[发明专利]一种基于少样本学习方法的轻微高血压眼底辨别模型

说明书

本发明公开了基于少样本学习方法的轻微高血压眼底辨别模型，包括：孪生神经网络，连接于孪生神经网络输出端的距离度量网络，以及连接于距离度量网络输出端的全连接网络；孪生神经网络包括两个并列的主干特征提取网络，分别用于提取输入的两张待比对的眼底图像的特征向量；其中，所述两个并列的主干提取网络具有相同的网络架构且共享网络参数和权值，并且包含通道注意力机制和空间注意力机制；所述两张待比对的眼底图像包括一张轻微高血压眼底图像和一张待检测眼底图像；所述距离度量网络通过距离函数计算所述两个并列的主干特征提取网络所输出的两个特征向量之间的距离；所述全连接网络根据所述距离输出两张待比对的眼底图像的相似度结果。

技术领域

本发明涉及神经网络学习领域，具体涉及一种基于少样本学习方法的轻微高血压眼底辨别模型。

背景技术

有研究表明，有限的医疗资源使诊断看诊质量有所降低。这一现象因医生长时间高度集中的会诊导致医护群体精疲力竭、注意力不集中和减少专业判断。随着数据化时代来临，许多医疗体系中逐渐引入了计算机应用，接管了小部分需要手工操作的医疗程序，减轻了临床医护人员的疲惫，使其在医疗流程中更加高效、便捷。涉及深度学习方法的医学图像处理可以提供初步筛选。深度学习眼科医学影像诊断筛查系统的主要功能是帮助眼科医生阅读眼底照片，筛选图像，诊断可能的症状，并指出感兴趣的区域，从而减少误诊和漏诊。医生的假阳性和假阴性诊断会给病人造成严重的后果，误诊可能是由于长时间的紧张练习、缺乏专业技术和医生的失误造成的。这使得利用眼底图像输入辅助诊断和早期筛查更适合于提供智能医疗和提高医疗程序效率的初步目的。

高血压不仅增加了患心脑血管疾病的风险，而且会同步损害眼科系统。眼科医生利用视网膜血管结构来了解高血压如何不同步地影响眼睛。它通常用于识别高血压的持续影响，并比较处方后的变化，因为图像反映了药物的长期影响。潜在的眼部并发症随着高血压的出现而加重。高血压会导致血液循环问题，从而改变视网膜血管的变化。这些异常发育包括视网膜小动脉变窄、管腔结构缩小、视网膜小动脉壁-管腔比变宽、毛细血管血流减少。高血压的慢性损害可持续到高血压视网膜病变。除了出血、微动脉瘤、棉絮斑等常见的视网膜病变特征外，高血压还表现出动静脉压迫、动脉粥样硬化、弯曲小动脉和小静脉以及分叉角度降低等长期特征。特征的特异性有助于眼科医生将高血压性视网膜病变与其他视网膜疾病进行区分。因此类特征仅存在于高血压患者中，用于确定高血压和高血压视网膜病变的严重程度。

近些年来，卷积神经网络(Convolutional neural network,CNN)已经在自然图像处理上取得了成功，这些成功为重新思考医学图像处理提供了一种方式。高分类精度的前提是网络有足够的监督学习样本，然而这通常是非常困难的，CNN与医学领域打交道的致命问题来源于它的数据缺乏。在极度缺乏医疗数据的情况下，数据科学家已经开始重新思考如何正确地使用有限样本数据，以反映真实世界的医疗数据应用。受到了人类的视觉系统的启发，发现人类具有通过少量的例子学习来识别新物体的本能，因此提出了深度学习细分领域——少样本学习来模仿这种人类赋予的能力。

少样本度量学习方法通过包含两个或多个相同子网的神经网络体系结构来实现。这里的“相同”是指，它们有相同的网络架构、相同的参数和权重，参数更新在两个子网之间镜像。它通过比较输入的特征向量来寻找输入的相似度进行特征对比，辨别不同之处，以此归类。传统神经网络学习预测多个类。当向数据添加/删除新类时会产生了一个问题，该网络则需要进行更新与迭代，并在整个数据集上重新进行训练。若通过少样本学习方法，通过同样的学习相似函数，网络可以训练来辨别两个图像是否相同。这使用户能够在不再次更新迭代新网络的情况下对新的数据进行快速检索与分类。近些年有一些关于少样本学习在医疗领域的工作，比如结合卷积孪生网络的方法，评估早产儿视网膜病变与膝关节炎X光在不同时间节点和单次问诊时疾病严重程度的分析与时间所引起的长时间变化。有些文献设计了模型接受双眼的眼底图像作为输入，并学习左右眼之间相关性，以帮助进行预测。还有些方案是以脑白质为数据基础进行多分辨率特征向量提取并获取基于欧氏距离函数的对比相似度。

发明内容