[发明专利]基于相似性保持度量学习方法的青光眼患病概率预测方法

权利要求书

1.一种基于相似性保持度量学习方法的青光眼患病概率预测装置，其特征在于所述装置包括如下模块：

眼底图像提取模块：用于提取眼底图像视杯视盘区域；

图像数据增强模块：用于对经视杯视盘区域提取后的图像进行训练集图像数据增强；

参数初始化模块：用于使用在ImageNet数据集训练过的网络参数作为预训练参数，对BN-Inception网络结构内参数进行初始化；

相似性保持特征提取模块：用于使用单目对比损失函数训练初始化得到的相似性保持特征提取网络，在训练过程中通过反向传播和调整网络参数，以得到中间层特征表达能力更强的相似性保持特征提取网络，其中：

单目对比损失函数公式如下：

f(q_i)、f(m(q_i))和f(N(q_i))分别表示当前MiniBatch中，以第i幅图像作为查询图像时其由相似性保持特征提取网络计算得到的特征向量、与查询图像余弦相似度最高的同类别图像的特征向量、与其余弦相似度最低的不同类别的图像，Y(q_i)＝1表示该查询图像是标注为患有青光眼的眼底图像，Y(q_i)＝0表示该查询图像是标注为未患有青光眼的眼底图像；

图像特征提取模块：固定相似性保持特征提取模块中所有的网络参数、网络结构不改变，由相似性保持特征提取网络提取出所有训练集图像的图像特征；

训练集青光眼概率预测模块：用于对经图像特征提取模块提取出的训练集图像特征，构建全连接结构特征分类器，使用图像特征提取模块中提取的图像特征作为输入，通过基于偏置的交叉熵损失函数优化特征分类器，预测对应眼底图像患者患有青光眼的概率；

测试集青光眼概率预测模块：用于将测试集图像数据以与训练集图像数据以相同的方式进行裁剪、缩放操作，分别输入特征提取网络和分类器网络计算测试集中每一幅图像所拍摄的眼底图像对应患有青光眼的概率。

2.根据权利要求1所述的基于相似性保持度量学习方法的青光眼患病概率预测装置，其特征在于所述眼底图像提取模块中，提取眼底图像视杯视盘区域的具体步骤如下：使用U-Net对原始眼底图像进行视杯视盘区域提取，保证裁剪后的区域中心与U-Net检测出视杯视盘区域中心吻合。

3.根据权利要求1所述的基于相似性保持度量学习方法的青光眼患病概率预测装置，其特征在于所述图像数据增强模块中，图像数据增强的具体步骤如下：对于每一幅裁剪后图像，保持图像中心不变化，对图像进行旋转操作，每次在上次旋转的基础上旋转30°，即每幅图像进行11次旋转操作，得到12幅同中心不同旋转角度的增强数据；在作为网络训练数据时，将每幅图像先缩放到255*255像素大小，每次在输入网络进行计算前在此255*255像素大小的图像中随机选取一个227*227的区域，并以50％的概率对227*227的图像进行水平翻转。

4.根据权利要求1所述的基于相似性保持度量学习方法的青光眼患病概率预测装置，其特征在于所述相似性保持特征提取模块中，训练阶段对BN-Inception网络结构使用Adam学习优化策略，设置Adam初始学习率为10^-5，每轮计算从增强后训练数据集中随机选取患病眼底图像、未患病眼底图像各300幅，不重复地划分为100个MiniBatch，每个MiniBatch由6幅图像组成，其中患病眼底图像与未患病眼底图像各3幅；在训练过程中，每个MiniBatch中数据以三元组方式组合，其中q是当前MiniBatch中任一图像，m(q)是当前MiniBatch中与q余弦相似度最高的同类别图像，N(q)表示当前MiniBatch中与q余弦相似度最低的不同类别的图像。

5.根据权利要求4所述的基于相似性保持度量学习方法的青光眼患病概率预测装置，其特征在于所述余弦相似度计算公式如下：

其中，f(i)表示图像i输入网络后输出的特征向量，f(j)表示图像j输入网络后输出的特征向量。