[发明专利]一种基于标签编码的糖网影像病变的自动分级方法

权利要求书

1.一种基于标签编码的糖网影像病变的自动分级方法，其特征在于，包括如下步骤：

步骤 1：对糖网病变的5种病变等级标签进行参数软编码，得到5种对应的参数软标签，转入步骤2；

步骤2：将糖网图片以及其病变等级经过步骤1处理得到的参数软标签通过模型进行训练，得到训练好的模型，通过该训练好的模型对糖网图片病变分级；步骤2还能得到参数软标签中的偏移参数；

步骤 3：利用步骤2得到的参数软标签中的偏移参数进行步骤1中的参数软编码得到各硬标签对应的软标签，进而建立硬软标签映射，转入步骤4；

步骤4：对于同类的新糖网数据集，通过步骤3的硬软标签映射将同类的新数据集中的标签转化为软标签，与糖网图片通过模型进行训练得到新数据集的模型，进而对新数据集的糖网图片进行病变分级；所述步骤1包括如下步骤：

步骤1.1：糖网病变5个等级分别为正常、轻度、中度、重度和增值，对应硬标签i分别设为0、1、2、3、4，对任意硬标签i，构建5个偏移参数，用于给硬标签向量L=[0,1,2,3,4]中的每一元素作偏移，共计25个偏移参数，先利用式（1）将偏移参数的范围转换到（-1，1），得到限制偏移参数，式（1）如下：

其中，，表示当前的硬标签值；，表示当前标签的第j个偏移参数；为硬标签i对应的5个偏移参数，为训练应该得到的参数；如步骤1.1中所示；表示双曲正切函数,任意输入x经过该函数所得到的数都在（-1，1）范围；

步骤1.2：构建偏移量控制参数c，该参数取值范围为[0,0.5），利用式（2）构建硬标签i对应的标签偏移参数向量，式（2）如下：

其中，为标签i对应的5个范围为（-1，1）的偏移参数;c为偏移量控制参数，取值范围为[0,0.5）;中每一个元素通过偏移量控制参数c,将偏移参数控制在（-c,c）；

步骤1.3：将标签偏移参数向量与硬标签向量相加得到偏移硬标签向量如式（3）所示，式（3）如下：

其中，表示经过偏移的偏移硬标签向量；L为硬标签向量[0,1,2,3,4]，由糖网病变的5个级别0，1，2，3，4构建；为标签偏移参数向量，每一个元素的取值范围为（-c,c）,标签偏移参数向量与L相加来控制L中每一个元素的偏移，当c取0时表示L中的元素未发生偏移，当c取0.5时L中的相邻元素可能会近似相等；

步骤1.4：对于硬标签i，其偏移硬标签向量中的每一个元素减去第i+1个元素得到硬标签i的类间距离向量如式（4）所示，式（4）如下：

其中，i的取值为0，1，2，3，4，表示硬标签值；表示硬标签i对应的偏移硬标签向量；j的取值为1，2，3，4，5，表示向量中的第j个元素；

步骤1.5：对于任意硬标签为i的类间距离向量，通过式（5），转换为带参数的软编码向量，即参数软标签，式（5）如下：

其中，表示硬标签i的类间距离向量中的第j个值；为硬标签i对应的软编码向量，也叫做软标签，其由5个概率值组成，分别表示标签i的糖网影像照片为标签0，1，2，3，4的概率值，他们的和概率为1；表示硬标签i所对应软编码向量中的第j个值，由式（5）中所得到，该式的分子由所得到，越小分子越大，越大分子越小，无论j为何值，分母都为；通过该式形成的软编码具有标签处概率值最大，离标签越远概率值越低；所述步骤2包括如下步骤：

步骤2.1：使用糖网图片以及对应的病变等级经过步骤1处理得到的带有可训练参数的参数软标签构建训练数据集；

步骤2.2：将步骤2.1得到的训练数据集通过模型进行训练，根据损失函数继续进行梯度下降和参数更新，得到训练完成的模型以及参数软标签中可训练的偏移参数，式（6）如下：

其中，表示模型的损失函数，通过更新函数内参数使其到达最小以得到最优模型；表示输入数据集中的眼底图片集X通过模型所得到的预测值集Y，其中m表示模型中可训练的参数；表示输入数据集中的硬标签集y通过参数软编码得到的软标签集，其中b表示可训练的偏移参数；用来衡量模型的预测与真实标签之间的距离，距离越少表示预测越准，由于Y,S中的可训练参数只有m,b，因此该损失函数可表示为，表示损失函数为m，b的函数，进而通过梯度下降和参数更新得到m，b两类参数，即通过训练得到模型以及参数软标签中的偏移参数；

步骤2.3：通过训练得到的模型对其他眼底图片进行糖网病变程度进行评估。