[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

说明书

本发明涉及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，属于图像分类技术领域。该方法包含一个教师网络和一个学生网络,教师网络以在自然图像上预先训练的参数作为教师网络的初始参数,训练所述方法时只需要少量正常的视网膜OCT图像，并且在训练时教师网络不更新参数,学生网络以教师网络的特征为输入，并且学习教师网络产生的浅层特征,在测试阶段，通过对比教师网络和学生网络产生特征的差异来判断待测图像是否是病变图像,这样能有缓解训练深度学习网络需要大量医学图像标注的问题。

技术领域

本发明涉及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，属于图像分类技术领域。

背景技术

据世界卫生组织统计，在2010年全球大约有3亿人受到眼疾困扰，其中包括3900万人失明。大约80％的视力损伤可以通过预防可以得到避免。在所有可能导致视力受损的因素中，眼底病变是一个重要因素。常见的眼底病有糖尿病黄斑水肿、视网膜阻塞和青光眼等。

眼底疾病的预防和早期针对可以避免失明和视力的损伤。光学相干断层扫描技术(Optical Coherence Tomography,OCT)作为一种新型的医学成像技术被用于眼科疾病的诊断和治疗。OCT成像技术具有无创、无侵入的优点，因此适用于眼底织成像。它可通过采集到的二维扫描切片对视网膜进行三维建模，极大便利了医生的诊断。通过OCT技术获取黄斑中心和视盘中心附近的扫描图像，就可初步地对视网膜形态进行评估。由于OCT技术可以获得更深层和更细致的视网膜结构信息，使得对眼部疾病的定性以及判断更加精确。

视网膜OCT图像分类方法可以分为基于手工特征的传统方法和基于卷积神经网络(CNN)的深度学习方法。传统方法主要包括边缘检测方法、阈值方法、色差方法和超像素方法。这些方法主要基于手工特征进行图像分类，容易受到图像质量和噪声损伤的影响。与传统方法相比，卷积神经网络可以自动从图像中提取特征。许多基于CNN的变体已经被提出来分类视网膜OCT图像。虽然基于CNN的方法比手工制作的基于特征的方法具有更好的性能，但是基于CNN的OCT图像分类方法需要大量的医学标注用于模型的训练才能提高模型的性能。

不同于自然图像的标注，医学图像的病变标注必须要有经验丰富的医生进行标注。经典的深度学习方法用于视网膜OCT图像分类需要大量带有标注的视网膜OCT图像。然而标注大量的视网膜OCT图像将会给医生带来巨大的负担，一些具有较高准确度的无监督方法成为当前医学图像分析的焦点。

发明内容

针对现有技术中的缺陷，本发明提供一种视网膜OCT图像病变分类方法，用于解决现有技术需要大量医学标注才能实现模型较高性能的问题。

本发明的技术解决方案是：

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，该方法中使用一个教师网络和一个学生网络，教师网络以在自然图像上预先训练的参数作为教师网络的初始参数，训练所述方法时只需要少量正常的视网膜OCT图像，并且在训练时教师网络不更新参数，学生网络以教师网络的特征为输入，并且学习教师网络产生的浅层特征，在测试阶段，通过对比教师网络和学生网络产生特征的差异来判断待测图像是否是病变图像，这样能有缓解训练深度学习网络需要大量医学图像标注的问题；

该方法具体包含以下步骤：

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学生网络是一个卷积神经网络和transformer模块混合而成的混合网络；