申请/专利权人：辽宁师范大学

申请日：2022-04-08

公开（公告）日：2024-04-02

公开（公告）号：CN114898172B

主分类号：G06V10/774

分类号：G06V10/774;G06V10/75;G06V10/80;A61B3/12

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.08.30#实质审查的生效;2022.08.12#公开

摘要：本发明公开一种基于多特征DAG网络的糖尿病视网膜病变分类建模方法，首先使用不同方法提取了糖尿病视网膜病变的指标性特征，包括出血斑特征、眼底新生血管特征和视网膜血管曲张特征；其次构建了优化DAG网络并不断更改训练方案对网络进行训练，从而将提取的特征实现多特征融合并通过局部特征组成复杂局部或全局特征从而还原出对象；最后，由softmax分类器进行正常、病变分类。本发明使用DIARETDB1数据集和大连市第三人民医院数据对分类模型进行性能评估，结果表明对DIARETDB1数据集图像和医院数据，本发明分类准确率分别为98.7％和98.5％。

主权项：1.一种基于多特征DAG网络的糖尿病视网膜病变分类建模方法，其特征在于按照如下步骤进行：步骤1：对训练集中每张视网膜图像进行预处理，获得特征图像训练集步骤1.1获取视网膜出血斑特征图像提取视网膜图像RGB色彩模式中的绿色通道图像，将绿色通道图像灰度化并分成若干子块，统计每个子块的累计分布直方图，在直方图中设定有限阈值Tc：Tc＝max1,Td×h×wS式中，Td是迭代的自适应软阈值，S是图像总像素，h和w是图像的长和宽；将直方图中的灰度值与设定的有限阈值Tc进行对比，把直方图中超过有限阈值Tc的灰度值区域均匀地分布在直方图下面并保证直方图总面积不变，最后使用线性插值的方法优化处理，使视网膜出血斑特征突出，即获得获得视网膜出血斑特征图像；步骤2.2获取眼底新生血管特征图像首先对视网膜图像中的每个像素点都用8个掩模Mq,q＝1,2,...,7进行卷积求导数，每个掩模Mq对8个特定边缘方向作出最大响应，将最大响应的最大值G作为边缘幅度图像的输出：G＝max{|M0|,|M1|,|M2|,|M3|,|M4|,|M5|,|M6|,|M7|}最后根据自适应软阈值对图像进行二值化处理，使新生血管特征突出，即获得眼底新生血管特征图像；步骤3.3获取视网膜血管曲张特征图像将视网膜图像分成N个子块，迭代计算视网膜病变图像中视网膜血管的聚类中心Cv和对应的隶属度Dpv： 式中，N是总子块数，C是聚类的簇数，xp,p＝1,2,....,N表示第p个子块，||*||表示任意距离的度量，m∈[1,∞属于一个加权指数；Ck表示第k类的聚类中心；当隶属度满足以下迭代终止条件，停止迭代，计算出局部的最优值Jm，使视网膜血管曲张特征突出，获得视网膜血管曲张特征图像； 式中，l是迭代步数，ε是误差阈值； 步骤3.4将所获取的视网膜特征图像集合作为特征图像训练集；步骤2：将特征图像训练集中的特征图像输入至DAG网络进行训练步骤2.1建立优化的DAG网络，所述优化的DAG网络由一路主干、两路支干、add层、池化层avpool和全连接层Fullconnect构成，所述一路主干分为五组，每组均由卷积层Conv、归一化层BN和激活函数层relu构成，所述两路支干均为卷积层skipConv，一路主干与两路支干同时与add层链接；步骤2.2将特征图像训练集的图像输入至优化的DAG网络，实现多特征融合与学习，输出多特征融合结果Fiadd：Fiadd＝Xi+Yi+Zi*K＝Xi*K+Yi*K+Zi*K式中，K表示卷积层卷积核，*表示卷积，Xi表示视网膜出血斑特征，Yi表示眼底新生血管特征；Zi表示视网膜血管曲张特征；步骤3：将多特征融合结果Fiadd送到softmax分类器，按照下式计算属于正常或病变的预测概率，实现糖尿病视网膜病变和正常的有效分类； 式中，R为预测概率，i＝1,2,...,M表示第i张图像，M为视网膜图像总数，e是一个参数；当Y∈0,0.5判断图像为正常，当Y∈[0.5,1时判断图像为病变。

全文数据：

权利要求：

百度查询： 辽宁师范大学 基于多特征DAG网络的糖尿病视网膜病变分类建模方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD