一种基于多专家系统的MEA-Net网络的建模方法技术方案

本发明专利技术公开了一种基于多专家系统的MEA

【技术实现步骤摘要】
一种基于多专家系统的MEA
‑
Net网络的建模方法


[0001]本专利技术涉及计算机视觉和医疗影像领域，具体涉及一种基于多专家系统的MEA
‑
Net网络的建模方法。

技术介绍

[0002]黄斑位于眼部眼底视神经盘，处于人眼的光学中心区，是视力轴线的投影点，人眼视网膜中央视觉细胞最集中的部位。黄斑中央的凹陷称为中央凹，是视力最敏锐的地方。黄斑水肿是指眼底视网膜的黄斑区发生炎性反应、液体渗入，导致黄斑部视网膜内层液体积聚，造成视力严重下降。是糖尿病性视网膜病变、视网膜中央静脉阻塞等多种眼病的眼部表现。传统的眼底照相和眼部B超检查时间长、准备复杂、黄斑部位成像不清晰，无法准确反应黄斑病变情况。而光学相干层析成像(Optical Coherence Tomography,简称OCT)利用光波相干性原理通过获取眼内不同组织界面反射提供的厚度与距离信息并还原成图像和数据对眼内组织进行断层扫描，可提供类似显微镜下病理切片的二维横切面图像或者模拟三维立体图像，以发现非常微小的黄斑病变，大大改善了眼底的可视性；是跟踪、随访糖尿病性视网膜病变、老年黄斑变性、视网膜静脉阻塞等常见疾病病情变化的重要工具，对视网膜尤其是黄斑部、视盘进行细节检查的重要手段。
[0003]传统的图像分类方法大多数采用通过手工提取特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，而分类的准确度依赖于特征提取的方法和质量，选择不当就会导致准确率底下。因此，往往需要进行手动检查和校正，十分繁琐。随着深度学习的发展，卷积神经网络(Convolutional Neural Networks,CNN)在图像分类领域取得了优异的成果。目前，已有的视网膜OCT图像分类算法大部分是基于二维图像进行分类的，但在医学领域的细粒度分类问题下仍然有所欠缺有以下两个缺点：其一是不同位置水肿的图像特征相似且特征较少而难以区分，其二是眼底黄斑的其他结构会对模型分析造成干扰。

技术实现思路

[0004]本专利技术提供了一种基于多专家系统的MEA
‑
Net网络的建模方法。
[0005]一种基于多专家系统的MEA
‑
Net网络的建模方法，包括以下步骤：
[0006]S1：对原始OCT图像进行图像预处理，获得待分类OCT图像集；
[0007]S2：构建MEA
‑
Net(Multi
‑
Expert attention Net)网络，具体包括：
[0008]输入模块，用于对图像进行初步分析；
[0009]投票模块，用于将初步分析的图像进行特征分析并输出投票的输入态权重P和图通道权重G；
[0010]专家网络模块，用于接收所述投票模块输出投票的输入态权重并结合初步分析的图像进行特征的深度分析处理得到特征图；
[0011]输出模块，用于接收所述投票模块输出投票的图通道权重并结合专家网络模块输
出的特征图求向量外积，并在通道维度上进行拼接，输出张量M，后经过特征聚合提取和线性分析，得到分类结果；
[0012]MEA
‑
Net通过对专家网络输入和输出进行控制，实现从不同角度对特征进行提取和分析，提升了模型的准确性和鲁棒性。
[0013]S3：利用步骤1)获得的待分类OCT图像集对MEA
‑
Net(Multi
‑
Expert attention Net)网络进行训练，得到训练好的MEA
‑
Net(Multi
‑
Expert attention Net)网络。
[0014]本专利技术包括数据预处理、裁剪和按比例分配制作图像数据和标签数据集；为了提高眼底视网膜病变分类准确度，本专利技术设计了Multi
‑
Expert attention Net网络模型。通过输入模块对数据进行初步提取，可替换的专家网络模块负责特征的深度分析，投票模块通过分离通道邻接模块对特征在通道空间上进行注意力加强，输出权重实现专家投票，最后通过输出模块得出分类结果。本专利技术能够利用光学相干层析成像的图片信息，能对OCT图像的PED，SRF，IRF，HRF四类黄斑水肿变性表现进行分析和提取特征，为后续视网膜疾病分类和分析提高效率奠定基础。
[0015]步骤S1中，所述的预处理包括：
[0016]将原始OCT图像切割，并调整到像素大小，分为训练集、测试集和验证集，并进行图像归一化处理；
[0017]通过对原始OCT图像的处理将不同形态的图像标准化，便于后续网络模型的训练和测试。
[0018]步骤S2中，所述输入模块包含依次设置的卷积层、平均池化层和relu函数激活层。
[0019]通过卷积和池化层实现图像的初步分析，以提升后续图像特征分析的效果。
[0020]步骤S2中，所述投票模块包括权重生成单元和分离通道邻接模块；
[0021]所述的权重生成单元包括：依次连接的MBConv模块和softmax层和全连接层，所述的权重生成单元对初步分析的图像经过MBConv模块提取特征，通过softmax函数实现权重分配，得到输入态权重P。其中，MBConv是具有深度可分离卷积的倒残差的Linear BottleNecks层。
[0022]所述的分离通道邻接模块，包括依次设置的卷积层、最大池化层和四组分析单元。
[0023]所述的四组分析单元中每一组分析单元包括依次设置的第一卷积层、批归一化层、最大池化层、第二卷积层、平面Softmax层的空间运算。
[0024]分离通道邻接模块对初步分析的图像经过特征提取和特征评价，在通道维度上进行拼接，输出图通道权重G；
[0025]在通道维度上对特征进行分离和加强，能提取多通道上的特征，提升图通道权重的特征注意力。
[0026]步骤S2中，所述专家网络模块为可替换网络，由3个平级的专家网络组成，专家网络可从Efficient
‑
Net、Res
‑
net、Dark
‑
net、Dense
‑
Net等主流神经网络中选择，也可自行编写，只需将对应特征图输出即可。
[0027]所述的深度分析处理采用以下公式处理：
[0028]Input＝P
i
×
E(i＝1,2,3)
[0029]其中，Input为特征图，P
i
为第i个权重张量，E为初步分析的图像。
[0030]求向量外积，具体包括：
[0031][0032]其中，Out为专家网络模块所得特征图，G为投票模块输出的图通道权重，j为对应第j个输出模块，k为第k个专家网络输出特征图，n为专家网络输出特征图的通道维度，M为输出张量。
[0033]深度分析处理和向量通道维度外积是实现对专家网络模块输出特征图进行控制的重要方法，能提升网络模型的准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多专家系统的MEA
‑
Net网络的建模方法，其特征在于，包括以下步骤：S1：对原始OCT图像进行图像预处理，获得待分类OCT图像集；S2：构建MEA
‑
Net网络，具体包括：输入模块，用于对图像进行初步分析；投票模块，用于将初步分析的图像进行特征分析并输出投票的输入态权重P和图通道权重G；专家网络模块，用于接收所述投票模块输出投票的输入态权重并结合初步分析的图像进行特征的深度分析处理得到特征图；输出模块，用于接收所述投票模块输出投票的图通道权重并结合专家网络模块输出的特征图求向量外积，并在通道维度上进行拼接，输出张量M，后经过特征聚合提取和线性分析，得到分类结果；S3：利用步骤1)获得的待分类OCT图像集对MEA
‑
Net网络进行训练，得到训练好的MEA
‑
Net网络。2.根据权利要求1所述的基于多专家系统的MEA
‑
Net网络的建模方法，其特征在于，步骤S1中，所述的预处理包括：将原始OCT图像切割，并调整到像素大小，分为训练集、测试集和验证集，并进行图像归一化处理。3.根据权利要求1所述的基于多专家系统的MEA
‑
Net网络的建模方法，其特征在于，步骤S2中，所述输入模块包含依次设置的卷积层、平均池化层和relu函数激活层。4.根据权利要求1所述的基于多专家系统的MEA
‑
Net网络的建模方法，其特征在于，步骤S2中，所述投票模块包括权重生成单元和分离通道邻接模块。5.根据权利要求4所述的基于多专家系统的MEA
‑
Net网络的建模方法，其特征在于，步骤S2中，所述的权重生...

【专利技术属性】
技术研发人员：屠林振，王亚奇，
申请(专利权)人：浙江传媒学院，
类型：发明
国别省市：