[发明专利]一种基于深度学习的双视野眼底图像融合方法

权利要求书

1.一种基于深度学习的双视野眼底图像融合方法，其特征在于，包括以下步骤：

步骤S1，对两张待测图像进行预处理获得两张预处理图像；

步骤S2，搭建卷积神经网络模型，对所述卷积神经网络模型进行训练，从而得到训练后的卷积神经网络模型，称为M-net；

步骤S3，将所述M-net分成两部分，称为M-net PartⅠ和M-net PartⅡ；

步骤S4，将两张所述预处理图像分别放入所述M-net PartⅠ进行特征提取，获得两张图像特征图；

步骤S5，将两张所述图像特征图进行拼接，得到拼接图像；

步骤S6，将所述拼接图像放入所述M-net PartⅡ进行特征融合。

2.根据权利要求1所述的一种基于深度学习的双视野眼底图像融合方法，其特征在于：

其中，在步骤S1中，两张所述待测图像为双视野眼底图像，即两个视角下对一只待检查眼球的照片。

3.根据权利要求1所述的一种基于深度学习的双视野眼底图像融合方法，其特征在于：

其中，在步骤S1中，所述预处理包括水平翻转，调整亮度、对比度以及饱和度，以及大小归一化。

4.根据权利要求1所述的一种基于深度学习的双视野眼底图像融合方法，其特征在于：

其中，步骤S2包含如下子步骤：

步骤S2-1，构建所述卷积神经网络模型，其包含的模型参数为随机设置；

步骤S2-2，将训练集中的各个训练图像经过步骤S1中的预处理后，依次输入所述卷积神经网络模型并进行一次迭代；

步骤S2-3，迭代后，计算出损失误差，然后将所述损失误差反向传播，从而更新模型参数；

步骤S2-4，重复步骤S2-2至步骤S2-3直至达到训练完成条件，得到所述M-net。

5.根据权利要求1所述的一种基于深度学习的双视野眼底图像融合方法，其特征在于：

其中，步骤S6包含如下子步骤：

步骤S6-1，将所述拼接图像放入所述M-net PartⅡ进行特征融合；

步骤S6-2，在所述M-net PartⅡ后紧跟全连接层，映射到一个概率向量，该概率向量表示该图像属于糖网病严重程度等级的概率，选取概率最大的等级作为该对双视野图像的糖网病严重程度等级。

6.根据权利要求1所述的一种基于深度学习的双视野眼底图像融合方法，其特征在于：

其中，步骤S2中，所述卷积神经网络模型的模型结构为VGG、Resnet以及Inception-ResNet中的一种。