[发明专利]同时识别糖尿病视网膜病变的分期和病变特征的判断方法

权利要求书

1.一种同时识别糖尿病视网膜病变的分期和病变特征的判断方法，其特征在于，包括：获取眼底图像；并且将所述眼底图像输入基于深度学习的多任务网络以同时识别所述眼底图像所属的糖尿病视网膜病变的分期和所述眼底图像的糖尿病视网膜病变的病变特征，所述多任务网络至少包括骨干网络、特征头部网络和分期头部网络的三类子网络，所述多任务网络的网络参数通过多任务联合训练得到，在所述多任务联合训练中，通过反向传播调整所述三类子网络的网络参数，所述骨干网络接收所述眼底图像并输出第一特征图，所述特征头部网络接收所述第一特征图并判断所述眼底图像的糖尿病视网膜病变的病变特征，并通过所述特征头部网络的中间层得到第二特征图，所述分期头部网络接收所述第一特征图并基于所述分期头部网络的中间层得到第三特征图，然后对所述第三特征图和所述第二特征图进行特征融合以判断所述眼底图像所属的糖尿病视网膜病变的分期。

2.根据权利要求1所述的判断方法，其特征在于：

通过跳跃连接将所述第二特征图输入至所述分期头部网络以使所述分期头部网络基于所述第三特征图和所述第二特征图判断所述眼底图像所属的糖尿病视网膜病变的分期。

3.根据权利要求1所述的判断方法，其特征在于：

所述分期头部网络包括拼接层，所述拼接层接收所述第二特征图和所述第三特征图并进行特征融合以获得第四特征图，基于所述第四特征图判断所述眼底图像所属的糖尿病视网膜病变的分期。

4.根据权利要求3所述的判断方法，其特征在于：

所述骨干网络包括卷积层、批标准化层、池化层、修正线性单元层和压缩激发块；

所述特征头部网络包括全连接层、修正线性单元层和激活层；

所述分期头部网络包括全连接层、修正线性单元层、所述拼接层和激活层。

5.根据权利要求1所述的判断方法，其特征在于：

在所述多任务联合训练中，构建由待训练的眼底图像和所述待训练的眼底图像的标注结果组成的训练集，基于所述训练集对所述多任务网络进行训练以同时预测所述待训练的眼底图像的各个糖尿病视网膜病变的病变特征的概率并作为病变特征预测概率和预测所述待训练的眼底图像的属于各个糖尿病视网膜病变的分期的概率并作为分期预测概率，利用总损失函数对所述多任务网络进行优化，其中，所述标注结果包括病变标签和分期标签并作为金标准，所述病变标签描述所述待训练的眼底图像的糖尿病视网膜病变的病变特征，所述分期标签描述所述待训练的眼底图像所属的糖尿病视网膜病变的分期。

6.根据权利要求5所述的判断方法，其特征在于：

所述总损失函数包括用于优化所述分期头部网络的分期损失项和用于优化所述特征头部网络的特征损失项。

7.根据权利要求6所述的判断方法，其特征在于：

所述分期损失项包括基于交叉熵损失函数的交叉熵损失项和用于测量所述待训练的眼底图像的所述分期标签和所述分期预测概率的一致性的所述一致性损失项。

8.根据权利要求7所述的判断方法，其特征在于：

所述一致性损失项是基于kappa系数获取所述待训练的眼底图像的所述分期标签和所述分期预测概率的一致性，所述一致性损失项κ满足公式：

其中，C为糖尿病视网膜病变的分期的数量，W_uv表示加权系数，X_uv满足公式E_uv满足公式N为所述训练集中的眼底图像的数量，p_nu为所述训练集中第n张眼底图像属于第u个糖尿病视网膜病变的分期的概率，y_nv为所述训练集中第n张眼底图像是否属于第v个糖尿病视网膜病变的分期的金标准。