[发明专利]一种基于三维卷积神经网络的视网膜OCT图像分类方法

权利要求书

1.一种基于三维卷积神经网络的视网膜OCT图像分类方法，其特征在于，包括以下步骤：(a)采集图像并将采集到的图像分为训练集、验证集和测试集，对图像进行预处理；(b)搭建VinceptionC3D网络结构，VinceptionC3D网络是基于C3D卷积神经网络的改进，在C3D网络的基础上添加了融合多通道特征的Vinception模块，并把批标准化的方法应用到了原始C3D网络中，(c)模型的训练和测试：利用C3D的预训练模型作为VinceptionC3D的预训练模型，利用训练集中的数据训练加载预训练模型后的网络得到训练好的VinceptionC3D模型，模型训练结束后，用测试集测试模型；其中，所述Vinception模块包括两个叠加的卷积层c1，一个卷积层c2、一个卷积层c3以及concat层，卷积层c1、卷积层c2、卷积层c3并列设置，卷积层c1、卷积层c2、卷积层c3后均与concat层连接，concat层后连接有卷积层c4；步骤(a)中对图像的预处理包括对黄斑中心、视神经乳头中心、大视野视网膜三维OCT图像进行下采样和减均值处理，对数据进行随机水平翻转来扩充数据集；步骤(b)中VinceptionC3D网络结构中依次包括3D卷积层1a、池化层1、3D卷积层2a、池化层2、3D卷积层3a、3D卷积层3b、池化层3、Vinception模块1、池化层4、Vinception模块2、池化层5、全连接层6、全连接层7和softmax输出层；其中，在4个3D卷积后面接的是2个Vinception模块，这两个Vinception模块接收上一层传来的特征图，经过Vinception层的多尺度融合后，输出语义相对丰富的特征图，然后池化后接下一层。

2.如权利要求1所述的基于三维卷积神经网络的视网膜OCT图像分类方法，其特征在于，在每一个卷积层后面用Relu函数进行激活，Relu激活前面还都添加了批标准化层，用来固定每层输入信号的均值与方差。

3.如权利要求1所述的基于三维卷积神经网络的视网膜OCT图像分类方法，其特征在于，两个Vinception模块接收上一层传来的特征图，经过Vinception模块的多尺度融合后，输出语义相对丰富的特征图，然后池化后接下一层。

4.如权利要求1所述的基于三维卷积神经网络的视网膜OCT图像分类方法，其特征在于，卷积层c1的卷积核为3*3*3，卷积层c2的卷积核为3*3*3，卷积层c3的卷积核为1*1*1，卷积层c4的卷积核为1*1*1。

5.如权利要求1所述的基于三维卷积神经网络的视网膜OCT图像分类方法，其特征在于，步骤(c)模型的训练和测试的具体方法为：首先加载在视频图像Sports-1M数据集上训练过的预训练模型，在预训练模型的基础上采用Adam优化算法，设置特征提取部分初始学习率,输出层的初始学习率,最小batch，最高迭代次数，将训练集的图像依次输入到模型中进行训练，每迭代n次后，用验证集进行验证，训练完成后得到最终的训练模型并用测试集进行测试；在整个数据集上采用K折交叉验证来评估训练模型的表现。

6.如权利要求5所述的基于三维卷积神经网络的视网膜OCT图像分类方法，其特征在于，步骤(c)中，特征提取部分初始学习率为1e-4，输出层的初始学习率为1e-3，最小batch设置为30，迭代次数为6000次，每迭代10次，用验证集验证一次，测试时在整个数据集上采用3折交叉验证来评估训练模型的表现。