[发明专利]一种基于递归残差网络的视网膜OCT图像分类方法

说明书

本发明公开了一种基于递归残差网络的视网膜OCT图像分类方法，属于医学领域，所述方法包括如下步骤，步骤一：获取视网膜OCT图像，按照一定比例划分为训练集和测试集；步骤二：图像预处理，对获取的原始OCT图像进行增强和标准化，将数据通过去均值实现中心化的处理，更容易取得训练之后的泛化效果；步骤三：以ResNet50网络模型为基线网络，结合了门控注意力机制模块(attentiongatemodule，AG)；步骤四：结合发明的递归残差模块，提升网络的信息提取能力，使网络可以同时捕获更多更高质量的输入信息，更加有利于网络对不同类别视网膜疾病的学习，进一步提高网络的精度；步骤五：通过消融实验，获取网络最优模型。

技术领域

本发明属于图像分类领域，具体涉及一种基于递归残差网络的视网膜OCT图像分类方法。

背景技术

视网膜疾病是导致视力残缺的主要原因，视网膜疾病由于发病率高和致盲率高的特点，一直是重点的研究对象，目前，全球人口趋于老龄化，随着人口年龄的增长，视网膜也会随之衰退。有关视网膜的眼部疾病是老龄人患病率较高的疾病之一。我国目前致盲的主要视网膜疾病有以下几种：青光眼，白内障，糖尿病性黄斑水肿(diabetic macular edema,DME)以及年龄相关性黄斑病变(age-related macular degeneration,AMD)，AMD又可按照临床表现和病理改变不同分为干性(DRUSEN)、湿性(CNV)两型。治疗视网膜疾病的关键在于早期筛查、定期检查。

光学相干断层扫描技术(Optical Coherence Tomography，OCT)是目前用于检验视网膜疾病最为先进的技术手段，同时，深度学习(Deep Learning)技术受到诸多领域的广泛关注，它在大规模数据处理方面具有优势。但是目前现有的网络仍然存在以下问题：大部分分类模型采用的是浅层网络结构，提取的更多的是线性的边缘特征，视网膜OCT图像部分病理特征表现得不明显，在特征提取过程中，容易对特征提取不完整，造成有用信息的丢失，而对于深层网络来说，在进行训练时反而容易引起梯度弥散，导致网络分类性能不足，因此，针对OCT图像特征提取不足和梯度弥散等问题对视网膜OCT图像分类进行研究就显得尤为重要。

发明内容

本发明提供一种基于递归残差网络的视网膜OCT图像分类方法，利用递归残差模块为基础来进行累计特征映射，保证网络可以拥有更好的输入，同时针对医学图像中目标局部化这一特征，使用重点关注医学图像中病变信息的门控注意力机制模块(attentiongate module，AG)来对输入中的重要信息进行有效的学习，进一步提高视网膜OCT图像分类的精度。

本发明通过以下技术方案实现：

步骤一：获取视网膜OCT图像，按照一定比例分为训练集和测试集；

步骤二：图像预处理：对获取的原始OCT图像进行增强和标准化，将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果；

步骤三：以ResNet50网络模型为基线网络，结合了门控注意力机制模块(attention gate module，AG)：使网络在不对计算资源产生额外负担的情况下可以有效提取输入图像的重要部分进行学习；

步骤四：结合发明的递归残差模块：提升网络的信息提取能力，使网络可以同时捕获更多更高质量的输入信息，更加有利于网络对不同类别视网膜疾病的学习，进一步提高网络的精度；

步骤五：通过消融实验，获取网络最优模型；

进一步的，使用预处理后的训练集及测试集对构建的网络模型进行训练及测试，以识别出OCT视网膜病变图像。