[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

说明书

本发明公开了一种基于标签编码的糖网影像病变的自动分级方法，其中的标签编码技术不仅可用于糖网影像病变分级问题，还可以运用到其他的有序分类问题。本发明首先针对糖网病变的5种病变等级标签进行软编码来控制模型预测概率分布，以解决各标签之间的类依赖问题；再搭建糖网数据集并通过模型训练，可以得到模型参数和参数软标签中的偏移参数；再利用偏移参数计算5种病变等级的软编码可用于迁移学习；最后通过训练所得到的模型可以准确的进行糖网影像病变分级。该方法能够有效的解决糖网病变分级问题中标签之间的依赖，通过该软编码的方法可以灵活的控制模型的标签预测概率分布，提高糖网病变分级的准确性；同时可以建立硬软标签映射进行迁移学习。

技术领域

本发明涉及图像处理及机器视觉应用领域，特别是糖尿病诱发视网膜病变的严重程度评估与智能分级，该发明中的标签编码技术同时也适用于深度学习中的其他有序分类问题。

背景技术

在糖尿病诱发视网膜病变的严重程度分级中，根据国际临床糖尿病视网膜病变(DR)严重程度量表如表一所示，病变级别可以分为正常、轻度、中度、重度、增值型5类如图一所示。该病变的严重程度分类中有一部分属于有序分类问题，各类别之间存在着依赖关系，对于某一个标签，不同的类别预测概率分布起着不一样的作用。例如对于增值型（DR4）眼底照片的不同预测如图二所示，其中包括比较差的预测、较好的预测、很好的预测以及完美的预测。同时对于有序分类问题来说，对于某一个标签，对于与之更近的标签的预测概率应该比与之更远的标签概率更大，例如对于病变中度（DR2）的眼底照片的不同预测如图三所示，其中包括好的预测和不好的预测。而在传统的分类问题种，一般会对标签转换为onehot编码，而该种编码方式在训练过程中不能生成所需要的预测分布，在糖网病变检测若发生错误的预测极其容易误导医生，比如对病变2级进行预测，结果显示4级概率为0.95，其他级别概率趋近于0。Raúl Díaz等人提出了SORD算法，该算法针对有序分类问题，将硬标签转换为了固定的软标签，将该算法运用于糖网分级，对于病变2级可能得到的结果为1级的概率为0.6，2级的概率为0.3，3级的概率为0.1，即使发生错误预测，但依然表示出病变2级的可能。而该算法的缺点在于只能将硬标签转换为固定的软标签分布，不具有泛化能力。不同的数据集，不同的分类任务应该学到不一样的软标签分布；同时，无论容易分辨的病变等级还是不容易区分的病变等级，使用该算法得到的病变等级概率普遍偏低，即使预测正确，结果也显示该概率为0.6左右，对于容易区分的病变等级比如4级，预测应该得到更高的概率。

发明内容

本发明所要解决的技术问题就是提供一种标签编码的方法，将糖网病变的5个等级标签转化为概率分布标签，既软标签。在糖尿病诱发视网膜病变分级中能使得模型学习到应有的类别预测概率分布，即容易区分的病变等级预测结果为较高的概率，不易区分的病变等级预测结果为较为均匀概率分布，更有助于辅助眼科医生进行糖网病变分级。该软标签的分布不仅满足有序分类任务的要求：离当前标签越远的标签的预测概率越低，离当前标签越近的标签的预测概率越高，还能在不同的数据集或不同的分类任务种学到合适的软标签分布。

为了解决上述技术问题，达到上述目的，本发明所采用的技术方案如下所述。

一种基于标签编码的糖网影像病变的自动分级方法，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可以对糖网图片病变分级；

上述技术方案中，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中的参数软编码可以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；