[发明专利]基于注意力机制的视网膜静脉阻塞炫彩图像分类系统

说明书

本发明公开一种基于注意力机制的视网膜静脉阻塞炫彩图像分类系统，包括：获取模块，被配置为获取视网膜炫彩图像；训练模块，被配置为对视网膜炫彩图像进行特征提取，对提取的不同分支的图像特征基于注意力机制进行全局和局部的特征融合，根据融合特征对分类模型进行训练；分类模块，被配置为对待分类视网膜炫彩图像根据训练后的分类模型得到视网膜静脉阻塞的病理分类结果。将多尺度图像特征作为分类依据，引入注意力机制充分融合多尺度下的全局和局部特征，提高视网膜静脉阻塞炫彩图像分类准确率。

技术领域

本发明涉及医疗影像处理技术领域，特别是涉及一种基于注意力机制的视网膜静脉阻塞炫彩图像分类系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

视网膜静脉阻塞根据血管阻塞部位的不同可以分为视网膜中央静脉阻塞和视网膜分支静脉阻塞，对于视网膜静脉阻塞的确切发病机制医学专家们尚不明确，临床上也尚无有效的药物治疗，因此，及时的诊断和干预非常有必要。

对于在临床检查中得到的视力损伤患者的图像，眼科医生需要依靠自身的医疗影像学知识、眼科病理学知识等，通过对患者的每张视网膜图像进行准确的分类，才能对患者进行下一步的检查或者采取有效的治疗方案。但是，对患者的每张视网膜图像进行分类需要花费眼科医生很多的时间和精力，在这个过程中也比较容易产生主观误判。

因此，通过面向视网膜病理图像的人工智能技术可以帮助医生在早期发现视网膜静脉阻塞等疾病。然而现有深度学习的方法仅将自然图像的分类算法移植到视网膜图像中，没有考虑视网膜图像包含多层血管组织结构的特点，所以这些方法对视网膜静脉阻塞图像分类的准确率不高。

发明内容

为了解决上述问题，本发明提出了一种基于注意力机制的视网膜静脉阻塞炫彩图像分类系统，将多尺度图像特征作为分类依据，引入注意力机制充分融合多尺度下的全局和局部特征，提高视网膜静脉阻塞炫彩图像分类准确率。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种基于注意力机制的视网膜静脉阻塞炫彩图像分类系统，包括：

获取模块，被配置为获取视网膜炫彩图像；

训练模块，被配置为对视网膜炫彩图像进行特征提取，对提取的不同分支的图像特征基于注意力机制进行全局和局部的特征融合，根据融合特征对分类模型进行训练；

分类模块，被配置为对待分类视网膜炫彩图像根据训练后的分类模型得到视网膜静脉阻塞的病理分类结果。

作为可选择的实施方式，所述分类系统还包括预处理模块，用于对视网膜炫彩图像进行裁剪、图像增强和尺度调整的预处理。

作为可选择的实施方式，所述预处理模块包括：

裁剪模块，用于对视网膜炫彩图像进行边缘背景的裁剪；

图像增强模块，用于对裁剪后的视网膜炫彩图像进行图像增强处理，包括旋转、翻转、平移、锐化、增加噪声和增加对比度的操作；

尺度调整模块，用于对图像增强后的视网膜炫彩图像进行尺度调整处理，以满足分类模型的输入要求。

作为可选择的实施方式，所述获取模块获取四种模态的视网膜炫彩图像，具体包括：488nm的蓝光反射图像、515nm的绿光反射图像、820nm的红外光反射图像以及标准炫彩图像。

作为可选择的实施方式，所述分类模型包括特征提取网络，所述特征提取网络采用多层卷积神经网络对多种模态的视网膜炫彩图像进行特征提取。

作为可选择的实施方式，所述分类模型包括特征融合网络，特征融合网络引入注意力机制，通过捕获上下文远距离信息，对不同分支的图像特征进行全局和局部的特征融合。