[发明专利]一种基于重生网络的早产儿视网膜病异常检测方法

说明书

本发明公开了一种基于重生网络的早产儿视网膜病异常检测方法。考虑到现实中局部区域患者较少且图像标签获取困难、成本较高的问题，故本发明从小样本数据的角度出发，首先收集有限数据量的眼底图像，并对图像进行一定程度的增强，然后使用传统神经网络策略来训练一个初代AI模型，然后在初代AI模型的基础上进行网络重生(自蒸馏)，通过多次蒸馏迭代，对知识进行提纯和集成，从而提高早产儿视网膜病的诊断准确率。故本发明从改善数据情况和模型本身的能力出发，保证在输入较少量样本的情况下，模型也能取得较高的预测精度，为早产儿视网膜病医学诊断提供了一种新的方法。

技术领域

本发明属于计算机视觉与医疗辅助技术领域，更为具体地讲，该发明涉及一种基于重生网络的早产儿视网膜病(ROP)异常检测方法。

背景技术

随着机器学习与人工智能技术的飞速发展，机器学习开始和各种传统科学领域进行交叉结合，推动了各行各业的发展。特别是在医疗领域，有效的机器学习技术使医疗专业人员能够做出更好的决策，为疾病的识别和研究带来创新，也能更好地提高医疗诊断和临床实验的效率。

早产儿视网膜病(ROP)是一种视网膜血管疾病，发生在出生时视网膜血管未完全发育的早产儿。据估计，全球每年有1500万婴儿早产，主要是在低收入和中等收入国家。随着全球低收入国家和中等收入国家新生儿死亡率的下降，有ROP失明风险的人口正在增加，所以迫切需要对这部分新生人口进行筛查；然而，这些地区专门从事ROP的眼科医生很少，严重威胁了新生儿的身体健康。为提高ROP诊断的效率和准确性，尽早治疗ROP以使得对新生儿的视力损害最小化，目前出现了一些使用传统机器学习手段辅助ROP诊断的方法。比如采用深度神经网络模型等方法对ROP患者的眼底照片进行检测。但使用传统方法构建一个好的神经网络模型往往需要大量高质量的有标签数据，而ROP患者眼底图像的标签难以获得，需要大量人力物力的开销，同时，在一定区域内，ROP患者的数目也是较少的，所以在实际情况中，很难有足够的数据量来训练一个精度较高的神经网络模型，在这样的情况下，传统的方法很难得到一个较高的判别精度，这对于医学诊断是不利的。

知识蒸馏(KD)的主要思想是将知识从一个教师模型迁移到另一个学生模型。一般来说，教师模型具有强大的能力和出色的表现，而学生模型则更为紧凑。通过知识迁移，人们希望得到一个性能接近教师模型的学生模型。但如果使用特殊的方式，让一个模型既做老师，也做学生进行训练，令人惊讶的是，再生神经网络(BAN)在计算机视觉建模任务上明显优于其教师模型。

发明内容

本发明的目的在于克服传统神经网络在现实数据量较小的现实情况下很难训练出一个高准确率、低误报率的神经网络模型。因此我们提出了一种基于重生神经网络的自蒸馏训练策略，可以显著提高对ROP眼底图像分类与整体诊断的效果。

为实现上述发明目的，本发明基于重生神经网络的图像异常检测方法，其特征在于在有限的数据量下，将眼底图片作为输入训练一个初步的神经网络模型，然后再对初步的模型进行多次迭代的自我知识蒸馏过程，在自蒸馏的过程中不断对机器学习到的知识进行提纯和集成，从而提高模型的判别精度，具体包括以下步骤：

(1)数据收集

从医院采集包括正常眼底图像和患者眼底图像，再患者眼底图像中包含1期ROP、2期ROP和3期ROP这3个阶段的眼底图像，正常人和患者的数量每种至少100人，每个人平均有20张左右的图像，要求每有正常和有患病特征的眼底图像的数量尽可能均衡，图片均为彩色三通道图像。

(2)图像标注

对来自正常人的眼底图像标签默认赋值为0，对于来自ROP患者的眼底图像，由医学专家为图像赋予标签，如果图像中没有ROP患病特征，则认为是正常图像，但为了防止引入数据噪声，这部分图像忽略不计，反之则标记为ROP图像，赋值为1。图像数据按类别分别存放。

(3)数据增强

这里我们主要使用三种数据增强的方式。