CN119445245A 一种基于改进深度学习自注意力机制的圆锥角膜图像分类方法 （河南省人民医院）

号一种基于改进深度学习自注意力机制的圆本发明提出了一种基于改进深度学习自注感兴趣区域的方法对四屈光报告图进行图像预据集输入到构建的基于多方向轴注意力机制网图进行与步骤相同的图像预处理和数据增强后输入到训练好的基于多方向轴注意力机制的网够综合考虑整个图像的信息，提高诊断的准确2S1：利用三维眼前节分析诊断系统获取四屈光报告S3：将四屈光报告图数据集输入到构建的基于S4：将待处理的四屈光报告图进行与步骤S1相同2.根据权利要求1所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，用PENTACAM系统，利用旋转式Scheimpflug摄像扫描方法围绕眼球进行快速扫描，生成3.根据权利要求2所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，所述划分和数据增强操作为：将预处理后的四屈光报告图按8:1:1的比例划分为训练标签标注的方法为将被医生标注为圆锥角膜的图像作为KC组，正常角膜4.根据权利要求3所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，其特征在于，步骤S2所述多轴编码器包括依次连接的多个浅层编码层和多个深层编码层，5.根据权利要求4所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，36.根据权利要求5所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，征张量B与多层感知机输出结果进行残差连接后输出最7.根据权利要求6所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，8.根据权利要求7所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，out＝LayerNorm[Dropout(_outputs[ad])]adattn_outputs[ad]为沿每个轴的注意力计算输出，out为多方向轴向注意力计算的输9.根据权利要求8所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，10.根据权利要求9所述的基于改进深度学习自注意力机制的圆锥角膜图像分类方法，4InSituKeratomileusis,LASIK)、准分子激光角膜切削术(Photorefractive[0004]注意力机制最初在自然语言处理及机器翻译领域被引入并实现了显著成效。随关于注意力机制应用的探索，例如Swintransformer利用基于移位窗口的自注意力替换5[0015]步骤S1所述的利用三维眼前节分析诊断系统获取四屈光报告图的方法为：采用PENTACAM系统，利用旋转式Scheimpflug摄像扫描方法围绕眼球进行快速扫描，生成[0019]所述多个浅层编码层为2层，每个浅层编码层包括依次连接的基于对角轴模拟的6张量B与多层感知机输出结果进行残差连接后输出最终数，attn_outputs[ad]为沿每个轴的注意力计算输出，out为多方向轴向注意力计算的输[0028]步骤S3所述训练的方法为：将训练集输入到基于多方向轴注意力机制的网络模则化结合二分类CrossEntropyLoss作为损失函数进行损失计算，将计算的损失传到模型7图进行划分和数据增强操作并进行标签标注得到四屈光[0041]所述三维眼前节分析诊断系统采用PENTACAM系统，PENTACAM系统利用旋转式的ROI掩码与四屈光报告图所对应的地形热力图相乘，将地形热力图的背景区域设置为白[0043]将预处理后的四屈光报告图数据集按8:1:1的比例划分为训练集、验证集和测试8数据增强操作的方法为：具体操作是通过对对角膜地形图数据集中的图像进行旋转操作[0046]图像特征嵌入模块用于将输入图像分割为多个小块(patches)，并将这些块展平[0047]多轴编码器包括依次连接的2个浅层编码层和2个深层编码层，浅层编码层如图2所示的transformer层1和transformer层2；深层编码层如图2所示的transformer层3和张量B与多层感知机输出结果进行残差连接后输出最终的特9[0073]transformer层3和transformer层4均包括两个深层编码块，分别为6层和2层结多头自注意力模块Ⅰ,重叠下采样模块聂的输入与基于对角轴模拟的多方向轴向注意力模习的训练方法。具体的实施步骤为，先利用处理好的数据集训练transformer基本网络，注意力机制替换成本发明提出的多方向轴向注意力模多头自注意力机制层次化结合的注[0086]为了证明本发明的泛化性能，模型被应用于先