[发明专利]基于黄斑注意力机制和不确定度的AMD分级系统

说明书

本发明提供了一种基于黄斑注意力机制和不确定度的AMD分级系统，涉及黄斑病检测技术领域。本发明利用分割网络模型得到视盘分割图像和血管分割图像，再根据得到视盘分割图像和血管分割图像得到黄斑区图像，最后利用注意力网络子模块得到多通道图像，利用贝叶斯深度学习分类网络模型提取特征，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；分类网络模块在最终输出模型分类结果的同时，给出偶然不确定度和模型不确定度。使得模型的安全性能得到保证。

技术领域

本发明涉及黄斑病检测技术领域，具体涉及一种基于黄斑注意力机制和不确定度的AMD分级系统。

背景技术

黄斑，是指后极部、颞侧血管弓之间直径约为5～6mm的圆形区域，由各种原因引起的、发生在这一区域的疾病称为黄斑疾病。黄斑疾病,如年龄相关性黄斑变性(Age-RelatedMacular Degeneration,AMD)等，已经严重影响全球数百万人的生活及工作质量。其疾种类多、特征复杂，在疾病早期诊断较为困难，若未经及时的诊断及恰当的治疗，这些黄斑疾病将导致不可逆的视物模糊、视物变形、视野缺损，最严重可致盲。

现有的黄斑病检测方法均是基于深度学习算法；

但现有的黄斑病检测系统无法给出检测结果的准确性，存在安全隐患。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于黄斑注意力机制和不确定度的AMD分级系统，解决了现有的基于深度学习算法的黄斑病检测系统无法给出检测结果的准确性，存在安全隐患的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于黄斑注意力机制和不确定度的AMD分级系统，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。

进一步的，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。

进一步的，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。