[发明专利]一种基于损失函数的训练眼底病变点分割网络方法

摘要

本发明公开一种基于损失函数的训练眼底病变点分割网络方法，使用损失函数来训练深度分割网络，来对眼底病变点进行高效地分割。根据指示器函数的结果，判断负样本被保留还是丢弃，指示器函数取值为1则保留负样本，反之则丢弃负样本。以此来提高网络的判别能力和学习速率，其中，易分样本以较高的概率丢弃，难分样本以较低的概率丢弃；在保留难分样本的情况下，可以节约大量的样本选择时间，从而使得网络集中在难分样本的学习上。本发明可解决类平衡交叉熵损失函数造成的分割网络误分情况多和学习效率较低的问题，对眼底病变点进行高效分割。

主权项

1.一种基于损失函数的训练眼底病变点分割网络方法，其特征在于，包括以下步骤：步骤1：预处理IDRiD眼底数据集，分别选取一定数量的眼底图像作为训练集和测试集；以一定的分辨率对每张图像下采样；对训练集进行数据增强；设定分割网络的超参数；步骤2：初始化分割网络各层的权值；步骤3：从扩充之后的训练集中随机挑选一张眼底图像；并从图像中随机剪裁出一定尺寸的区域；步骤4：眼底图像经过分割网络中的处理模块，得到损失函数层的输入，即分割概率图p和对应的标注y；步骤5：根据设置，选择一种丢弃函数；步骤6：对图像中的每一个负样本，根据指示器函数的结果，确定其被保留还是丢弃；步骤7：计算权重因子β，其中|Y₊|为正样本个数，即分割样本像素个数，|Y_‑|为保留的负样本个数，即背景像素个数；步骤8：计算前向传播损失，损失函数如下：其中β为保留的负样本个数除以其与正样本个数之和，使用步骤7中公式计算得到；步骤9：对图像中的每一个样本，计算各自的梯度信息；步骤10：损失层的梯度反向传播，更新分割网络特征处理模块中的权值参数；步骤11：如果网络仍未收敛，或者是未达到最大迭代次数，返回步骤3；步骤12：网络训练结束之后，在测试集上对眼底图像进行微动脉瘤分割，根据分割结果，计算PR曲线。