[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

说明书

本发明公开了一种基于三维卷积神经网络的视网膜OCT图像分类方法，包括以下步骤：（a）采集图像并将采集到的图像分为训练集和测试集，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。本发明能对三维视网膜OCT图像进行整体分类，为后续的视网膜OCT图像分割与分析提高效率奠定基础。

技术领域

本发明属于视网膜图像分类方法，具体涉及一种基于三维卷积神经网络的视网膜OCT图像分类方法。

背景技术

视网膜是由大脑向外延伸的视觉神经末梢组织，其结构复杂、精细、脆弱而代谢旺盛。其血管属于终末血管系统，任何病理性的破坏和血管梗阻等引起的组织缺氧，均能导致组织坏死，丧失其感受和传导光刺激的功能。

光谱域光学相干断层扫描（OCT）是探测光经受检眼屈光间质达视网膜，通过获取眼内不同组织界面反射提供的厚度与距离信息并还原成图像和数据来进行工作的，已成为眼科不可或缺的临床检查技术，可以提供三维视网膜图像。常见的视网膜OCT图像有三种采集模式：黄斑中心，视神经乳头中心，以及包括前两个区域的大视野。为了实现高性能的自动化计算机辅助诊断系统，对视网膜OCT图像首先进行采集区域以及是否正常的识别与分类是十分必要的，可以使得后续的视网膜OCT图像分割与分类更高效。

目前，已有的视网膜OCT图像分类算法大部分是基于二维图像进行分类的，如Srinivasan等人提出的基于HOG算子和支持向量机的OCT图像分类方法，可用于年龄相关性黄斑变性和糖尿病性黄斑水肿病变视网膜的分类；Venhuizen等人提出的基于机器学习的老年黄斑变性病变自动分级系统；Chakraborty等人提出的基于迁移学习的糖尿病性视网膜水肿和干性年龄相关性黄斑变性的自动分类，但这些算法不能充分利用三维空间特征信息，单张图像容易受到噪声的影响，导致分类错误。已有的应用于医学图像的三维卷积图像分类网络在分类准确度有待提升，缺乏特征图之间的并行补充，并且分类类别相对单一，特别是针对同时分类黄斑中心、视神经乳头中心以及大视野三种扫描模式进行正常/非正常的分类工作未见报道。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积或相关计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。三维卷积神经网络是用来进行视频行为识别的，医学领域往往采用三维卷积神经网络，现有的三维卷积网络结构如图4所示，具有8个3D卷积层，5个3D池化层，2个全连接层，后面接一个softmax输出层，所有的3D卷积核的步长都是1，卷积核的大小是3×3×3。所有的最大池化层除了第一个池化层的核为1×2×2之外，其他池化层的核是2×2×2。

发明内容

为了克服现有技术中的不足，本发明提供了一种基于三维卷积神经网络的视网膜OCT图像分类方法。

为了解决上述技术问题，本发明采用如下技术方案：

一种基于三维卷积神经网络的视网膜OCT图像分类方法，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。