[发明专利]基于深度主动学习的眼底图像左右眼识别方法

说明书

本发明提供一种基于深度主动学习的眼底图像左右眼识别方法，能够针对主视野眼底图像以及识别难度相对较大的非主视野眼底图像完成精确的左右眼识别，其特征在于，包括如下步骤：步骤S1，对待测图像进行预处理；步骤S2，将预处理后的图像输入眼底图像左右眼识别模型从而得到待测图像的左右眼分类结果，眼底图像左右眼识别模型通过如下方法训练：步骤T1，构建初始眼底图像识别模型；步骤T2，将训练集输入初始眼底图像识别模型训练得到主视野眼底图像识别模型；步骤T3，利用主视野眼底图像识别模型从多张眼底图像中选出非主视野眼底图像作为难样本；步骤T4，将难样本作为增加的训练集对主视野眼底图像识别模型进行训练得到眼底图像左右眼识别模型。

技术领域

本发明属于计算机视觉领域以及医疗影像领域，涉及一种眼底图像左右眼识别的方法，具体涉及一种基于深度主动学习的眼底图像左右眼识别方法。

背景技术

眼底照相是检查玻璃体、视网膜、脉络膜和视神经疾病的重要方法，许多全身性疾病如高血压病、糖尿病等均会发生眼底病变，因此眼底图像是一种重要诊断资料。基于眼底图像进行左右眼的区分识别是大量后续任务的必要基础，主要依据眼底视神经盘和黄斑的相对位置，以及视网膜中央动脉的弯曲方向进行左右眼的区分识别。若在眼底图像上能够清楚地辨认出眼底视神经盘与黄斑的位置，且以黄斑中心凹为拍摄视野的中心，成像至少涵盖45度视网膜区域，眼底视神经盘位于黄斑左侧，视网膜中央动脉左凸，则为左眼主视野眼底图像，反之则为右眼主视野眼底图像。

近年来，随着深度学习的不断发展，尤其是卷积神经网络在模式分类上的优异表现，使得越来越多的图像分类任务能够实现高效自动化。一些研究已将卷积神经网络应用于眼底图像左右眼识别的任务中。

然而，目前的左右眼识别模型对数据的依赖性较强，仅仅对图像质量较好的主视野眼底图像具有较强的识别能力。在现实情况中，由于拍摄仪器、光照、技术、角度等原因，可能出现难以辨别左右眼的非主视野眼底图像，如眼底视神经盘位于图像中央位置且黄斑位置较难辨认的图像，一般的左右眼识别模型很难在这些难样本上具有强泛化与高精度的识别表现。

发明内容

为解决上述问题，提供一种能够针对识别难度相对较大的非主视野眼底图像完成精确的左右眼识别的眼底图像左右眼识别方法，本发明采用了如下技术方案：

本发明提供了一种基于深度主动学习的眼底图像左右眼识别方法，其特征在于，包括如下步骤：步骤S1，对待测图像进行预处理获得预处理图像；步骤S2，将预处理图像输入至少用于对主视野眼底图像以及非主视野眼底图像进行左右眼识别的眼底图像左右眼识别模型从而得到待测图像的左右眼分类结果，其中，眼底图像左右眼识别模型通过如下方法训练获得：步骤T1，构建初始眼底图像识别模型；步骤T2，将多张已标注的主视野眼底图像作为训练集输入构建好的初始眼底图像识别模型进行模型训练并得到主视野眼底图像识别模型；步骤T3，采用主动学习方法并利用主视野眼底图像识别模型从多张未标注的眼底图像中选出非主视野眼底图像作为难样本；步骤T4，将难样本进行人工标注后作为增加的训练集对主视野眼底图像识别模型进行模型训练并得到眼底图像左右眼识别模型。

本发明提供的基于深度主动学习的眼底图像左右眼识别方法，还可以具有这样的技术特征，其中，步骤T2的训练部分包括如下步骤：步骤T2-1，将训练集中的各个训练图像依次输入构建好的眼底图像左右眼识别模型并进行一次迭代；步骤T2-2，采用最后一层的模型参数分别计算出损失误差并将损失误差反向传播从而更新模型参数；步骤T2-3，重复步骤T2-1至步骤T2-2直至达到训练完成条件，得到训练后的初始眼底图像左右眼识别模型。