[发明专利]基于完全关注机制的糖网筛查网络结构模型

说明书

本发明实施例涉及一种基于完全关注机制的糖网筛查网络结构模型。其中，该模型包括：池化层、注意力映射层、全局池化层以及全连接层，其中：卷积层，用于对输入的眼底图像进行图像特征提取，输出眼底图像的图像特征；池化层，用于对图像特征进行池化；注意力映射层，用于对经过池化的图像特征进行映射分类，得到多个分类特征；全局池化层，对多个分类特征进行全局池化，以对多数多个分类特征进行筛选；全连接层，用于经过全局池化的分类特征进行特征融合，得到分类结果。本发明解决了由于相关技术中难以对眼底图像进行细微的分类，造成的眼底图像分类结果不准确的技术问题。

技术领域

本发明涉及计算机视觉领域，具体涉及一种基于完全关注机制的糖网筛查网络结构模型。

背景技术

糖网是一种由糖尿病导致的眼睛致盲的疾病。现在糖网已经成为主要的致盲原因。在糖网的早期，可以通过眼底检测到一些早期迹象，并能够通过去医院治疗来有效预防或放缓病人的致盲。但是，这样的眼底筛查需要丰富眼底阅片经验的眼底医生，培养的过程需要较长的周期，跟大量需要进行眼底检测的人不能有效的对应起来。这就导致病人到医院就医的时候，往往已经很严重了，而不能有效的治疗。因此，通过计算机实现对于糖网的分期是一项非常有意义的工作。

近些年来，深度学习在计算机视觉领域发展迅速。Cnn从1989年提出，到2012年alexnet以绝对优势赢得imagenet图像分类的冠军，之后成为主要的图像分类的方法，并衍生出各种不同的卷积神经网络的变种，成为图像分类的主流方法。在2012年以后的图像分类领域，深度学习一直都是处于霸主地位，vgg，google-net，inception-net，resnet，desenet，senet，各种分类网络模型不断涌现，效果也越来越好。深度学习，长期以来都被当成是是一个黑匣子，人们对于其中的判断依据一直都持怀疑态度。

而对于眼底图像这一复杂的图像识别过程中，由于实际病灶大小不一，如小的微动脉瘤，到大片的出血、硬渗以及软渗，相关技术中都难以进行细微的分类，导致底层网络噪声较大，无法准确分辨出实际的眼底病变图像。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于完全关注机制的糖网筛查网络结构模型，以至少解决由于相关技术中难以对眼底图像进行细微的分类，造成的眼底图像分类结果不准确的技术问题。

根据本发明实施例的一个方面，提供了一种基于完全关注机制的糖网筛查网络结构模型，包括卷积层、池化层、注意力映射层、全局池化层以及全连接层，其中：所述卷积层，用于对输入的眼底图像进行图像特征提取，输出所述眼底图像的图像特征；所述池化层，用于对所述图像特征进行池化；所述注意力映射层，用于对经过池化的图像特征进行映射分类，得到多个分类特征；所述全局池化层，对所述多个分类特征进行全局池化，以对多数多个分类特征进行筛选；所述全连接层，用于经过全局池化的分类特征进行特征融合，得到分类结果。

进一步地，所述模型包括多个所述池化层，其中：多个所述池化层与所述卷积层串联，每个所述池化层分别与所述注意力映射层、全局池化层串联；所述全连接层，分别与多个所述全局池化层连接。

进一步地，相邻的两个所述池化层通过所述卷积层连接。

进一步地，所述注意力映射层包括的卷积操作。

进一步地，所述全局池化层包括TopK池化操作或排序加权池化操作。

进一步地，所述TopK池化操作包括：对输入的分类特征的值进行排序，得到分类特征序列；根据预设特征值筛选所述分类特征序列中的分类特征。

进一步地，所述TopK池化操作的池化方式为：