【技术实现步骤摘要】
本专利技术涉及糖尿病视网膜病变分类领域，尤其涉及一种基于双路径多模块的糖尿病视网膜病变图像分类方法。
技术介绍
1、糖尿病视网膜病变(diabetic retinopathy，dr)是一种由糖尿病引起的影响视力甚至导致失明的慢性眼科疾病。dr的早期发现对确保成功诊断和有效治疗具有重要作用。对于dr的患者眼底彩照常出现眼底新生血管、点状出血、晚期灰色渗出和血管静脉曲张等现象。因此，视网膜血管特征作为dr分类的先验基础是十分关键的。
2、随着医疗设备和信息技术的进步，生理图像和功能图像呈爆炸式增长。然而，人工疾病诊断不仅是主观的和耗时的，而且检测结果还取决于医生的理论知识和实践能力。深度学习模型分析了大量医学图像中的病变特征，并更新原始神经元之间的连接权值。传统的深度学习模型及其改进模型在dr分类方面取得了显著进展，如alexnet网络，squeezenet网络，goolenet网络，resnet网络和最近提出的tl-mobilenet网络，ndag-net网络，r-alexnet网络，densenet-tf网络模型。
3、然而，传统的机器学习分类方法需要较大的样本量和手动设置图像特征和概率值。因此，会导致结果不稳定，假阳性率高，在实际应用中可行性低。对于最先进的网络模型算法，r-alexnet模型具有较高的空间分辨率和较强的对比度结构，解决了依赖于大量数据等问题，但异常区域的分类仍有待改进。densenet-tf模型通过局部二进制模式来提取纹理特征，但在训练时十分消耗内存。ndag-net模型通过局部处理和
技术实现思路
1、本专利技术提供一种基于双路径多模块的糖尿病视网膜病变图像分类方法，以克服上述技术问题。
2、一种基于双路径多模块的糖尿病视网膜病变图像分类方法，包括，
3、步骤一、获取眼底图像数据集，基于色彩平衡和多尺度融合算法对眼底图像数据集中的眼底图像的特征进行增强，获取增强后的眼底图像数据集，
4、步骤二、构建新型的双路径多模块的网络模型即dp2m-net模型，所述dp2m-net模型用于获取增强后的眼底图像的病变信息，
5、步骤三、将眼底图像数据集和增强后的眼底图像数据集划分为训练集和测试集，对dp2m-net模型的参数进行初始化，基于训练集对dp2m-net模型进行训练，将测试集的所有样本输入至训练后的dp2m-net模型进行预测并对预测结果和分类精度进行统计。
6、优选地，所述基于色彩平衡和多尺度融合算法对眼底图像数据集中的眼底图像的特征进行增强包括
7、s11、对眼底图像进行白平衡处理，
8、s12、对白平衡处理后的眼底图像进行基于高斯滤波的锐化处理，所述基于高斯滤波的锐化处理包括根据公式(1)进行锐化处理，
9、
10、其中，i表示白平衡处理后的图像，n{}表示线性归一化算子，μ*i表示图像i的高斯滤波结果，
11、s13、对锐化处理后的眼底图像进行对比度增强，所述对比度增强包括基于拉普拉斯金字塔的融合方法对锐化后的图像中的眼底血管、眼底出血区域的边缘和细节进行增强。
12、优选地，所述dp2m-net模型包括卷积层、激活层、全连接层和最大池化层，其中，卷积层用于对增强后的眼底图像进行病变特征提取，激活层用于通过非线性激活函数和批量归一化函数对提取的病变特征进行优化，全连接层用于将提取的病变特征进行多尺度融合并将融合后的特征映射到一维空间，最大池化层用于降低病变特征之间的耦合。
13、优选地，所述对眼底图像进行白平衡处理还包括将眼底图像进行缩放后进行白平衡处理。
14、优选地，所述白平衡处理包括根据公式(2)对眼底图像中每个像素位置的红色通道进行降低，并根据公式(3)对每个像素位置的蓝色通道进行增加，
15、
16、
17、其中，ired(x)、igreen(x)表示眼底图像i的红色、绿色通道，每个通道根据通道取值的动态范围的上限进行归一化后位于区间[0,1]内；和表示ired(x)、igreen(x)和iblue(x)的平均值，k表示一个常数参数且设置k＝1，iblue(x)表示图像i的蓝色通道，irc(x)表示降低后的红色通道，ibc(x)为增加后的蓝色通道。
18、本专利技术提供一种基于双路径多模块的糖尿病视网膜病变图像分类方法，利用卷积层优化局部信息，实现了广泛的感知范围和非线性病变映射能力，解决了异常区域与周围组织之间的弱边界问题。构建了dp2m-net深度学习网络模型，使泛化能力更强，并提高了分类的准确率。本专利技术具有较强的通用性和鲁棒性，可帮助医生为糖尿病患者提供辅助诊断和治疗。
本文档来自技高网...【技术保护点】
1.一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，包括，
2.根据权利要求1所述的一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，所述基于色彩平衡和多尺度融合算法对眼底图像数据集中的眼底图像的特征进行增强包括
3.根据权利要求1所述的一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，所述DP2M-Net模型包括卷积层、激活层、全连接层和最大池化层，其中，卷积层用于对增强后的眼底图像进行病变特征提取，激活层用于通过非线性激活函数和批量归一化函数对提取的病变特征进行优化，全连接层用于将提取的病变特征进行多尺度融合并将融合后的特征映射到一维空间，最大池化层用于降低病变特征之间的耦合。
4.根据权利要求2所述的一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，所述对眼底图像进行白平衡处理还包括将眼底图像进行缩放后进行白平衡处理。
5.根据权利要求2所述的一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，所述白平衡处理包括根据公式(2)对眼底图像中每个像素位置的红色通
...【技术特征摘要】
1.一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，包括，
2.根据权利要求1所述的一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，所述基于色彩平衡和多尺度融合算法对眼底图像数据集中的眼底图像的特征进行增强包括
3.根据权利要求1所述的一种基于双路径多模块的糖尿病视网膜病变图像分类方法，其特征在于，所述dp2m-net模型包括卷积层、激活层、全连接层和最大池化层，其中，卷积层用于对增强后的眼底图像进行病变特征提取，激活层用于通过非线性激活函数和批量归一化函数对提取的病...
【专利技术属性】
技术研发人员：张丽榕，刘江波，胡锦婕，李迎秋，肖尧，彭繁琛，刚家林，周慧，
申请(专利权)人：大连东软信息学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。