[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

说明书

本发明公开了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方法，所述方法使用预训练网络进行初始化，根据特定图像分类任务的需求训练网络，在训练网络中间层时采用单目度量学习损失函数，提升了图像中间层特征特定方向优化能力；在特征归纳预测阶段不对其进行优化，而是仅仅通过交叉熵损失函数优化归纳预测神经网络分类器，减少了待优化网络参数数量；使用单目对比损失函数训练相似性保持特征提取网络，通过调整网络参数得到更适用于青光眼患病概率预测任务的网络模型，训练后的相似性保持特征提取网络在青光眼患病概率预测实验中取得了更优的特征归纳预测效果。

技术领域

本发明属于图像分类技术领域，涉及一种通过相似性保持度量训练网络的图像分类方法，具体涉及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方法。

背景技术

随着医疗设施的不断优化，民众进行身体状况的检查途径也变得便捷。但随着就诊民众数量的上升，对于诊断病情的医生来讲，工作量也随之上升。伴随着图像数字化技术的蓬勃发展，医疗图像采集效率也越来越高。在这种趋势下，如何通过采集到的医疗影像，进行医疗影像处理，辅助医生进行病情预测及诊断，引起了学术界的广泛关注。

近年来，随着神经网络成功应用于多类大规模通用图像分类后，研究者越来越关注神经网络在特定领域内的应用。以医疗领域图像为例，其具有图像内容相似、组织结构相似、拍摄角度相似等特点。大量研究表明，同以往依赖手工特征方法对图像进行抽象表示方法相比，神经网络卷积层输出的特征具备出色的多样性和依据不同任务的可变性。因而，近年来基于卷积神经网络的图像分类算法层出不穷，基于卷积神经网络的图像分类方法从网络状态来讲主要分为三种，分别是使用预训练网络、基于已有网络微调和多种网络结果混合。与另外两种单网络结构方法不同，混合网络是将不同结构的网络结果加以融合，由于每幅图像都要使用多个网络进行处理并对结果加以取舍，使得使用多种网络结果混合方法在图像分类任务中效率较低，使用更多的是另外两种。虽然在通用大规模数据集上训练得到的预训练网络已经取得了令人惊叹的图像特征表达性能，但由于不同特定任务数据形态、内容以及关注点等方面，其往往不具备与特定任务数据集合中图像相契合网络状态参数，因此基于已有网络进行微调成为比较热门的研究话题。微调网络是使用经过预训练的图像分类模型状态参数作为起点，对网络进行初始化，然后在此基础上针对特定任务进行网络参数优化训练。通常使用经过微调的检索网络比直接应用预训练模型的效果更好。在分类任务中，微调网络一般根据不同的特定任务数据，通过修改网络最后输出层的输出维度，使用分类损失函数对网络参数进行指导更新，使得训练后得到的网络架构更加贴近特定领域的图像分类任务。当下较为常用的分类任务损失函数为交叉熵损失函数、对数损失函数和逻辑斯蒂损失函数。

基于卷积神经网络的图像分类关键在于训练出一个与指定任务高度匹配的网络，通过训练的网络对图像内容进行预测以及分类，提高图像分类的准确率。在训练网络参数时最重要的是训练数据集和图像分类网络的架构，使用分类任务损失函数可以一端输入图像，另一端直接输出分类预测结果，此外可以通过相似性保持度量学习的方法指导网络中间层特征提取的优化方向，这对提升图像分类的准确率有着重要的促进作用。可见，基于相似性保持度量学习方法的青光眼患病概率预测算法具有广泛的应用前景。

发明内容

本发明的目的是提供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方法，该方法使用度量学习对比损失函数训练网络，指导网络中间层特征提取方向；使用神经网络对图像特征进行归纳抽象，通过眼底图像对青光眼疾病患病概率进行预测，为青光眼检测任务提供更准确的网络模型，提升眼底图像青光眼患病情况的分类以及患病概率预测的准确率。

本发明的目的是通过以下技术方案实现的：

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方法，包括如下步骤：

步骤一、提取眼底图像视杯视盘区域；

步骤二、对步骤一中经视杯视盘区域提取后的图像进行训练集图像数据增强；