[发明专利]一种基于多尺度级联的糖尿病视网膜病变分级方法

说明书

本发明公开了一种基于多尺度级联的糖尿病视网膜病变分级方法，包括：提取输入图像多尺度信息的Res2Net基础网络、提取首层特征图的注意力模块、整合更具有鉴别性特征表示的感受野模块、多尺度级联网络；通过提取多尺度信息的方式减少浅层信息的丢失，并通过级联的方式对浅层信息和高层信息进行信息之间的融合，利用不同尺度信息之间的互补性来增强对信息的获取，结合多尺度和级联能有效提高DR的分级效果，具有一定的临床意义及算法意义。

技术领域

本发明涉及计算机视觉领域以及医疗领域，特别是涉及一种基于多尺度级联的糖尿病视网膜病变分级方法。

背景技术

糖尿病视网膜病变(diabetic retinopathy，DR)是一种由糖尿病微血管恶化导致的一种眼底并发症，并且最终会造成视觉缺陷或出现不可逆失明。糖尿病视网膜病变的病理特征主要包括以下几类：微动脉瘤、出血、硬渗出物和软渗出物。根据其类型和眼底图像出现的病变数量，国际临床糖尿病视网膜病变分级标准将糖尿病视网膜病变分五个阶段：无明显糖尿病视网膜病变、轻度非增值性糖尿病视网膜病变、中度非增值性糖尿病视网膜病变、重度非增值性糖尿病视网膜病变、增值性糖尿病视网膜病变。在目前临床诊断中，DR分级主要依靠眼科医生检查眼底彩色图像。由于DR患者数量庞大，经验丰富的眼科医生较少，给数量有限的眼科医生带来了巨大的负担；并且随着糖尿病患者数量的增加，眼底图像的数量越来越多，越来越难以人工实时分析。因此，有必要使用计算机辅助诊断，以减轻眼科医生的负担和检查时间，使患者及时了解自己的病情。

卷积神经网络(Convolutional Neural Networks，CNN)将特征提取与分类端到端相结合，在图像分类、目标检测、语义分割等任务上取得了重大突破。由于CNN具有强大的高水平特征提取能力和表征能力，它也被广泛应用于视网膜血管分割等医学图像分析任务中。但是五个DR等级在颜色和纹理上非常相似，因此在分级任务中很容易出现混淆，这对不同级别间的多样性产生了不利影响。其次，眼底图像中有些病变非常小，只有几个像素，如图3所示。这些小病变在卷积过程中很容易被忽略，会对最终的DR分级结果造成影响。

因此，亟需一种针对颜色和纹理非常相似的糖尿病视网膜病变分级方法来有效提高其分级效果成为研究人员热门的话题。

发明内容

本发明的目的是提供一种基于多尺度级联的糖尿病视网膜病变分级方法，通过提取多尺度信息的方式减少浅层信息的丢失，并通过级联的方式对浅层信息和高层信息进行信息之间的融合，利用不同尺度信息之间的互补性来增强对信息的获取，结合多尺度和级联能有效提高DR的分级效果，具有一定的临床意义及算法意义。

为实现上述目的，本发明提供一种基于多尺度级联的糖尿病视网膜病变分级方法，具体包括以下步骤：

S1、将采集带有标签的糖尿病视网膜病变眼底图像作为原始数据集；并将所述原始数据集按照比例划分为训练集和测试集；

S2、构建Res2Net网络模型，并设置所述Res2Net网络模型的输入批量大小参数；

S3、根据所述输入批量大小参数，将所述训练集输入到所述Res2Net网络模型中进行训练，并采用SGD优化器进行优化，得到训练完成的Res2Net网络模型；

S4、将所述测试集输入到所述训练完成的Res2Net网络模型中进行预测，将输出的预测结果与真实标签作比对，得到尺度级联网络糖尿病视网膜病变分级模型；

S5、利用所述尺度级联网络糖尿病视网膜病变分级模型对糖尿病视网膜病变进行分级，并利用图像分类度量指标对分级效果进行综合评价。

优选的，所述原始数据集采用的是kaggle上的APTOS 2019Blindness Detection公开数据集。

优选的，所述原始数据集是按照8：2比例随机抽样组合的方式划分为训练集和测试集。