[发明专利]一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法

权利要求书

1.一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，其特征在于：包括如下步骤：

(1)元数据采集：收集两组来源不同的ROP数据集分别作为元学习训练过程的元训练数据和元学习测试过程的元测试数据，其中，元训练数据即为源域数据，元测试数据即为目标域数据，并将数据按照正常、一期、二期、三期、四期和五期共六个阶段分别放置在不同的文件夹中；

(2)元数据集的标注：使用Labelme软件对ROP数据集进行标注，得到ROP病灶的分割mask，即金标准；

(3)元数据集预处理：使用快速进行算法去除ROP影像上的病人信息，同时将ROP影像转换到YCrCb空间，再使用自适应直方图均衡化，在保留ROP细节的同时增强病灶和背景的对比度，之后将图片和标注图像进行扩增；

(4)建立元学习模型：使用了原型网络ADNet和GAN相结合的分割模型，作为ROP病灶的分割任务的网络模型，使用Resnet101作为骨架网络；

(5)元学习模型预训练：将元学习模型在COCO数据集上以深度学习的方式进行预训练，保存好预训练权重；

(6)元学习模型元训练阶段：在源域数据中采集样本组成若干个训练任务进行模型训练，每个训练任务中均包含支持集和查询集，支持集用来生成病灶原型，查询集用来与病灶原型生成分割结果，元训练数据集的构建采取6-way和5-shot，即训练任务中包含六个类别(来自正常和一到五期)，支持集中每个类别有5张训练图像，默认支持集中每个类别有15张图像，此外，损失函数选用交叉熵损失函数，并将该处损失记为L1。

(7)GAN的辨别器的训练：只使用生成对抗网络中辨别器的部分，该辨别器是一个二分类卷积神经网络，该辨别器的训练需要用到元训练阶段的查询集图像及其分割结果图像和标注图像，辨别器的两个类别为：(a)ROP原图及其分割结果图像；(b)ROP原图及其标注图像，因此，同时输入辨别器的有两张图像，对于类别(a)的label为0(即fake)，对于类别(b)的label为1(即true)，此外，此处损失函数选用交叉熵损失函数，并将该处损失记为L2。

(8)网络参数更新：网络更新总损失L为L1和L2的总和，反向传播更新元学习器和辨别器。

(9)元学习模型元测试阶段：元测试阶段与元训练阶段类似，在目标域数据采集样本生成测试任务，每个测试任务也包含支持集和测试集，支持集用来生成病灶原型，测试集用来与病灶原型生成分割结果；

(10)分割结果后处理：对输出的分割结果进行后处理，处理方式为膨胀腐蚀，目的是连通分割出来的病灶区域，方便后续定量化指标的计算，包括长度、平均宽度、占比面积和明显程度，用于辅助ROP分期分类，此外，首先需要对元测试数据集进行指标分析，统计分析不同分期的病灶的长度、平均宽度、占比面积和明显程度。然后再将元测试中查询集的分割结果的定量化指标与统计结果进行比对，从而进行ROP分期。

2.根据权利要求1所述的一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，其特征在于：长度指标的计算需要使用骨架提取算法，具体算法如下：

其中，N代表骨架像素点的数量；P_i^bone代表第i个骨架像素点。

3.根据权利要求2所述的一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，其特征在于：将骨架一侧的病灶区域去掉，计算每个骨架像素点与距其最近的病灶边界像素点的距离，并将所有距离取平均值作为平均宽度，如下式所示：

其中，N代表骨架像素点的个数，即病灶长度；P_i代表第i个骨架像素点；P_i′代表距离第i个骨架像素点最近的病灶边界像素点。

4.根据权利要求1所述的一种基于元学习的早产儿视网膜眼底图像定量化指标及分期方法，其特征在于：占比面积的计算即病灶区域像素点数量占整张图像像素点数量的比值，如下式所示：

其中，N代表病灶像素点的个数，K代表整张图像像素点的数量；代表第i个病灶像素点，代表第i个图像像素点。