CN114998300B 一種基于多尺度信息融合網絡的角膜潰瘍分類方法 （安徽財貿職業學院）

一種基于多尺度信息融合網絡的角膜潰瘍本發明公開了一種基于多尺度信息融合網多尺度信息融合網絡模型對二維裂隙燈熒光染2所述步驟2中構建的多尺度信息融合網絡模型是先設立主干網絡，然后在主干網絡的所述多尺度信息融合網絡模型是以二維卷積神經網絡模型為主2.根據權利要求1所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征在于：所述步驟1中對圖像進行預處理是使用雙線性插值的方法對數據集內的所有圖像進3.根據權利要求2所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征4.根據權利要求1所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征5.根據權利要求4所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征6.根據權利要求5所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征7.根據權利要求1所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征38.根據權利要求1所述的一種基于多尺度信息融合網絡的角膜潰瘍分類方法，其特征4[0003]熒光素因其熒光特性和在低濃度下的高能見度使熒光染色成為驗光和眼科診斷色圖像對角膜潰瘍進行識別在制定治療方案方面[0004]目前的角膜潰瘍防治模式是眼科醫生根據潰瘍的一般模式和類型分級(typegrade,TG)標準，潰瘍的一般模式是基于角膜潰瘍的形狀和分布特征，可分為點狀角觀經驗和專業知識的差異，醫生基于熒光染色圖像對角膜潰瘍的識別具有一定的差異性，5[0015]優選地，所述步驟1中對圖像進行預處理是使用雙線性插值的方法對數據集內的[0018]進一步地，所述多尺度信息融合網絡模型是以二維卷積神經網絡模型為主干網[0026]優選地，所述步驟3中對多尺度信息融合網絡模型進行訓練是通過優化器Adam最[0027]優選地，所述步驟3中對多尺度信息融合網絡模型進行測試需設定三個分類評價6簽平滑策略，對多尺度信息融合網絡模型進行訓練和測試,最后使用多尺度信息融合網絡[0034](1)本發明對采集的二維裂隙燈熒光染色圖像數據集進行預處理，對其進行雙線[0035](2)本發明構建的網絡模型是基于卷積神經網絡的改進，在其基礎上設計多尺度[0036](3)本發明在網絡模型的優化過程中引入了標簽平滑策略，通過增加噪聲可以降低真實標簽對應的類別權重和降低過擬合的風險，基于標簽平滑策略采用交叉熵損失函7[0051]多尺度信息融合器是由兩個自適應平均池化層、兩個全連接層和一個加法器組8[0066]構建多尺度信息融合網絡模型需要以二維卷積神經網絡模型(DenseNet121)為主[0067]原始二維卷積神經網絡模型(DenseNet121)是由轉換層和密集連接層組成的，包9[0069]多尺度信息融合器是由兩個自適應平均池化層、兩個全連接層和一個加法器組將淺層邊緣信息和深層語義信息相結合可以增加預的多分類問題是預測輸入圖像xi屬于類別k的概率([0080]基于Pytorch的集成環境和帶有12GB存儲空間的NVIDIAGTXTitanXGPU完成模平均的F1分數和加權平均的曲線下面積，其中準確率和加權平均的F1分數的定義公式如[0088]“主干網絡+標簽平滑”表示在原始二維卷積神經網絡模型(DenseNet121)中使用Identifier,DOI)為10.1109[0091]對于一般模式的角膜潰瘍分類，由圖5可以看出原始二維卷積神經網絡模型(DenseNet121)的分類準確率是84.39LmNet的分類準確率是85.52改進后也即本發[0092]從圖5中可以看出本發明中設計的多尺度信息融合器和標簽平滑策略均能有效提[0093]對于特定模式的角膜潰瘍分類，由圖6可以看出，原始二維卷積神經網絡模型(DenseNet121)的分類準確率是81.45LmNet的分類準確率是82.42改進后也即本發明的分類準確率(ACC)可達83.84與原始二維卷積神經網絡模型(DenseNet121)和LmNet線下面積(W_AUC)分別為80.52％和91.11比原始DenseNet121分別提高了4.19％和[0094]從圖6中可以看出本發明中設計的多尺度信息融合器和標簽平滑策略均能有效提升原始二維卷積神經網絡模型(DenseNet1[0095]本發明提出多尺度信息融合器和引用的標簽平滑策略保證了角膜潰瘍分類識別