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！

摘要：本发明公开了一种眼底视网膜动静脉的分类方法，包括获取彩色的眼底视网膜图像；将眼底视网膜图像分别输入到多尺度深监督全卷积网络和深监督高分辨率网络中，分别得到信息融合所需的处理结果；将两种处理结果按照特征级融合或决策级融合的策略，并利用对应的信息融合技术进行融合，实现同时对视网膜动静脉的整体结构和细小血管进行分割和分类。本发明以彩色眼底视网膜图像为研究对象，利用深度学习技术，结合视网膜图像特点，通过多尺度深监督全卷积神经网络，或改进条件生成对抗网络，或多尺度深监督全卷积网络和深监督高分辨率网络融合算法，对彩色眼底视网膜图像进行动静脉分类，不仅提高了分类的准确性及效率较高，而大大降低了劳动强度。

主权项：1.一种眼底视网膜动静脉的分类方法，其特征在于，包括：1）获取彩色的眼底视网膜图像；2）将眼底视网膜图像分别输入到多尺度深监督全卷积网络和深监督高分辨率网络中，分别得到信息融合所需的处理结果；3）将所述多尺度深监督全卷积网络和所述深监督高分辨率网络得到的两种处理结果按照特征级融合或决策级融合的策略，并利用对应的信息融合技术进行融合，从而实现同时对视网膜动静脉的整体结构和细小血管进行分割和分类；基于特征级融合策略的分类方法包括：将所述多尺度深监督全卷积网络和所述深监督高分辨率网络结合到一起构建出多尺度特征融合网络；所述多尺度深监督全卷积网络和所述深监督高分辨率网络分别从不同的侧面学习不同分辨率的特征并进行多尺度融合，其中，所述多尺度深监督全卷积网络是从由高到低分辨率网络产生的低分辨率表示中恢复高分辨率表示，并通过残差路径连接中间分辨率表示；所述深监督高分辨率网络在整个过程中保持高分辨率表示，逐步增加高低分辨率交换子网和多分辨率子网并行连接；所述多尺度特征融合网络融合了这两种神经网络各自学习到的不同分辨率的特征表示，形成互补信息，因此将两者融合，从而提高整个融合网络的泛化能力和算法性能；所述多尺度特征融合网络结合所述多尺度深监督全卷积网络和所述深监督高分辨率网络的部分框架结构，将所述多尺度深监督全卷积网络提取出的侧重于边缘信息的特征图和所述深监督高分辨率网络提取出的侧重于全局信息的特征图串行融合得到融合特征，再经过一个1×1卷积层得到最终视网膜动静脉分类结果；同时，将所述多尺度深监督全卷积网络和所述深监督高分辨率网络的输出特征经过额外的1×1卷积层得到两个所述多尺度深监督全卷积网络和所述深监督高分辨率网络的视网膜动静脉分类结果，计算其损失函数，再与所述融合特征输出的损失一起约束学习过程，优化的参数反向传播给整个所述多尺度特征融合网络；基于决策级融合策略的分类方法包括：首先，对于所述多尺度深监督全卷积网络和所述深监督高分辨率网络，分别使用彩色眼底图像数据集训练两个网络模型参数，使得两个神经网络在统计意义上得到最优；然后，根据测试图像中不同像素点的具体分类情况自适应地为两个神经网络赋予权值，通过自适应权值加权将两个神经网络的决策概率输出融合得到最终视网膜动静脉分类结果，以此获得优于单个所述多尺度深监督全卷积网络或所述深监督高分辨率网络的决策性能；将所述多尺度深监督全卷积网络改进为改进条件生成对抗网络的方法为：使用所述多尺度深监督全卷积网络作为生成网络；在生成网络中加入二值血管分割标签，作为判别器的条件约束项，使得生成网络在学习动静脉的区别的同时提取更多关于血管本身的特征信息；在生成网络的损失函数中增加多类交叉熵损失函数和Dice损失函数，以解决样本类别不平衡的问题；利用所述改进条件生成对抗网络的眼底视网膜动静脉分类方法的整体过程为：在训练阶段，对采集到的视网膜图像进行包括灰度化处理、限制对比度自适应直方图均衡化、伽马校正和数据扩增在内的预处理，之后作为第一种约束条件项输入条件生成对抗网络的生成器网络中，根据视网膜金标准训练生成初步的视网膜动静脉分类结果，之后将血管标签作为第二种条件约束项分别与动静脉金标准和生成器输出的视网膜动静脉分类结果拼接为数据对送入判别器，通过局部判别器网络来估计输入数据是否为真实样本，生成器与判别器交替迭代训练，保存训练好的生成器模型；在测试阶段，对测试数据进行包括灰度化处理、限制对比度自适应直方图均衡化、伽马校正和数据扩增在内的预处理，之后加载训练后已保存的条件生成对抗网络中的生成器模型，进行前向推理，得到眼底视网膜动静脉的第二分类结果，将所有数据标注为三个类别，分别为动脉、静脉和背景，将动静脉分类任务转化为多类语义分割问题，而无需先对视网膜血管进行分割再对动静脉血管分类。

全文数据：

权利要求：

百度查询： 苏州大学 一种眼底视网膜动静脉的分类方法、装置和存储介质