[发明专利]一种基于类别判别定位的SD-OCT图像视网膜病变检测系统

权利要求书

1.一种基于类别判别定位的SD-OCT图像视网膜病变检测系统，其特征在于，包括：

数据预处理模块，用于获取SD-OCT视网膜图像，并对每张图像进行病变类别标记，标记后的图像构成一个用于视网膜病变分类的原始数据集；通过数据增强的手段，对原始数据集中的图像进行预处理；

神经网络预测模块，用于通过所述的进行预处理后的图像训练全局卷积神经网络，并根据全局卷积神经网络最后一层输出的特征图的特征进行分类，得到全局的类别预测的结果；

热力图计算模块，用于根据所述预测的结果获取输出的特征向量，通过类别映射到全局卷积神经网络最后一层输出的所有特征图，并对所有特征图求取梯度获取权重值，再通过权重值与对应的特征图做乘积获取梯度加权激活映射图，并对梯度加权激活映射图进行求和以及非线性激活操作得到类别映射特征热力图；

病变区域定位模块，用于根据所述类别映射特征热力图，设置阈值以获取具有较大激活值的区域，进而生成二进制掩模，根据掩模求取最小外接矩形，根据最小外接矩形的坐标确定眼底病变的位置，从而实现对图像当中眼底病变区域进行定位；

所述的基于类别判别定位的SD-OCT图像视网膜病变检测系统，还包括：

精确检测模块，用于根据眼底病变区域进行定位的结果，通过最小外接矩形R对应的原图的区域，将含有主要病变特征信息的区域从原图当中裁剪出来，得到局部的视网膜图像；再训练一个局部卷积神经网络，来对局部的视网膜图像做进一步的特征提取和分类，分类时对局部卷积神经网络和全局卷积神经网络的全局平均池化层进行了融合，得到更加准确的眼底病变类型检测结果；

所述的设置阈值以获取具有较大激活值的区域，进而生成二进制掩模，其中，阈值T选取是通过手动设置或者通过自适应阈值计算方法获取并且T值的选取范围为0.1～0.5之间，二进制掩模M的计算公式如下：

表示类别映射特征热力图，T表示阈值；

所述的根据掩模求取最小外接矩形，根据最小外接矩形的坐标确定眼底病变的位置，包括：

通过计算二进制掩模M的轮廓的上下左右边界，并构造一个垂直矩形来最小包围二进制掩模M的轮廓的上下左右边界，进而得到一个最小外接矩形R(x,y,w,h)，其中x和y表示最小外接矩形左上角顶点所在图像中的行和列坐标值，w和h表示最小外接矩形的宽和高，根据最小外接矩形R的坐标值，映射到输入的眼底视网膜图像的相应区域来确定眼底病变的所在的位置。

2.如权利要求1所述的基于类别判别定位的SD-OCT图像视网膜病变检测系统，其特征在于，所述的全局卷积神经网络的最后一层输出的特征图与全局平均池化层相连，通过对每个特征图的值相加后求平均，得到最后一层的输出的每一个特征图对应的特征值，再将这些特征值输入到一个全链接层，再次对特征进行提取和压缩，最后再通过Sigmoid函数进行激活，最终输出到分类层得到对应类别的预测概率值。

3.如权利要求1所述的基于类别判别定位的SD-OCT图像视网膜病变检测系统，其特征在于，所述的类别映射特征热力图的具体计算过程包括：

类别映射对应于每个特征图的权重计算公式如下：

上式中，Z表示特征图的数量，i，j表示分别表示特征图的行值和列值，表示第k个特征图中在(i，j)位置对应的像素值，y^c表示的是计算出来的分类结果；

梯度加权激活映射图具体计算公式如下：

上式中，表示第k个特征图对分类结果的影响权重，A^k表示卷积神经网络最后一层输出的第k个特征图；

则类别映射特征热力图的计算公式如下：

其中，ReLU表示非线性激活函数。