[发明专利]基于双向引导网络的AMD病变OCT图像的分类分割方法及系统

权利要求书

1.一种基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，包括以下步骤：

S1、获取OCT图像，将所述OCT图像分成训练集、验证集和测试集；

S2、构建掩模互补卷积神经网络以用于OCT图像的分类；

S3、采用Grad-CAM算法计算掩模互补卷积神经网络的类激活图，获得类激活图的输出；

S4、构建类激活图引导的U型分割网络以用于OCT图像中病变区域的分割；

S5、通过训练集和验证集对所述掩模互补卷积神经网络和类激活图引导的U型分割网络进行训练，获得优化后的掩模互补卷积神经网络和类激活图引导的U型分割网络；

S6、将测试集代入优化后的掩模互补卷积神经网络和类激活图引导的U型分割网络中，实现OCT图像的分类和分割。

2.根据权利要求1所述的基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，所述S2中构建掩模互补卷积神经网络以用于OCT图像的分类，具体包括：

通过卷积核提取图像的特征，获得大感受野内的特征；

通过残差块和下采样层对大感受野内的特征做进一步的提取，获得图像的语义信息，其中，在掩模互补卷积神经网络最底层的特征记为A；

A经过1×1的卷积与Sigmoid函数得到最底层的病变区域的分割结果S；

将A分别与S、1-S相乘得到掩模互补的特征，将两路掩模互补的特征在通道方向上拼接，再经过卷积层进一步提取特征得到最后的卷积层输出F；

将最后的卷积层输出F送入全连接层进行分类。

3.根据权利要求2所述的基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，所述S3具体包括：

计算掩模互补卷积神经网络的最后输出的C类的预测概率Y^C对于最后一层中第K张特征图所有像素的偏导数，即其中i、j为像素坐标值。

将求出的偏导数在高度和宽度上取全局平均，得到其中，Z表示特征图的总像素数；

将与对应的第K张特征图线性组合并送入ReLU激活函数处理，获得类激活图输出其中，ReLU函数是分段线性函数，ReLU(x)＝max(0，x)。

4.根据权利要求1所述的基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，所述S4具体包括：

以ResNet18为编码器提取输入图像的特征，获得编码特征；

将类激活图与不同分辨率下的编码特征采用先相乘后相加的方式融合，提取感兴趣区域的特征。

5.根据权利要求1所述的基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，所述S4与S5之间还包括：

构建分类损失函数和分割损失函数；

基于分类损失函数与分割损失函数的和优化掩模互补卷积神经网络；

基于分割损失函数优化类激活图引导的U型分割网络。

6.根据权利要求5所述的基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，

分类损失函数Loss_class表示为：

其中，L^C表示图片类别标签，C表示类别，L^C＝1表示当前图片是C类，否则L^C＝0，Y^C表示神经网络的预测输出，当前图片类别是C的概率，用N表示类别数。

7.根据权利要求5所述的基于双向引导网络的AMD病变OCT图像的分类分割方法，其特征在于，

分割的损失函数Loss_seg表示为：

Loss_seg＝loss_BCE+loss_Dice，其中，t_m表示分割标签中第m个像素的值，q_m表示模型预测结果图中第m个像素的值，M表示标签图像的总像素数。