[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

说明书

本发明公开一种基于损失函数的训练眼底病变点分割网络方法，使用损失函数来训练深度分割网络，来对眼底病变点进行高效地分割。根据指示器函数的结果，判断负样本被保留还是丢弃，指示器函数取值为1则保留负样本，反之则丢弃负样本。以此来提高网络的判别能力和学习速率，其中，易分样本以较高的概率丢弃，难分样本以较低的概率丢弃；在保留难分样本的情况下，可以节约大量的样本选择时间，从而使得网络集中在难分样本的学习上。本发明可解决类平衡交叉熵损失函数造成的分割网络误分情况多和学习效率较低的问题，对眼底病变点进行高效分割。

技术领域

本发明属于神经网络技术领域，特别涉及一种基于损失函数的训练眼底病变点分割网络方法。

背景技术

深度卷积神经网络作为一种深度学习模型，在图像分类、目标检测和目标分割等许多计算机视觉任务上都取得了最先进的性能。近年来，基于深度学习的语义分割模型得到了广泛的研究，取得了显著的效果。然而，据我们所知，大多数现有的模型都集中在正常大小的物体上，如动物和车辆。对于小物体的语义分割还没有得到充分的研究。比如医学领域中的眼底病变点检测问题。然而，分割小病变点不同于分割正常大小的对象。小对象分割中总是存在类别不平衡问题，这在医学图像中很常见，例如，眼底图像中的病变点比例可以低至0.1％。这种极端的不平衡将使大物体分割中的损失函数在小物体分割中无法适用，因为很容易将所有像素分类为背景，并获得无意义的99.9％的准确度。一个直观的解决类别不平衡问题的方法是为不同的类别分配不同的权重，我们将此方法称为类平衡交叉熵损失函数。小比例的像素被赋予高权重，高比例的像素被赋予低权重。但是，这种方法不考虑样本间的权重，所有负样本均被同等对待，共享相同的权值。因此，在类平衡交叉熵损失中，负样本往往被误分类为正样本，因为误分类背景像素的损失比误分类正样本的损失小得多。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于损失函数的训练眼底病变点分割网络方法，可解决类平衡交叉熵损失函数造成的分割网络误分情况多和学习效率较低的问题，对眼底病变点进行高效分割。

为解决上述技术问题，本发明采用的技术方案是：一种基于损失函数的训练眼底病变点分割网络方法，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(背景像素)；根据指示器函数的结果，确定其被保留还是丢弃；

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；

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；