[发明专利]一种长尾分布鲁棒的视网膜OCT图像分类方法

权利要求书

1.一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于，包括如下步骤：

步骤一，增强OCT图像上的大致有效区；

步骤二，对经过步骤一处理之后的图像数据进行数据增强，得到训练集；

步骤三，模型训练：将训练集中的样本分批次输入去除掉全连接层的resnet50进行特征的提取，并通过分类器对提取的特征进行分类，得到训练好的模型；

所述分类器使用无偏线性分类器，并对分类器的权重和输入的特征向量做L2 归一化后再计算logits，并以logits模长归一化计算损失函数；

步骤四，模型推断：对每个测试样本进行多种增强操作，将每种增强操作处理后的样本依次输入到训练好的模型中，得到经过不同数据增强操作后模型对样本的概率分布，根据概率分布计算优化目标函数，使优化目标函数最小化来调整模型参数，最后将测试样本输入到调参之后的模型中得到分类结果。

2.如权利要求1所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：步骤一的具体实现方式如下；

首先根据OCT图像的直方图类间方差做二值分割得到二值图，记为P，将原图记作T，将P和T进行点积运算，其结果与原图T按比例scale做加法得到增强的图像，公式如下：

其中scale的值在0到1之间，通过人为设定。

3.如权利要求1所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：步骤二中数据增强包括：

1）尺寸调整，对输入的原始视网膜OCT图像进行调整到224x224大小；

2）随机裁剪，设定裁剪区域在原图中的面积占比范围在0.5到1.0之间，裁剪区域的长宽比范围在0.5到2.0之间；

3）水平翻转和竖直翻转，其随机概率都设定为0.5；

4）高斯模糊，其核大小设定为3，正态分布的标准差取值范围保持默认的0.1到2.0；

5）随机擦除，执行概率为0.5，遮挡区域的面积占比范围为0.02到0.33，遮挡区域的长宽比的范围为0.3到3.3，遮挡区域的像素值设为0；

6）标准化，各通道的均值和标准差分别设定为[0.485,0.456,0.406]和[0.229,0.224,0.225]。

4.如权利要求1所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：步骤三中分类器计算logits 的具体公式如下：

其中，指计算得到的logits，K为超参，是分类器的权重，为可学习的网络参数。

5.如权利要求4所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：损失函数具体公式如下：

其中，为人为设定的温度系数，n为类别数量，指one-hot编码的标签向量中第i类的值，指logits，为logits向量中第j类的值，为logits的模长。

6.如权利要求1所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：步骤四所述增强操作包括：最大化图像对比度、随机旋转、直方图均衡化、反转像素点、色调分离、沿x 轴或y 轴错切图像、沿x 轴或y 轴平移图像。

7.如权利要求1所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：优化目标函数的计算过程如下：

针对每个测试样本x，对其随机进行一系列的增强操作，得到经过m 种增强操作后的样本集合，首先定义X输入模型后得到的平均输出分布为：

其中，y指预测标签，指模型对作为输入的情况下对各类标签的预测的概率分布，由logits通过softmax 计算而来；则是指所有输出分布的平均；

将模型平均输出分布的熵作为调整模型参数的参照，也即优化目标函数：

其中，H指平均输出分布的熵，m是样本x经过增强操作的次数，Y 指标签的集合。

8.如权利要求5所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：K设置为8，损失函数的温度系数设置为1。

9.如权利要求1所述的一种长尾分布鲁棒的视网膜OCT图像分类方法，其特征在于：模型训练时，批次batch大小设置为16，使用权重的衰减weight_decay为0.001，动量momentum为0.9，学习率为0.001的SGD优化器进行网络参数的优化与更新，训练次数设置为200。