[发明专利]一种自动检测眼底图像类型的方法、存储介质及装置

说明书

本发明公开了一种自动检测眼底图像类型的方法、存储介质及装置，方法包括步骤：分别通过弱增强器和强增强器两个不同的操作来获得两种不同版本的未标记眼底图像，首先，利用弱增强器来生成伪标签，该伪标签用作强增强版本未标记眼底图像的监督训练标签；为了提高分类器的分类性能，将E‑GAN集成到网络中，该网络使用已标记眼底图像的压缩版本来生成生成高质量已标记眼底图像；最后将自注意力模块，空间注意力模块和通道注意力模块与分类器模型相结合，以增强特征提取能力。实验结果表明，本发明提出的方法可以在已标记眼底图像较少的情况下获得较好的类别识别准确率。

技术领域

本发明涉及深度学习算法应用领域，特别涉及一种自动检测眼底图像类型的方法、存储介质及装置。

背景技术

早产儿视网膜病变(ROP)是低出生体重儿常见的视网膜疾病，也是儿童失明的主要原因。AP-ROP是一种特殊的ROP，其特征是视网膜血管发育中的血管增生性疾病，如果干预不及时，可能会导致不可逆转的视觉损害。ROP、AP-ROP和正常眼底图像如图1所示，从图1可以看出，ROP和AP-ROP的外观非常相似，这是眼科医生准确快速识别的主要障碍。因此，计算机辅助识别在ROP和AP-ROP进行客观评估中尤为重要。

深度学习算法已应用于ROP疾病检测和自动筛选，布朗等人利用CNN网络实现ROP正病的二级诊断。有研究使用AlexNet，VGG-16和GoogleNet开发了具有广角视网膜图像的自动ROP筛查系统。由于存在许多标记数据集，因此深度神经网络可以通过监督学习获得强大的性能。但是，带标签的数据通常由具有足够专业知识和时间的专家注释，这导致了带标签的数据的不足，使得对AP-ROP图像的识别准确率降低。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的不足，提供一种自动检测眼底图像类型的方法、存储介质及装置，旨在解决现有技术中由于带标签的AP-ROP图像数据的不足，导致采用深度学习方法对眼底图像的类别识别准确率较低的问题。

为了解决上述技术问题，本发明所采用的技术方案如下：

一种自动检测眼底图像类型的方法，其中，包括步骤：

将未标记眼底图像经过弱增强器处理后输入分类器中，生成伪标签；

将未标记眼底图像经过强增强器处理后输入分类器中，以所述伪标签作为监督训练标签，计算得到无标签数据的监督损失；

将已标记眼底图像经过压缩后输入到E-GAN网络中，生成高质量已标记眼底图像，所述已标记眼底图像包括正常眼底图像、ROP眼底图像以及AP-ROP眼底图像；

将所述高质量已标记眼底图像输入分类器中，计算生成样本的伪监督损失；

将已标记眼底图像经过弱增强处理后输入分类器中，计算有标签数据的监督损失；

根据所述无标签数据的监督损失、生成样本的伪监督损失以及有标签数据的监督损失，计算得到分类器的总损失函数；

根据所述分类器的总损失函数对所述分类器参数进行调整，得到训练后分类器；

将待测眼底样本输入所述训练后分类器，得到待测眼底样本的图像类型。

所述自动检测眼底图像类型的方法，其中，所述弱增强处理为翻转增强、平移增强和裁剪增强中的一种或多种。

所述自动检测眼底图像类型的方法，其中，所述强增强处理为调整亮度、最大化对比度、调整清晰度和调整图像色彩平衡中的一种或多种。

所述自动检测眼底图像类型的方法，其中，将未标记眼底图像经过强增强器处理后输入分类器中，以所述伪标签作为监督训练标签，计算得到无标签数据的监督损失的步骤包括：