用于视网膜OCT图像异常检测的方法、系统、设备及介质与流程

本发明属于图像检测及异常检测，特别涉及一种用于视网膜oct(optical coherence tomography，光学相干层析成像)图像异常检测的方法、系统、设备及介质。

背景技术：

1、异常检测一直是机器学习中的一个非常重要的子分支，在各种人工智能落地应用中(具体示例性的，如计算机视觉、数据挖掘、自然语言处理等领域)，异常检测算法都是热门的研究方向；另外，在大数据时代，人工处理数据的速度已经远远赶不上机器，更快地检测数据中的异常情况成为了当下非常重要的任务。在深度学习广泛推广之前，传统的异常检测算法有很多(具体示例性的，如高斯拟合、半监督学习等算法)；在深度学习出现之后，开始研究将深度学习应用于各种异常检测任务中，也即dad(deep anomaly detection，深度异常检测)，取得了很大的成功。

2、异常检测任务是一种识别不正常情况与挖掘非逻辑数据的技术，在医疗领域的应用变得尤其广泛和重要；具体的，视网膜图像类型的初步筛查异常检测是机器化阅片的重要一步，理论上采用传统聚类或者特征识别的方式可以找到一部分异常图像、异常点，其前提是异常数据的类型已知，作为无法获得大量准确标签但是每天有大量原始数据产出的数据图像类型来说，无监督式学习是最友好的；另外，视网膜图像不仅仅拥有包括青光眼、糖尿病性视网膜病、黄斑变性等多种患病异常类型，在拍摄时由于眼睛的避光性和眼球的运动，会导致图像无效性的概率大大增加，由此产生的图像异常包括重影以及清晰度较低等情况。综上所述，在患病异常的基础上，再加入类似于图像中心与视网膜中心不能对准，以及图像的部分像素点灰度值异常等情况，现有的异常检测方法并不能对病理因素之外导致的视网膜oct图像异常进行准确检测分拣。

技术实现思路

1、本发明的目的在于提供一种用于视网膜oct图像异常检测的方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本发明公开的方法，能够对病理因素之外导致的视网膜oct图像异常进行准确检测分拣，且不会将清晰的病患图像当作异常数据处理。

2、为达到上述目的，本发明采用以下技术方案：

3、本发明第一方面提供的一种用于视网膜oct图像异常检测的方法，包括以下步骤：

4、获取待检测的视网膜oct图像；

5、将基于预设的正常图片数据集获取的正常图像与所述待检测的视网膜oct图像输入预训练好的异常检测模型，获得检测结果；

6、其中，所述预训练好的异常检测模型的训练步骤包括：

7、基于预设的正常图像数据集获取两张正常图像y1和z1；

8、将正常图像y1输入第一编码器，获得特征表示y2；将正常图像z1输入第二编码器，获得特征表示z2；其中，第一编码器和第二编码器共享参数；

9、将特征表示y2输入第一解码器，获得特征表示y3；将特征表示y2和特征表示z2映射至同一空间并作插值处理，获得插值结果，将所述插值结果输入第二解码器，获得特征表示z3；其中，第一解码器和第二解码器共享参数；

10、基于特征表示z3和正常图像y1进行损失函数计算，基于计算结果进行梯度和参数更新，最终获得预训练好的异常检测模型。

11、本发明方法的进一步改进在于，所述基于特征表示z3和正常图像y1进行损失函数计算的步骤中，

12、损失函数的表达式为，

13、

14、式中，为损失函数；α为结构损失的权重，β为均方误差的权重，α，β>0；为结构损失，是输入图片与特征表示的矩阵结构相似度的相反数；为输入图片与经过插值解码后的特征表示之间的均方误差。

15、本发明方法的进一步改进在于，所述损失函数中，

16、

17、式中，n为总个数，i表示第i个，yi表示输入图片，为经过插值解码后的特征表示。

18、本发明方法的进一步改进在于，所述损失函数中，

19、

20、式中，是特征表示像素的平均值；μy是图片y像素点的平均值；是特征表示的方差；是图片y的方差；是图片y与特征表示的协方差；c1、c2是用于维持稳定性的两个常数。

21、本发明方法的进一步改进在于，所述将特征表示y2和特征表示z2映射至同一空间并作插值处理，获得插值结果的步骤中，进行插值处理时，采用线性插值法。

22、本发明方法的进一步改进在于，所述将基于预设的正常图片数据集获取的正常图像与所述待检测的视网膜oct图像输入预训练好的异常检测模型，获得检测结果的步骤具体包括：

23、将基于预设的正常图片数据集获取的正常图像与所述待检测的视网膜oct图像输入预训练好的异常检测模型，若损失函数的计算结果大于预设阈值则所述待检测的视网膜oct图像为异常图片。

24、本发明第二方面提供的一种用于视网膜oct图像异常检测的系统，包括：

25、图像获取模块，用于获取待检测的视网膜oct图像；

26、检测结果获取模块，用于将基于预设的正常图片数据集获取的正常图像与所述待检测的视网膜oct图像输入预训练好的异常检测模型，获得检测结果；

27、其中，所述预训练好的异常检测模型的训练步骤包括：

28、基于预设的正常图像数据集获取两张正常图像y1和z1；

29、将正常图像y1输入第一编码器，获得特征表示y2；将正常图像z1输入第二编码器，获得特征表示z2；其中，第一编码器和第二编码器共享参数；

30、将特征表示y2输入第一解码器，获得特征表示y3；将特征表示y2和特征表示z2映射至同一空间并作插值处理，获得插值结果，将所述插值结果输入第二解码器，获得特征表示z3；其中，第一解码器和第二解码器共享参数；

31、基于特征表示z3和正常图像y1进行损失函数计算，基于计算结果进行梯度和参数更新，最终获得预训练好的异常检测模型。

32、本发明系统的进一步改进在于，所述基于特征表示z3和正常图像y1进行损失函数计算的步骤中，

33、损失函数的表达式为，

34、

35、式中，为损失函数；α为结构损失的权重，β为均方误差的权重，α，β>0；为结构损失，是输入图片与特征表示的矩阵结构相似度的相反数；为输入图片与经过插值解码后的特征表示之间的均方误差。

36、本发明第三方面提供的一种电子设备，包括：

37、至少一个处理器；以及，

38、与所述至少一个处理器通信连接的存储器；其中，

39、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一项上述的用于视网膜oct图像异常检测的方法。

40、本发明第四方面提供的一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本发明任一项上述的用于视网膜oct图像异常检测的方法。

41、与现有技术相比，本发明具有以下有益效果：

42、本发明公开的方法，能够对病理因素之外导致的视网膜oct图像异常进行准确检测分拣，且不会将清晰的病患图像当作异常数据处理；具体的，其利用了在同一空间内线性插值求中间类似特征向量样本以及衍生的网络结构，来寻找视网膜oct图像中的异常数据，同时又不会将清晰的病患图像当作异常数据处理；另外，网络采用无监督式的方式，避免了对大量数据标签的需求。

43、本发明中，在全局结构的对比上采用了混合损失函数，避免了单一损失函数在特殊情况下的判断失误；另外，选用mse是因为其内部采用的是平方的运算方式，对于误差较大的异常点来说就会放大其误差，达到更好的衡量效果。