[发明专利]基于不确定度的早产儿视网膜病plus病变分类系统

说明书

本发明提供了一种基于不确定度的早产儿视网膜病plus病变分类系统，涉及深度学习技术领域。通过血管分割模块，先分割出眼底图像的血管，分类模块再利用贝叶斯深度学习分类网络模型提取特征，通过多次dropout蒙特卡洛，获取三组分别对应三个病变类型的概率值和一组图像噪声，并计算每组概率值的均值以及方差，将均值最大的病变类型作为最终分类结果，将图像噪声的均值作为偶然不确定度，方差和作为模型不确定度。在实际投入使用时，可以通过两种不确定度判定图像分类结果的可信程度，而不是选择盲目相信模型给予的诊断结果，这对于医生和患者而言，考虑是否需要人工眼科专家重新诊断帮助非常大，在实际临床使用更加安全可靠。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于不确定度的早产儿视网膜病plus病变分类系统。

背景技术

近年来，随着人工智能发展的日益成熟，以深度学习为代表的算法在许多医学图像应用中显示出巨大的优势，在眼科领域也得到了大量的应用。其中在早产儿视网膜病变(retinopathyofprematurity,ROP)的分类分级中也取得广泛应用。

现有针对ROP的分类分级的方法例如申请号为CN201811482400.5，名称为的早产儿视网膜病plus病变分类方法的专利申请文件，公开了通过构建能够从眼底图像中分割出血管图的血管分割模型，构建能够对血管图进行plus病变分类的分类模型，应用血管分割模型从目标眼底图像中分割出目标眼底图像中的血管图，应用分类模型对目标眼底图像中的血管图进行分类，得到目标眼底图像中的血管图所属的plus病变类别。从而基于血管分割模型及分类模型实现对眼底图像进行血管分割及血管图进行分类，与现有的通过人为进行plus病变分类的方式相比，能够提高早产儿视网膜病plus病变分类效率。

然而，在医疗图像处理中，基于深度学习的方法非常依赖于模型的训练数据集的数量和质量，并且模型的参数在训练好之后是确定的。当模型被训练好之后被应用于ROP筛查的时候，对于筛查结果，模型无法展示结果的可信程度。在实际使用中，模型无法做到100％的准确率，尤其在模型诊断训练集中没有的图片类型，很有可能发生误诊情况，这对病人的身体健康产生了严重的危害。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于不确定度的早产儿视网膜病plus病变分类系统，解决了现有技术无法展示模型分类结果的可信程度的问题。

(二)技术方案

一种基于不确定度的早产儿视网膜病plus病变分类系统，包括：预处理模块、血管分割模块、分类模块以及用于存储图像的存储模块；

所述预处理模块用于对眼底图像进行预处理，预处理模块还用于对血管分割图像进行归一化处理；

所述血管分割模块用于利用训练好的血管分割网络模型将眼底图像转化为血管分割图像；

所述分类模块用于将归一化处理后的血管分割图像作为训练好的贝叶斯深度学习分类网络模型的输入，并通过多次dropout蒙特卡洛，获取三组分别对应三个病变类型的概率值和一组图像噪声，并计算每组概率值的均值以及方差，将均值最大的病变类型作为最终分类结果，将图像噪声的均值作为偶然不确定度，方差和作为模型不确定度。

进一步的，所述预处理模块对眼底图像进行预处理包括：统一把尺寸通过不变形缩放到固定大小；再通过减均值、除方差所有图像进行像素级别的归一化。

进一步的，所述血管分割网络模型为U-net结构的卷积神经网络模型。

进一步的，所述系统还包括第一模型训练模块；所述第一模型训练模块用于训练血管分割网络模型；且所述血管分割网络模型的训练方法如下：

T1、获取含有血管像素级标注的眼底图像；

T2、对眼底图像进行预处理；