[发明专利]一种融合弱监督度量学习的前房角图像分级方法

权利要求书

1.一种融合弱监督度量学习的前房角图像分级方法，其特征在于，包括以下步骤：

S1：获取前房角图像并进行图像筛选；

S2：对筛选后的图像进行预处理得到前房角数据集，所述前房角数据集包括：训练集、验证集、测试集；

S3：分别构建图像级标签、像素级标签，对前房角数据集中的图像对应设置所建立的标签；

S4：构建融合弱监督度量学习的深度神经网络模型；

S5：利用训练集、验证集对所构建的模型进行训练和验证，得到最优的网络模型；

S6：将测试集输入至最优的网络模型，得到前房角图像分级。

2.根据权利要求1所述的一种融合弱监督度量学习的前房角图像分级方法，其特征在于，所述对获取的前房角图像进行图像筛选包括：剔除由于客观条件导致无法辨别前房角等级的图像、剔除等级特征不明显人工无法辨别前房角等级的图像；所述由于客观条件导致无法辨别前房角等级的图像包括：没有前房角结构图像、光线过强或光线过暗前房角结构不清晰的图像。

3.根据权利要求1所述的一种融合弱监督度量学习的前房角图像分级方法，其特征在于，对筛选后的图像进行预处理得到前房角数据集具体步骤为：

对筛选后的所有前房角图像进行统一水平方向的处理，使得每一张图像中的角膜均在虹膜的上方；

利用YoLo目标检测算法检测关键区域，并通过裁剪得到关键区域图像；

将关键区域图像缩放至统一的尺寸；

将缩放后的图像按照预设的比例划分为：训练集、验证集、测试集。

4.根据权利要求3所述的一种融合弱监督度量学习的前房角图像分级方法，其特征在于，所述的关键区域为Schwalbe线、小梁网、巩膜突以及睫状体四种结构所在的区域。

5.根据权利要求4所述的一种融合弱监督度量学习的前房角图像分级方法，其特征在于，步骤S3所述的分别构建图像级的标签、像素级的标签，对前房角数据集中的图像对应设置所建立的标签，具体过程为：

将前房角划分为5个等级，将预处理后的前房角数据集中的每一幅图像均设置一个前房角等级，即完成了图像级标签的创建；

将训练集和验证集中的前房角图像中存在的Schwalbe线、小梁网、巩膜突以及睫状体带的结构用不同颜色的线框起来，即完成了像素级标签的创建。

6.根据权利要求1所述的一种融合弱监督度量学习的前房角图像分级方法，其特征在于，融合弱监督度量学习的深度神经网络模型包括：骨干网络、分类模块、分割模块、嵌入模块，其中所述骨干网络包括：编码器、译码器、特征金字塔融合机制，所述编码器用于特征提取并构建多尺度特征图，所述译码器用于恢复特征图的分辨率大小；所述特征金字塔融合机制用于实现译码器中多尺度特征图的融合，缓解空间信息的丢失；

所述分类模块包括：全局池化单元和多层感知机，所述全局池化单元代替全连接层能够降低参数量，防止在该层过拟合；所述多层感知机包括线性层、批标准化、激活函数以及随机失活层，用于实现前房角图像的自动评估；

所述分割模块和嵌入模块均包括：若干个卷积层、批标准层和激活层。