[发明专利]一种基于眼底图像的病灶图像分类与识别方法

权利要求书

1.一种基于眼底图像的病灶图像分类与识别方法，其特征在于，该方法包括以下步骤：

S1：采取Mosaic数据增强方法，对输入的眼底图像进行任意裁剪、缩放和排版组合；

S2：构建并训练YOLOv5网络，其中模块Backbone采用CSPDarknet作为图像中提取特征的主干，模块Neck使用路径集合网络生成特征金字塔网络对特征进行集合并传递给Head预测，模块Head生成用于对象检测的描框预测层；

S3：通过分类和回归后进入目标框加权融合预测目标框，为每个预测边框设置不相同的权重，把每个设置的权重进行加权处理，作为融合的最终结果；

S4：根据分类概率输出不同眼底图像的二值图，分类输出病灶二值图。

2.根据权利要求1所述的病灶图像分类与识别方法，其特征在于，步骤S2中，构建的YOLOv5网络，使用主层Backbone将输入进来的Mosaic数据增强图像进行提取特征信息，依靠跨阶段性部分网络CSPNet将梯度变化集成到特征图中；使用一串无序组合图像的网络层，通过特征金字塔网络对特征进行集合；所述特征金字塔网络FPN采用路径集合网络对最底层的特征提取，并传递给预测层；使用预测层Head作为最终检测部分，根据数据集自适应得出适应的锚点框，将锚框应用于特征且产生特定的最终预测向量，即分类概率、置信度分数和边界框。

3.根据权利要求2所述的病灶图像分类与识别方法，其特征在于，步骤S2中，YOLOv5网络中的损失函数包括边界框回归损失、分类损失和置信度损失函数；

边界框回归损失采用GIOU；GIOU计算公式如(1)，损失函数GIOU_loss公式如(2)：

GIOU_loss＝1-GIOU (2)

其中，IOU为边界框回归损失交并比，A为预测框，B为目标图像框，C为A与B的最小闭合框；

分类损失和置信度损失采用二元交叉熵损失，计算公式如(3)：

公式(3)中等式右边第一项表示边界框回归损失，第二、三项表示置信度损失，第四项表示分类损失；为判断第i个栅格第j个箱是否为这个图像目标，为判断第i个栅格第j个箱是否不为这个图像目标，C_i为相对图像比例，p_i(c)为图像类别，B为目标图像框数，g(p_i(c))为图像类别的边界框回归损失，s×s为损失参数。

4.根据权利要求1所述的病灶图像分类与识别方法，其特征在于，步骤S3具体包括：通过得到的检测向量，分离对比分类概率进行对图像的分类，回归后进入目标框加权融合预测目标框，将模型的每个预测边框融入到一个单独列表SL中，按照获得到的置信度C由高到低进行排序，再分别定义两个空列表EL和ELF，空列表EL表示边界框簇，空列表ELF表示融入后的边界框，在EL里每一个表位能包含一个边界框或一个框集合表示一个簇，ELF里每一个表位只能包含一个从EL中融入出来的边界框，查询单独列表SL里的预测框，与ELF中的一个边界框与之匹配，并且设置匹配的阈值IOU，在未查找到的情况下，SL内框将添加到EL和ELF中的末位；若是查找到的情况下，将EL和ELF中的pos位与之对应，之后在所有的簇EL[pos]中的M个边界框重新计算ELF[pos]中边界框的坐标和置信度值；当SL中所有的边界框都被处理完毕后，对ELF的置信度值再做一次调整：当EL簇中边界框数目少时，则认为不多的边界框预测融合框，也应该采取将融合框的置信度值降低。