[发明专利]一种基于改进D-S证据的眼疾图像识别方法及系统

说明书

本发明公开了一种基于改进D‑S证据的眼疾图像识别方法及系统，采集眼底图像；对眼底图像进行数据增强得到增强图像；分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果；通过融合模型对增强图像的第一分类结果和第二分类结果进行融合得到最终的分类结果；通过统一眼底图像的尺寸，适当降低分辨率，去除冗余、无用的区域，降低运算量，减少运算时间；通过改变RGB通道顺序来进行线下数据增强，降低深度神经网络过拟合的风险；对D‑S证据理论进行改进，消除常见的四种悖论，并利用改进的D‑S证据理论对两个深度神经网络模型进行融合，使得融合的网络减小模型间的固有偏差，提升鲁棒性和准确率。

技术领域

本公开属于深度学习技术领域、人工智能技术领域，具体涉及一种基于改进D-S证据的眼疾图像识别方法及系统。

背景技术

随着医疗影像技术和计算机视觉的快速发展，眼底筛查方法具有较高的准确率和精准度，但实际上依赖于昂贵的设备和复杂的操作，另外，眼疾总是悄无声息且不可逆转，唯有早发现早治疗才能挽救视觉于视力窃贼的无形出没，故廉价快捷的早期眼底筛查已成为学术界和工业界的研究热点。

深度学习已经成为医疗辅助诊断的研究热点，它具有强大的自动特征提取、特征选择、特征表达及复杂模型的构建能力，更为重要的是深度学习能从像素级的原始图像中逐级提取和抽象表达更高级的特征，为医学图像的识别提供了新思路。迁移学习是将已经学到的知识重新适应解决新的问题，不仅大大减少了训练时间，还减少了对大量数据的需求。

D-S证据理论是一种数学理论和不确定理论的一般框架，满足比贝叶斯理论更弱的条件，它具有处理不确定和未知信息的能力，与传统的概率论相比，D-S证据理论在基于数据融合的分类中表现出更好的性能，被广泛应用于故障诊断，工程技术，目标识别与跟踪，信息融合等领域。传统的D-S理论是一种有效的证据融合理论，但在某些情况下会失效，存在常见的四种悖论。

发明内容

本发明的目的在于提出一种基于改进D-S证据的眼疾图像识别方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为了实现上述目的，根据本公开的一方面，提供一种基于改进D-S证据的眼疾图像识别方法，所述方法包括以下步骤：

S100，采集眼底图像；

S200，对眼底图像进行数据增强得到增强图像；

S300，分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果；

S400，构建融合模型；

S500，通过融合模型对增强图像的第一分类结果和第二分类结果进行融合得到第三分类结果。

进一步地，在S100中，采集眼底图像的方法为：采集的眼底图像源自于ODIR-5K医学影像数据集，包含5,000名患者的彩色眼底照片；所述彩色眼底照片通过Canon，Zeiss和Kowa中任意一种相机捕获，由于眼底图像在特征分类中存在着严重的冗余，它的病理区域位于视盘和视杯区域，或者周围的血管和视神经区域，所以本发明在保证图像有效信息的情况下，将图像尺寸缩为512×512×3像素，这样做一方面可以消除一些冗余的信息，另一方面，可以减少神经网络参数的运算数量，缩短运算时间。

进一步地，在S200中，对眼底图像进行数据增强得到增强图像的方法为：

通过平移、旋转、翻转、裁剪得到预处理图像，并通过标签保留变换来增加预处理图像的数量，其中，使用随机旋转、水平镜像、垂直镜像、改变RGB通道为RBG、改变RGB通道为BGR的方法中任意一种或多种增强预处理图像得到多个增强图像，使眼底图像进行数据增强得到的增强图像的数量增加五倍。

进一步地，在S300中，分别通过第一迁移网络和第二迁移网络对增强图像进行分类得到第一分类结果和第二分类结果的方法为：