[发明专利]基于改进Resnet与SVR混合模型的OCT图像质量评价方法

权利要求书

1.一种基于改进Resnet与SVR混合模型的OCT图像质量评价方法，其特征在于，包括以下步骤：

步骤1，对原始OCT图像进行预处理，得到预处理后的OCT图像，所述的预处理后的OCT图像被划分为多个不重叠的局部OCT图像块；

步骤2，构建并训练深度残差网络，采用训练后的深度残差网络提取预处理后的OCT图像的深层次特征；

步骤3，利用所提取预处理后的OCT图像的深层次特征训练OCT图像质量评价模型；

给定一幅待评价的OCT图像，利用OCT图像质量评价模型得到待评价的OCT图像的质量分数；

所述步骤2中构建并训练深度残差网络，采用训练后的深度残差网络提取预处理后的OCT图像的深层次特征，包括：

步骤2.1，建立用于特征提取的深度残差网络，并根据每个局部OCT图像块的主观感知质量对所有局部OCT图像块进行质量分级；

步骤2.2，将深度残差网络最后一层神经元节点的数量设置为所有局部OCT图像块质量分级后的等级数量；

步骤2.3，将深度残差网络中损失函数设置为局部OCT图像块的预测质量等级和实际质量等级的交叉熵，并通过优化使局部OCT图像块的预测质量等级和实际质量等级的交叉熵最低；

步骤2.4，将深度残差网络中的Softmax层移除，剩余的深度残差网络即为特征提取网络，该特征提取网络的输出即为预处理后的OCT图像对应的深层次特征。

2.如权利要求1所述的基于改进Resnet与SVR混合模型的OCT图像质量评价方法，其特征在于：所述步骤1中对OCT图像进行预处理包括：

步骤1.1，对原始OCT图像采用伽马校正，得到校正后的OCT图像；

步骤1.2，将校正后的OCT图像划分为多个不重叠的局部OCT图像块，其中每个局部OCT图像块的尺寸为M*M。

3.根据权利要求1或2所述的基于改进Resnet与SVR混合模型的OCT图像质量评价方法，其特征在于，所述的步骤2.3优化使局部OCT图像块的预测质量等级和实际质量等级的交叉熵最低具体包括如下步骤：

步骤2.3.1，初始化网络权重；

步骤2.3.2，根据主观感知质量分数，将训练集中的OCT图像分为优、中、差三个等级，并且对三个等级编码；

步骤2.3.3，使用每次训练的预测结果和实际结果的交叉熵作为损失函数，采用批梯度下降的方式对网络权重进行微调，网络最后一层权重是从随机取值开始训练的，其余层权重是在预训练的基础上进行微调，使网络预测的结果收敛。

4.根据权利要求1或2所述的基于改进Resnet与SVR混合模型的OCT图像质量评价方法，其特征在于，步骤3中利用所提取预处理后的OCT图像的深层次特征训练OCT图像质量评价模型；

给定一幅待评价的OCT图像，利用OCT图像质量评价模型得到待评价的OCT图像的质量分数；

包括：

步骤3.1，在特征提取网络之后加入神经元个数为1的全链接层；

步骤3.2，固定特征提取网络的权重，调整特征提取网络后的全链接层的权重，得到OCT图像质量评价网络；所述调整特征提取网络后的全链接层的权重，包括：

步骤3.2.1，预设一初始权重作为特征提取网络后的全链接层的当前权重，根据该全链接层当前权重下得到当前OCT图像质量评价网络，将每个局部OCT图像块输入当前OCT图像质量评价网络，得到每个局部OCT图像块的当前质量分数，通过对所有局部OCT图像块的当前质量分数进行加权平均，得到OCT图像的当前质量分数；

步骤3.2.2，将全连接层的损失函数设置为OCT图像的当前质量分数和实际质量分数的均方误差，通过最小化均方误差来调整全连接层的权重，得到最终的OCT图像质量评价网络；

步骤3.3，给定一幅待评价的OCT图像，通过步骤3.2中的OCT图像质量评价网络，首先对待评价的OCT图像中的每个局部OCT图像块进行质量评价，得到每个局部OCT图像块的最终质量分数，然后通过对所有局部OCT图像块的最终质量分数进行加权平均，得到OCT图像的最终质量分数。