[发明专利]一种基于损失函数的训练眼底病变点分割网络方法

权利要求书

1.一种基于损失函数的训练眼底病变点分割网络方法，其特征在于，包括以下步骤：

步骤1：预处理IDRiD眼底数据集，分别选取一定数量的眼底图像作为训练集和测试集；以一定的分辨率对每张图像下采样；对训练集进行数据增强；设定分割网络的超参数；

步骤2：初始化分割网络各层的权值；

步骤3：从扩充之后的训练集中随机挑选一张眼底图像；并从图像中随机剪裁出一定尺寸的区域；

步骤4：眼底图像经过分割网络中的处理模块，得到损失函数层的输入，即分割概率图p和对应的标注y；

步骤5：根据设置，选择一种丢弃函数；

步骤6：对图像中的每一个负样本，根据指示器函数的结果，确定其被保留还是丢弃；其中：指示器函数如下，

其中，r为0，1之间的随机数；

p_drop(p_j)为丢弃函数，为1则保留负样本，反之则丢弃负样本；

步骤7：计算权重因子β，

其中|Y₊|为正样本个数，即分割样本像素个数，|Y_{_}|为保留的负样本个数，即背景像素个数；

步骤8：计算前向传播损失，

损失函数如下：

其中，β为保留的负样本个数除以其与正样本个数之和，使用步骤7中公式计算得到；1(p_j)为步骤6中所述的指数器函数，1(p_j)为1则保留负样本，反之则丢弃负样本；

步骤9：对图像中的每一个样本，计算各自的梯度信息；

步骤10：损失层的梯度反向传播，更新分割网络特征处理模块中的权值参数；

步骤11：如果网络仍未收敛，或者是未达到最大迭代次数，返回步骤3；

步骤12：网络训练结束之后，在测试集上对眼底图像进行微动脉瘤分割，根据分割结果，计算PR曲线。

2.根据权利要求1所述的一种基于损失函数的训练眼底病变点分割网络方法，其特征在于，步骤1中，对训练集进行数据增强采用旋转、镜像的方式。

3.根据权利要求1所述的一种基于损失函数的训练眼底病变点分割网络方法，其特征在于，步骤5中，丢弃函数将激活概率映射到丢弃概率，损失函数根据丢弃强度和计算代价的不同有三种丢弃函数，分别如下：

线性丢弃函数：p_drop(p_j)＝1.0-p_j；

平方丢弃函数：p_drop(p_j)＝(1.0-p_j)²；

对数丢弃函数：p_drop(p_j)＝1.0+log(1.0-p_j)

对于丢弃的负样本其贡献的损失为0。

4.根据权利要求1所述的一种基于损失函数的训练眼底病变点分割网络方法，其特征在于，步骤9中，梯度信息计算方法如下：

初始化所有样本的梯度；

对某一样本i，其梯度g_i初始化为：p_i-y_i，其中，p_i为激活概率值，y_i为标注；

对于正样本，其梯度更新为：g_i＝β×g_i；

对于保留的负样本，其梯度更新为：g_i＝(1.0-β)×g_i；

对于丢弃的负样本，其梯度设置为0。