图像上的病变位置以及类别信息；

将糖网图像所属病变的糖网国标等级和病变位置以及类别信息通过糖网早期筛查等级分类融合模块融合后获取筛查等级；

将病变位置以及类别信息通过卷积神经网络类别激活映射模块后，获取出血位置的精确面积。

2.根据权利要求1所述的基于卷积神经网络的多模型糖网病变自动筛查方法，其特征在于，所述利用糖网图像质量检查CNN分类器筛选出眼底图像中的正常眼底图像的步骤如下：

S1:将眼底图像输入到以Squeezenet为卷积神经网络结构的模型中，形成维度为4096的特征向量；

S2:特征向量经过二分类线性分类器之后，获得是否为正常眼底图像的分类标签。

3.根据权利要求2所述的基于卷积神经网络的多模型糖网病变自动筛查方法，其特征在于，所述糖网图像质量检查CNN分类器的构建方法如下：

a使用具有两种标签的图像作为数据来源，经过审核后形成训练数据集，其中，两种标签为正常眼底图片和非正常眼底图片；

b通过在ImageNet训练获得以Squeezenet为卷积神经网络结构的模型的初始化参数；

c将具有两种标签的数据集对以Squeezenet为卷积神经网络结构的模型进行训练，获得糖网图像质量检查CNN分类器。

4.根据权利要求3所述的基于卷积神经网络的多模型糖网病变自动筛查方法,其特征在于，所述通过糖网等级分类器模块获取正常眼底图像中糖网图像所属病变的糖网国标等级的步骤如下：

①将正常眼底图像输入到以InceptionV3为卷积神经网络结构的模型中，形成维度为4096的特征向量；

②特征向量经过五分类线性分类器之后，获得该眼底图像的糖网国标等级分类标签。

5.根据权利要求4所述的基于卷积神经网络的多模型糖网病变自动筛查方法,其特征在于，所述糖网等级分类器模块的构建过程如下：

一、使用具有五种标签的图像作为数据来源，经过审核后形成训练数据集，其中，五种标签为无糖网病变、轻度糖网病变、中度糖网病变、重度糖网病变和增殖性糖网病变；

二、通过在ImageNet训练获得以InceptionV3卷积神经网络结构的模型的初始化参数；

三、将具有五种标签的数据集对InceptionV3卷积神经网络结构的模型进行训练，获得糖网等级分类器模块。

6.根据权利要求3所述的基于卷积神经网络的多模型糖网病变自动筛查方法,其特征在于，所述通过糖网病变区域检测模块获取正常眼底图像上的病变位置以及类别信息的步骤如下：

第一步：将正常眼底图像输入到以FasterRCNN为卷积神经网络结构和区域提取网络之后形成若干局部候选框；

第二步：将候选框映射到神经网络产生的特征图上；

第三步：每个候选框所对应的特征图的局部区域再经过四分类线性分类器之后，最终获得该眼底图像上所有病变区域的位置和类别信息。

7.根据权利要求6所述的基于卷积神经网络的多模型糖网病变自动筛查方法,其特征在于，所述糖网病变区域检测模块构建过程如下：

步骤一使用具有四种病变部位类别的图像作为数据来源，经过审核后形成训练数据集，其中，四种病变部位类别为出血、微动脉瘤、硬渗和棉绒斑；

步骤二通过在ImageNet训练获得糖网病变区域检测模块的初始化参数；

步骤三将糖网病变部位类别数据集对糖网病变区域检测模块进行训练，获得糖网病变区域检测模块。