[发明专利]一种基于对抗学习的糖尿病视网膜疾病的筛查装置及方法

说明书

本发明的基于半监督对抗学习的糖尿病视网膜疾病的筛查装置，在分类深度神经网络(ResNet34)的基础上引入了第二分类器单元、重建单元和判别网络模块，将半监督对抗学习机制引入了整个装置。训练过程中，该装置能够使用有限的标注的和大量的未标注的眼底图像进行训练，具有很好的实用性和通用性；通过对比实验验证了引入图像重建分支、对抗学习和第二分类器单元至一个常用分类网络均能极大提高其筛查糖尿病视网膜病变的准确率；该装置应用于EyePACS和Messidor两个数据集数，均取得了很好的实验结果。本发明的筛查装置能够有效的进行彩色眼底图像的糖尿病视网膜病变筛查，起到辅助医生进行相关医疗诊断的作用。

技术领域

本发明属于医学图像处理领域，尤其是一种基于半监督对抗学习的糖尿病视网膜疾病的筛查装置及方法。

背景技术

糖尿病视网膜病变(diabetic retinopathy,DR)是目前工作年龄人群第一位致盲性眼病，是糖尿病导致的视网膜微血管损害所引起的一系列病变。事实上，早期诊断和及时治疗可有效预防DR引起的失明。

近年来深度神经网络已经被广泛用于计算机辅助诊断系统，并在很多医学诊断任务中取得了非常具有前景的结果。然而训练一个优秀的深度神经网络需要海量的高质量的标注的医学图像。但是，由于医学图像标注需要专业知识和高强度的劳作，在医学图像分析中通常只能获得少量高质量的标注图像。

发明内容

本发明的目的在于克服现有技术中不能获得海量的高质量的标注的医学图像来训练深度神经的缺点，提供一种基于半监督对抗学习的糖尿病视网膜疾病的筛查装置及方法。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于半监督对抗学习的糖尿病视网膜疾病的筛查装置，包括扩展网络模块、判别网络模块和训练模块；

训练模块，用于按照下述方法训练扩展网络模块和判别网络模块，以得到训练好扩展网络模块和判别网络模块，训练模块的训练方法如下：

1)采用ILSVRC数据集预训练的ResNet34神经网络单元的权值来初始化 ResNet34神经网络单元，并将初始化后的ResNet34神经网络单元用于图像重建任务的训练；

2)采用步骤1)中重建任务训练的权值来初始化ResNet34神经网络单元和重建单元；

3)采用训练数据集对抗训练扩展网络模块和判别网络模块，直至扩展网络模块的总损失函数收敛；

其中，对抗训练过程中，训练数据集中有标注的视网膜图像参与扩展网络模块的ResNet34神经网络单元和分类器单元的训练；训练数据集中无标注的视网膜图像参与扩展网络模块的ResNet34神经网络单元和重建单元的训练；无标注的视网膜图像、有标注的视网膜图像以及扩展网络模块重建的视网膜图像均参与判别网络模块的训练；

扩展网络模块包括一个ResNet34神经网络单元、两个分类器单元和一个重建单元；

ResNet34神经网络单元，用于接收有标注和无标注的视网膜图像，输出各个层的特征，并执行训练模块的训练；

其中，有标注视网膜图像为按照糖尿病性视网膜病变程度分级标注的图像，无标注视网膜图像为无分级标注的图像；

第一分类器单元，用于接收视网膜图像的顶层特征，输出分类结果，并执行训练模块的训练；

第二分类器单元，用于接收视网膜图像的若干中间层特征，输出分类结果，并执行训练模块的训练；

重建单元，用于接收各个层的特征，输出重建图像，并执行训练模块的训练；

判别网络模块，用于接收有标注、无标注的视网膜图像和重建图像，输出判别结果，并执行训练模块的训练。