基于多层级联融合网络的糖网病检测

发布时间：2021-03-28 01:00

　　糖尿病视网膜病变图像的快速分析和自动识别关键在于糖网病图像特征的提取,针对糖网病特征的不明显和病灶种类多,分布、形态各异等问题,使用了OCT图像数据集代替眼底图像数据集.提出了一种基于多层级联融合网络的糖网病检测方法,可高效、准确的识别与提取高分辨率的OCT图像中每一类的病变的样本特征,运用这些特征训练softmax分类器,用于OCT图像的自动识别.在训练过程中,使用空间金字塔结构对多层的特征图处理,并将处理后的特征进行融合.结果表明该算法能有效的识别OCT图像类别,较其他的神经网络模型,具有更高的准确率和综合评价标准. 

【文章来源】：中南民族大学学报(自然科学版). 2020,39(04)

【文章页数】：7 页

【部分图文】：

HED-KA-net结构

由图1可看出:(a)网络,输入的图像进入多个网络,每个网络的层数和参数不同,得到的特征图大小不同,反应网络多尺度结构,网络的最后一层利用特定的卷积核将所有输出的结果合并,得到最后的输出结果.(b)网络,输入图像后提取每个卷积层生成的特征图融合一起后再通过一个卷积层得到输出结果.(a)和(b)差异在于(a)通过不同的网络的不同卷积层,(b)是在同一网络的不同卷积层提取特征图融合,但是他们都是使用一个loss函数进行回归训练.(c)网络是通过外部使尺度不同,即输入图像的大小不一致,但是通过相同的卷积核,得到的输出特征图也不一致.(d)网络是由(a)演化过来,相同的图像通过不同的独立网络,每个网络的深度和输出损失函数都不一致,不同的网络预测结果也不一致.将最后的结果综合分析,能得出更好结论.唯一的缺陷是需要比其它模型更多的数据量.(e)网络是HED综合前面的方法提出的,同样的输入图像大小,经过不同的卷积层,每一个卷积层的生成的特征图都不一致,保存特征图作为第一个结果,将后面的特征图做反卷积后,与之前的特征图相融合,融合后再通过一个卷积核就能得到第二个输出,结合了的两个输出结果就是模型最终的结果.HED论文中利用一个“权重混合层”解决每侧输出结果混合的问题,让整个模型学习混合权重.混合权重层的损失函数定义如公式 (1)所示:

空间金字塔池化结构是HE Kaiming提出的一个用于解决图片输入大小不一致的方法, 如图2所示.当图片强行归一化的时候,会扭曲图片,从而丢失图片携带的信息.空间金字塔池化结构原理简单,即将图片分块,每个块提取特征向量,这样对任意尺寸的特征图,都可以从中提取固定大小的特征向量,这样就兼容了多尺度的特征,最后将这些多尺度特征拼接成一个固定维度特征,与全连接层相连.1.3 多层级联融合网络的整体结构

【参考文献】：
期刊论文
[1]基于深度学习的语音识别方法研究[J]. 邵娜,李晓坤,刘磊,陈虹旭,郑永亮,杨磊.  智能计算机与应用. 2019(02)
[2]光学相干层析技术及其在生物医学中的应用[J]. 王新宇,张春平,张连顺,薛玲玲,张光寅.  光机电信息. 2001(09)



本文编号：3104575