[发明专利]一种基于capsule理论的青光眼医学影像分类方法

说明书

本发明公开了一种基于capsule理论的青光眼医学影像分类方法，包括图像预处理操作、构建基于capsule的卷积神经网络和构建图像重构全连接网络；图像预处理操作首先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，接着融合视盘和视杯语义分割图信息，最后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。基于capsule的卷积神经网络不仅能够自动学习青光眼医学影像特征，还能发现特征之间的位置与方向信息，从而更加准确地识别青光眼。图像重构全连接网络使用类别capsule恢复原始青光眼医学影像，目的是提高基于capsule的卷积神经网络的泛化能力。

技术领域

本发明涉及青光眼医学影像分析领域，更具体地，涉及一种基于capsule理论的青光眼医学影像分类方法。

背景技术

青光眼是一组以视神经萎缩、视野缺损和视力下降为共同特征的疾病。如不及时治疗，将导致失明。青光眼已成为三大致盲眼病之一，总人群发病率为1％，45岁以后为2％。青光眼的早期筛查具有重大意义，有利于患者及时治疗，从而保护视力甚至痊愈。

由于青光眼潜在患者人数众多，而有限的医疗资源和临床经验难以满足现有需求，使得眼科医生开展早期筛查工作十分困难。利用计算机辅助青光眼早期筛查可有效缓解眼科医生的工作压力，为患者提供更好的医疗服务。

青光眼医学图像分类常用计算机技术包括传统的计算机视觉技术和深度学习。传统的计算机视觉技术提取图像纹理特征和灰度特征等结构化信息，再用传统机器学习方法，包括朴素贝叶斯、K最近邻、支持向量机和随机森林等，最终完成青光眼分类任务。由于特征选择依赖人工经验，无法自动发现抽象语义特征信息，模型难以泛化。且大多数模型训练样本规模较小，实际应用价值不高。

深度学习作为人工智能的重要分支，能够自动学习样本特征，无需人工参与，是一种完备的端对端模型。深度学习已在图像分类等任务取得一系列突破性进展并得到广泛应用。结合深度学习对青光眼医学影像进行分类识别成为研究热点，特别是利用卷积神经网络(Convolutional Neural Networks,CNN)已取得若干研究成果。这类方法首先选择青光眼医学影像的感兴趣区域，然后进行图像预处理，作为CNN输入，再经过一系列卷积、池化和激活操作后，自动学习图像高维语义特征，后续的全连接网络融合特征，最终完成青光眼医学影像的分类。尽管CNN能够自动学习特征，但它无法识别特征之间的空间关系。为了更好地建模网络中内部知识表示的分层关系(包括位置和方向等)，Hinton提出了capsule理论，并在此基础上设计了CapsNet模型，在公开实验数据集取得了优于CNN的图像分类效果。目前，暂无利用capsule理论辅助青光眼筛查的相关研究。另外，直接采用现有深度学习方法处理青光眼医学影像，忽略青光眼领域特有知识，比如眼底图的视盘和视杯分割图信息，容易导致青光眼分类准确率不高。

发明内容

本发明的目的是解决上述一个或多个缺陷，提出一种基于capsule理论的青光眼医学影像分类方法。

为实现以上发明目的，采用的技术方案是：

一种基于capsule理论的青光眼医学影像分类方法，包括以下步骤：

S1：对图像进行预处理操作；

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；

S3：构建图像重构全连接网络，使用类别capsule恢复原始图像。

优选的是，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。