[发明专利]一种基于无监督异构蒸馏框架的视网膜OCT图像病变分类方法

权利要求书

1.一种基于无监督特征蒸馏框架的视网膜OCT图像病变分类方法，其特征在于该方法的步骤包括：

S1，对输入的视网膜OCT图像进行预处理，教师网络提取预处理后的视网膜OCT图像的特征，得到四组不同尺度的特征，四组不同尺度的特征分别为教师网络的第一阶段特征、教师网络的第二阶段特征、教师网络的第三阶段特征和教师网络的第四阶段特征；

S2，学生网络以步骤S1得到的教师网络的第四阶段特征作为输入，生成三组不同尺度的特征，三组不同尺度的特征分别为学生网络的第三阶段特征、学生网络的第二阶段特征和学生网络的第一阶段特征；

S3，对学生网络进行参数优化，学生网络的优化目标是使得学生网络的第一阶段特征更接近教师网络的第一阶段特征、学生网络的第二阶段特征更接近教师网络的第二阶段特征、学生网络的第三阶段特征更接近教师网络的第三阶段特征，最终得到优化后的学生网络；

S4,使用教师网络提取待测视网膜OCT图像的特征，得到四组不同尺度的特征，四组不同尺度的特征分别为教师网络的第一阶段特征、教师网络的第二阶段特征、教师网络的第三阶段特征和教师网络的第四阶段特征；

S5，以步骤S4得到的教师网络的第四阶段特征作为步骤S3优化后的学生网络的输入，生成三组不同尺度的特征，三组不同尺度的特征分别为学生网络的第三阶段特征、学生网络的第二阶段特征和学生网络的第一阶段特征；

S6，计算步骤S4得到的教师网络的第一阶段特征与步骤S5得到的学生网络的第一阶段特征的相似度，进而用于计算第一阶段病变得分Score₁，计算教师网络的第二阶段特征与步骤S5得到的学生网络的第二阶段特征的相似度，进而计算第二阶段病变得分Score₂，计算教师网络的第三阶段特征与步骤S5得到的学生网络的第三阶段特征的相似度，进而计算第三阶段病变得分Score₃，将第一阶病变得分Score₁、第二阶段病变得分Score₂和第三阶段病变得分Score₃相加，得到待测图像最终的病变得分Score。

2.根据权利要求1所述的一种基于无监督特征蒸馏框架的视网膜OCT图像病变分类方法，其特征在于：

所述的步骤S1中，对输入的视网膜OCT图像进行预处理具体为：将输入的视网膜OCT图像压缩至分辨率为(H,W)的大小；H的取值范围为224～448像素，W与H相同。

3.根据权利要求1或2所述的一种基于无监督特征蒸馏框架的视网膜OCT图像病变分类方法，其特征在于：

所述的步骤S1中，教师网络为ResNet分类卷积神经网络、DenseNet分类卷积神经网络或VGGNet等分类卷积神经网络，

教师网络使用在ImageNet数据集上预先训练好的权重作为初始化，并且训练阶段教师网络的参数权重不更新。

4.根据权利要求1或2所述的一种基于无监督特征蒸馏框架的视网膜OCT图像病变分类方法，其特征在于：

所述的步骤S1中，教师网络提取特征的方法为：将预处理后分辨率为(H,W)的视网膜OCT图像输入到教师网络的第一个阶段特征提取器后，特征的维度转变成(H/4,W/4,64)得到教师网络的第一阶段特征；

教师网络的第二阶段特征提取器将第一阶段特征提取压缩成教师网络的第二阶段特征，维度为(H/8,W/8,128)；

教师网络的第三阶段特征提取器将第二阶段特征提取压缩为教师网络的第三阶段特征，维度为(H/16,W/16,256)；

教师网络的第四阶段特征提取器将第三阶段特征提取压缩为教师网络的第四阶段特征，维度为(H/32,W/32,512)。

5.根据权利要求1所述的一种基于无监督特征蒸馏框架的视网膜OCT图像病变分类方法，其特征在于：

所述步骤S2中，学生网络由卷积神经网络和Transformer模块混合而成，卷积神经网络包含两个连续的卷积核大小为3×3的卷积，其中卷积的步长为1×1，填充padding为1；Transformer模块为多尺度稀疏transformer模块。