本发明涉及深度学习医学图像处理,具体涉及一种用于超广角眼底图像的糖尿病视网膜病变特征解耦合方法。
背景技术:
1、超广角眼底成像技术与传统的彩色眼底成像技术相比,超广角眼底成像技术具有成像速度快、覆盖范围广、无需散瞳以及景深大的优势。自多年前超广角成像技术成功商业化应用以来,大量眼科诊所和专业眼科医院纷纷引进该技术,如今,该技术已经成为中国主流的眼底疾病检查方法。
2、糖尿病视网膜病变:糖尿病性视网膜病变是一种累及眼睛的糖尿病并发症,是由眼睛后部感光组织的血管损伤引起的。起初,糖尿病性视网膜病变可能不会引起症状,或是只造成轻微的视力问题,但此病可能导致失明,任何1型或2型糖尿病患者都可能会患上此病,患糖尿病的时间越长,血糖控制得越差,患这种眼部并发症的可能性就越大。
3、特征解耦合:特征解耦合是一种设计神经网络架构和训练流程的方法,旨在使网络学习到的特征之间相互独立或不相关。特征解耦的主要目的是提高模型的泛化能力和解释性。在实际应用中,特征解耦有助于深度学习模型更好地理解和处理复杂数据,如图像、语音或文本等。
4、目前的解耦合超广角眼底图像中的糖尿病视网膜病变特征主要涉及以下具体的技术问题:
5、1.需要开发一套对超广角眼底图像特征解耦合有益的图像预处理方法和图像增强方法;
6、2.需要开发一个深度神经特征解耦合模型,该模型能成功解耦超广角眼底图像特征,同时保证解耦合后特征具有明确意义;
7、3.应用解耦合后特征于具体计算机辅助糖尿病视网膜病变诊断任务,提高相关计算机辅助诊断系统的性能。
8、特征解耦合是表征学习领域的一个重要研究方向,但由于获取超广角眼底图像的困难以及糖尿病视网膜病变解耦合任务的复杂性,相关研究报道较为稀少。为了更好的说明本发明的技术特点,以下将阐述与本发明接近的已公开特征解耦合相关专利文献。
9、特征解耦合旨在分离特征中的混杂因素,在改善相关下游人工智能任务的性能的同时提高模型的可解释性。尤亚楠等(cn202311499603.6,一种基于本质因果推理的细粒度分类方法及系统)通过一个预设的特征解耦合模块对所提取到的本质特征进行解耦合,具体而言通过将高维非正交空间中的特征向量映射到维度相同的另一个正交空间中解除特征之间的纠缠,最终完成细粒度的预测分类;操晓春等(cn202011447934.1,一种基于特征解耦合的人脸隐私保护方法和装置)巧妙的利用多个编码器和生成对抗的思想,将人脸特征解耦合为身份特征和外貌特征,在此基础上通过对特征的操纵和生成实现对人脸隐私信息的保护;邹斌等(cn202310523139.3,基于解耦与重构学习的sar真假目标鉴别与目标识别方法)在编解码器的建模范式下,通过设计特殊的解耦合损失函数解耦和重建合成孔径雷达图像,实现对合成孔径雷达图像中真假目标的鉴别和识别;王蕊等(cn202210148651.x,一种基于特征解耦合的文字-图像对生成方法和装置)通过跨模态文字信息在隐空间解耦合图像特征中的独立信息,在获取有意义的解耦合特征的基础上,通过操纵生成的方式实现可控图像生成技术。
10、以上解耦合方法都是基于遥感影像或人脸图像进行研究开发,特征解耦合作为实现可信人工智能的重要技术之一,对于未来构件可靠的糖尿病视网膜病变计算机辅助诊断系统具有重大意义,所以当前亟需研究开发医学图像处理领域的特征解耦合方法。
技术实现思路
1、基于现有技术中存在的问题,本发明目的在于提供一种用于超广角眼底图像的糖尿病视网膜病变特征解耦合方法,训练完成的特征解耦合网络,其编码器可以直接提取超广角眼底图像特征的诊断相关特征和诊断无关特征,其编码器可以通过诊断相关特征和诊断无关特征直接生产特定条件下的超广角眼底图像特征。
2、本发明通过下述技术方案实现:
3、第一方面,本技术提供用于超广角眼底图像的糖尿病视网膜病变特征解耦合方法,包括依次进行数据预处理、数据增强、模型构建、模型训练与预测、模型应用。
4、进一步的,所述数据预处理包括以下步骤:
5、a、对所有超广角眼底图像进行中心剪裁,获取剪裁后的超广角眼底图像;
6、b、对所有剪裁后的超广角眼底图像应用对比度自适应直方图均衡化算法,获取由对比度自适应直方图均衡化处理后的超广角眼底图像;
7、c、对所有应用对比度自适应直方图均衡化处理后的超广角眼底图像进行图像缩放;
8、d、随机划分训练数据集和测试数据集,计算各折划分数据集中训练数据集和验证数据集和rgb三通统计特征,选取统计特征最接近的一折划分结果作为最终的训练数据集和验证数据集。
9、进一步的,所述数据增强的方法包括图像几何变换增强方法、图像像素变换增强方法。
10、进一步的,所述模型构建采用多元高斯分布对待解耦合特征进行建模,并基于此设计一个特征解耦合损失函数来保证所建模特征的独立性,同时也基于此设计一个糖尿病视网膜病变病情连续发展损失函数来保证所建模特征的指向性。
11、其中,糖尿病视网膜病变病情连续发展损失函数通过糖尿病视网膜病变病情连续发展模型进行计算;所述糖尿病视网膜病变病情连续发展模型是将糖尿病视网膜病变的病情发展视为一个连续的过程,下一个等级的糖尿病视网膜病变特征包含了上一个等级糖尿病视网膜病变的所有特征。
12、进一步的,所述特征解耦合损失函数ld为:
13、
14、其中,μc,μs,分别表示类相关特征和类不相关特征的均值和方差,j表示该特征的维度。
15、进一步的,所述糖尿病视网膜病变病情连续发展损失函数lchn为:
16、
17、其中y表示一个批处理中不同的糖尿病视网膜病变等级;w表示糖尿病视网膜病变病情连续发展模型中各个糖尿病视网膜病变等级相对与其前一个糖尿病视网膜病变等级的独有特征,该特征依然通过高斯分布描述。
18、进一步的,所述模型训练与预测包括以下步骤:
19、a、构建模型训练数据增强流水线;
20、b、初始化特征解耦合模型;
21、c、初始化优化器及学习率调度策略;
22、d、模型训练的最大迭代次数为100,在流水线的循环迭代下,将训练数据集依次输入特征解耦合模型中进行前向传播,接着计算特征解耦合模型的总损失函数并进行误差的反向传播,最后利用优化器更新特征解耦合模型的权重偏置参数,重复上述训练流程直到达到最大模型迭代次数;
23、e、构建模型预测数据增强流水线;
24、f、固定训练完成的特征解耦合模型的参数,将测试数据集依次送入特征解耦合模型中依次进行特征解耦合,可视化解耦合数据,评估解耦合模型的解耦合性能。
25、进一步的,特征解耦合模型总损失函数l为:
26、
27、其中α,β,γc,γs,均为超参数。
28、进一步的,所述模型应用包括以下步骤:
29、a、训练特征提取骨干网络;
30、b、训练特征解耦合模型;
31、c、训练线性分类器;
32、d、评估与验证。
33、进一步的,所述训练特征提取骨干网络包括以下步骤:
34、1)构建模型训练数据增强流水线;
35、2)构建特征提取骨干网络;
36、3)初始化优化器及学习率调度策略;
37、4)模型训练的最大迭代次数为800,在流水线的循环迭代下,将训练数据集依次输入特征提取骨干网络和对比学习预测头中进行向前传播,接着计算对比损失并进行误差的反向传播,最后利用优化器更新特征提取骨干网络的权重偏置参数,重复上述训练流程直到达到最大模型迭代次数;
38、5)取最后一次迭代的模型参数作为特征提取骨干网络的最终权重偏置参数,完成特征提取骨干网络的训练。
39、进一步的,对比损失采用有监督对比损失函数:
40、
41、其中zi表示锚定样本的对比特征,zj(i)表示同一个批处理中与锚定样本相同类别的其他样本的的对比特征,za表示同一个批处理中与锚定样本不同类别的其他样本的的对比特征,τ为温度系数。
42、进一步的,训练特征解耦合模型的方法为:固定特征提取骨干网络所有网络权重偏置参数,将特征提取骨干网络应用于特征解耦合网络训练步骤中,提取训练数据增强流水线输出的超广角眼底图像中的图像特征,然后将所提取的图像特征按照特征解耦合模型的训练方法训练特征解耦合模型,完成特征解耦合模型的训练,取最后一次迭代的模型权重偏置参数作为特征解耦合模型的最终权重参数。
43、进一步的,训练线性分类器包括以下步骤:
44、1)沿用训练特征解耦合的训练数据增强流水线;
45、2)构建线性分类器;
46、3)沿用训练特征解耦合的优化器及学习率调度策略;
47、4)模型训练的最大迭代次数为20,在流水线的循环迭代下,将训练数据集依次输入特征提取骨干网络和特征解耦合模型编码器中进行前向传播,获取超广角眼底图像的糖尿病视网膜病变诊断类相关特征,接着将所得到的类相关特征送入线性分类器并计算交叉熵损失,最后通过反向传播和优化器更新线性分类器的权重偏置参数,重复上述训练流程直到达到最大模型迭代次数,完成线性分类器的训练。
48、进一步的,交叉熵损失函数为:
49、
50、其中m,n分别是类别数量和批处理样本大小,yic和pic分布是样本真实类别的one-hot编码和样本真实类别的预测概率。
51、进一步的,评估与验证包括以下步骤:
52、1)运用可视化方法验证特征解耦合模型的解耦合性能;
53、2)在测试数据集上验证解耦合出来的特征的质量,报告基于有监督训练、自监督训练以及自监督训练和特征解耦合构建的三种不同糖尿病视网膜病变计算机辅助诊断系统的糖尿病视网膜病变诊断准确度和二次加权kappa。
54、第二方面,本技术提供一种计算机程序,所述计算机程序可实现上述任意一项所述的方法的步骤。
55、第三方面,本技术提供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,使得所述处理器执行上述任意一项所述的方法的步骤。
56、第四方面,本技术提供一种计算机设备,包括存储器和处理器,所述储存器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任意一项所述的方法的步骤。
57、本发明与现有技术相比,具有如下的优点和有益效果:
58、(1)本技术将超广角眼底图像的特征解耦合为糖尿病视网膜病变的诊断相关特征和诊断无关特征,训练完成的特征解耦合网络,其编码器可以直接提取超广角眼底图像特征的诊断相关特征和诊断无关特征,其解码器可以通过诊断相关特征和诊断无关特征直接生成特定条件下的超广角眼底图像特征;
59、(2)本技术中的用于超广角眼底图像的糖尿病视网膜病变特征解耦合方法能显著提高自监督训练模型的糖尿病视网膜病变分级性能,超越了有监督训练的模型,证明了解耦合出的糖尿病视网膜病变诊断类相关特征的有效性。