[发明专利]基于黄斑注意力机制和不确定度的AMD分级系统

权利要求书

1.一种基于黄斑注意力机制和不确定度的AMD分级系统，其特征在于，所述系统包括：

血管视盘分割模块，用于将眼底彩图分割，得到二值化的视盘分割图像和血管分割图像；

黄斑区定位模块，用于基于所述视盘分割图像和血管分割图像得到黄斑区图像；

分类网络模块，用于将眼底彩图以及对应的视盘分割图像、血管分割图像、黄斑区图像作为训练好的基于注意力机制的深度学习分类网络模型的输入，利用注意力网络将眼底彩图以及对应的血管分割图像、黄斑区图像进行融合，得到多通道图像，再通过主神经网络对多通道图像进行特征提取，并通过多次dropout蒙特卡洛，输出对应四个病变类型的四组概率值和一组噪声；并获取四组概率值的均值和方差，将概率均值最大的病变类型作为最终的分类结果，将噪声的均值作为偶然不确定度，将方差和作为模型不确定度。

2.如权利要求1所述的一种基于黄斑注意力机制和不确定度的AMD分级系统，其特征在于，所述分类网络模块包括：

注意力网络子模块，用于将眼底彩图以及对应的血管分割图像、黄斑区图像进行融合，得到多通道图像；

主神经网络子模块，用于利用训练好的主神经网络模型对多通道图像进行特征提取，并通过多次dropout蒙特卡洛，输出对应四个病变类型的四组概率值和一组噪声；

分类结果输出子模块，用于获取四组概率值的均值和方差，将概率均值最大的病变类型作为最终的分类结果，将噪声的均值作为偶然不确定度，将方差和作为模型不确定度。

3.如权利要求2所述的一种基于黄斑注意力机制和不确定度的AMD分级系统，其特征在于，所述注意力网络子模块为三阶注意力模块，且

残差注意力机制为：

H_i,c(x)＝(1+M_i,c(x))×F_i,c(x)

H_i,c(x)是注意力网络子模块的输出，F_i,c(x)是上一层的图片张量特征，M_i,c(x)是软掩码的注意力参数。

4.如权利要求2所述的一种基于黄斑注意力机制和不确定度的AMD分级系统，其特征在于，所述训练好的主神经网络模型为贝叶斯深度学习分类网络模型，输出节点设置5个，包括4个对应病变分类的分类节点和一个对应图像噪声的噪声节点；

所述多通道图像是由512×512的黄斑区图像、二值化的血管分割图像和512×512×3的眼底图像融合为512×512×5的多通道图像；

且训练所述贝叶斯深度学习分类网络模型包括：

A、使用Cross-Entropy Loss+偶然不确定度+模型不确定度损失作为损失函数；

B、使用sub-sampling梯度下降算法作为卷积神经网络的学习算法；

C、每个卷积神经网络训练300个epoch，batch_size设为2，初始学习率设置为0.001，衰减系数为0.995，最终学习率下降到0.0001则不再下降,停止训练，使用Adam优化器进行优化训练；

D、诊断标记为0、1、2和3级，分别对应健康、轻度、中度和重度级别；在训练过程中，对训练数据进行数据扩增；

E、测试时，通过多次dropout蒙特卡洛，得到预测分布，即四组对应四个病变类型的概率值。