CN114998300B 一种基于多尺度信息融合网络的角膜溃疡分类方法 （安徽财贸职业学院）

一种基于多尺度信息融合网络的角膜溃疡本发明公开了一种基于多尺度信息融合网多尺度信息融合网络模型对二维裂隙灯荧光染2所述步骤2中构建的多尺度信息融合网络模型是先设立主干网络，然后在主干网络的所述多尺度信息融合网络模型是以二维卷积神经网络模型为主2.根据权利要求1所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征在于：所述步骤1中对图像进行预处理是使用双线性插值的方法对数据集内的所有图像进3.根据权利要求2所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征4.根据权利要求1所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征5.根据权利要求4所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征6.根据权利要求5所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征7.根据权利要求1所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征38.根据权利要求1所述的一种基于多尺度信息融合网络的角膜溃疡分类方法，其特征4[0003]荧光素因其荧光特性和在低浓度下的高能见度使荧光染色成为验光和眼科诊断色图像对角膜溃疡进行识别在制定治疗方案方面[0004]目前的角膜溃疡防治模式是眼科医生根据溃疡的一般模式和类型分级(typegrade,TG)标准，溃疡的一般模式是基于角膜溃疡的形状和分布特征，可分为点状角观经验和专业知识的差异，医生基于荧光染色图像对角膜溃疡的识别具有一定的差异性，5[0015]优选地，所述步骤1中对图像进行预处理是使用双线性插值的方法对数据集内的[0018]进一步地，所述多尺度信息融合网络模型是以二维卷积神经网络模型为主干网[0026]优选地，所述步骤3中对多尺度信息融合网络模型进行训练是通过优化器Adam最[0027]优选地，所述步骤3中对多尺度信息融合网络模型进行测试需设定三个分类评价6签平滑策略，对多尺度信息融合网络模型进行训练和测试,最后使用多尺度信息融合网络[0034](1)本发明对采集的二维裂隙灯荧光染色图像数据集进行预处理，对其进行双线[0035](2)本发明构建的网络模型是基于卷积神经网络的改进，在其基础上设计多尺度[0036](3)本发明在网络模型的优化过程中引入了标签平滑策略，通过增加噪声可以降低真实标签对应的类别权重和降低过拟合的风险，基于标签平滑策略采用交叉熵损失函7[0051]多尺度信息融合器是由两个自适应平均池化层、两个全连接层和一个加法器组8[0066]构建多尺度信息融合网络模型需要以二维卷积神经网络模型(DenseNet121)为主[0067]原始二维卷积神经网络模型(DenseNet121)是由转换层和密集连接层组成的，包9[0069]多尺度信息融合器是由两个自适应平均池化层、两个全连接层和一个加法器组将浅层边缘信息和深层语义信息相结合可以增加预的多分类问题是预测输入图像xi属于类别k的概率([0080]基于Pytorch的集成环境和带有12GB存储空间的NVIDIAGTXTitanXGPU完成模平均的F1分数和加权平均的曲线下面积，其中准确率和加权平均的F1分数的定义公式如[0088]“主干网络+标签平滑”表示在原始二维卷积神经网络模型(DenseNet121)中使用Identifier,DOI)为10.1109[0091]对于一般模式的角膜溃疡分类，由图5可以看出原始二维卷积神经网络模型(DenseNet121)的分类准确率是84.39LmNet的分类准确率是85.52改进后也即本发[0092]从图5中可以看出本发明中设计的多尺度信息融合器和标签平滑策略均能有效提[0093]对于特定模式的角膜溃疡分类，由图6可以看出，原始二维卷积神经网络模型(DenseNet121)的分类准确率是81.45LmNet的分类准确率是82.42改进后也即本发明的分类准确率(ACC)可达83.84与原始二维卷积神经网络模型(DenseNet121)和LmNet线下面积(W_AUC)分别为80.52％和91.11比原始DenseNet121分别提高了4.19％和[0094]从图6中可以看出本发明中设计的多尺度信息融合器和标签平滑策略均能有效提升原始二维卷积神经网络模型(DenseNet1[0095]本发明提出多尺度信息融合器和引用的标签平滑策略保证了角膜溃疡分类识别