买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州大学

摘要：本发明涉及图像分类技术领域，尤其涉及一种基于OCT图像的罕见眼底病自动分类方法及系统。基于残差模块、全连接层搭建视网膜OCT图像分类网络；构建常见眼底病训练集，基于训练样本，训练得到分类网络模型的初始参数；随机构造常见病小样本训练任务，对网络进行元训练，包含内循环和外循环；内循环中基于元数据增强及无标注查询更新策略，训练得到常见病小样本分类网络模型；外循环中引入一致性损失，训练得到适用于不同常见病组合的小样本分类网络模型；构建罕见眼底病训练集，对元训练所得小样本分类网络模型进行微调，得到适用于罕见病的小样本分类网络模型；将OCT图像输入到罕见病小样本分类网络模型中，得到病变类型的分类结果。

主权项：1.一种基于OCT图像的罕见眼底病自动分类方法，其特征在于：包括，基于残差模块、全连接层搭建视网膜OCT图像分类网络，网络以OCT图像为输入，图像病变类别标签为输出；构建常见眼底病训练集，基于训练集中所有训练样本，训练分类网络模型，得到分类网络模型的初始参数；基于常见眼底病训练集，随机构造常见病小样本训练任务，对网络进行元训练，包含内循环和外循环，内循环嵌在外循环内部，每轮外循环包含多轮内循环；从常见眼底病训练集中随机选取K种病变类别，每类随机选取样本，基于元数据增强及无标注查询更新策略，训练适用于特定常见病组合的小样本分类网络模型；根据多轮内循环得到的多个常见病小样本分类网络模型的训练结果，引入一致性损失，训练适用于不同常见病组合的小样本分类网络模型；构建罕见眼底病训练集，基于训练样本，对元训练所得小样本分类网络模型进行微调，得到适用于罕见病的小样本分类网络模型；将OCT图像输入到罕见病小样本分类网络模型中，得到病变类型的分类结果；所述内循环包括构造小样本训练任务集Dtr＝{T1,T2,...,Tn}，其中第i个任务为分为支持集数据和查询集数据优化中用到两组网络参数θtr和θts，均初始化为上一轮外循环中得到的参数θ；所述元数据增强包括，在内循环中对查询集数据进行混合数据增强得到新查询集来增加数据多样性，提高模型的泛化能力，从查询集中挑选两张样本xp,yp和xq,yq，并计算样本和标签的线性插值： 其中，xp和xq分别指两张图像，yp和yq分别指两张图像的类别标签，λ是一个介于0和1之间的随机插值系数，用生成的虚拟样本替换原始的样本，得到新的查询集表示为生成样本，表示为生成样本的标签；对于支持集中的样本xj,yj，使用交叉熵函数来计算损失函数： 其中，是xj经过网络输出得到的预测值，k为类别编号，为xj是否属于第k类的标签，n表示为支持集样本数，C表示为类别数，表示为支持集损失函数，对于查询集中的样本使用熵正则计算损失函数： 其中，是经过网络输出得到的预测值，m表示为查询集样本数，表示为查询集损失函数；使用梯度下降更新参数θtr： 其中，表示对θtr求梯度，α表示为内循环学习速率；新查询集单独计算损失函数后更新参数θts， 其中，为元数据增强得到的新查询集上的交叉熵损失函数，表示对θts求梯度；所述外循环包括θtr和θts之间的差异为支持集和查询集之间的数据分布差异，使用θtr和θts参数差值的Frobenius范数作为外循环损失函数中的元正则化项，提高网络在不同数据上学习的一致性，一致性损失计算如下：LF＝||θtr-θts||F其中，||||F为Frobenius范数，计算为矩阵各项元素的绝对值平方的总和再开方；在外循环中，对多轮内循环的多个任务构成的一个任务批次，计算新查询集上的损失，与一致性损失相加，并对所有任务求和，对模型参数θ进行梯度下降更新， 其中，δ为正则化权重，δ＝0.3，pT为一个批次的任务集合，表示对θ求梯度，Ti表示第i个任务，表示第i个任务在网络参数取θtr时新查询集上的交叉熵损失，表示第i个任务的一致性损失。

全文数据：

权利要求：

百度查询： 苏州大学 一种基于OCT图像的罕见眼底病自动分类方法及系统