CN112419256A - 基于模糊图神经网络的糖网病眼底图像分级方法 - Google Patents

基于模糊图神经网络的糖网病眼底图像分级方法 Download PDF

Info

Publication number
CN112419256A
CN112419256A CN202011284149.9A CN202011284149A CN112419256A CN 112419256 A CN112419256 A CN 112419256A CN 202011284149 A CN202011284149 A CN 202011284149A CN 112419256 A CN112419256 A CN 112419256A
Authority
CN
China
Prior art keywords
fundus
nodes
graph
membership function
function module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011284149.9A
Other languages
English (en)
Inventor
魏彤
侯君临
冯瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202011284149.9A priority Critical patent/CN112419256A/zh
Publication of CN112419256A publication Critical patent/CN112419256A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于模糊图神经网络的糖网病眼底图像分级方法，通过一个预先训练完成的糖网病眼底图像分级模型对糖网病眼底图像进行分级，该模型具有特征提取器、关系编码器、隶属函数模块以及图分类器，方法包括如下步骤：步骤S1，利用特征提取器对糖网病眼底图像进行特征提取得到眼底特征；步骤S2，将眼底特征以及预训练的支持集中的图像特征作为节点并通过关系编码器和隶属函数模块构建稀疏图结构；步骤S3，在稀疏图结构上，通过图分类器进行关注节点特征的图网络更新，对更新过后的节点进行分类完成糖网病眼底图像的分级；步骤S4，判断支持集中的图像数量是否达到预设的数量上限，若否则将将糖网病眼底图像加入到支持集中从而形成新的支持集。

Description

基于模糊图神经网络的糖网病眼底图像分级方法
技术领域
本发明属于深度学习领域，具体涉及一种基于模糊图神经网络的糖网病眼底图像分级方法。
背景技术
糖尿病视网膜病变(Diabetic Retinopathy,DR)，属于糖尿病引起的一种眼科疾病，又称为糖网病。在医学上，糖网病可以简单地分为增殖期和非增殖期，更具体的划分如下：(1)无病，视网膜无异常；(2)轻度非增生期(mild NPDR)，微小出血点出现在患者视网膜上；(3)中度非增生期(moderate NPDR)，表现为出血范围扩大并伴有硬性渗出；(4)重度非增生期(severe NPDR)，新血管和絮状斑开始出现；(5)增生期(PDR)，玻璃体受到破坏，大部分失明案例也是在这一阶段发生。其中处于增生期的糖网病还可以细分为三级，本文不再赘述。眼底图像中，不同的病灶随着疾病的发展也会发生很多变化。
目前常用的检测手段是利用从专业的眼底照相机获取患者眼底图像，这种眼底图像因为其无可替代的特性，是目前最可靠的诊断依据。其特点有：(1)眼底图像利于医生无创观察到深层的微血管；(2)由于视网膜的封闭性，很少出现老化、变形、磨损等问题，所以得到的结论比较可靠；(3)其他疾病很难影响到视网膜的结构，这使得医生的误诊率大大降低。
传统的糖网病检测需要医生人工来进行操作与诊断，这一方法存在优点，但是费力且低效，对一个受过专业训练的医生而言，需要针对每一个患者的眼底图像都需要进行检查并做出判断；对于患者而言，采集完眼底图像之后，往往需要经过数天的等待才能得到结果。
近些年，随着人工智能和深度学习在各行各业的落地，尤其是计算机视觉中的图像识别、分割以及检测等领域，在某些特定的任务上，其水平已经超越一般人类。但目前在糖网病眼底图像分类任务中，由于病理图像与自然图像有着很大的区别，眼底图像特征较为稀疏，并且数据分布及其不平衡等问题，会对眼底图像的识别造成影响。
发明内容
为解决上述问题，提供一种基于模糊图神经网络的糖网病眼底图像分级方法，该方法将模糊控制理论和图神经网络方法结合，能够形成强先验图结构，这种结构能够在数据量不足的情况下，有效的对糖网病眼底图像进行分级。本发明具体采用了如下技术方案：
本发明提供了一种基于模糊图神经网络的糖网病眼底图像分级方法，其特征在于，通过一个预先训练完成的糖网病眼底图像分级模型对糖网病眼底图像进行分级，该糖网病眼底图像分级模型具有特征提取器、关系编码器、隶属函数模块以及图分类器，糖网病眼底图像分级方法包括如下步骤：步骤S1，利用特征提取器对糖网病眼底图像进行特征提取得到眼底特征；步骤S2，将眼底特征以及预训练的支持集中的图像特征作为节点，并基于该节点以及关系编码器和隶属函数模块构建出相应的稀疏图结构；步骤S3，在稀疏图结构上，通过图分类器进行关注节点特征的图网络更新，对更新过后的节点进行分类得到最终的图片分类结果从而完成糖网病眼底图像的分级；步骤S4，判断支持集中的图像数量是否达到预设的数量上限，若否则将将糖网病眼底图像加入到支持集中从而形成新的支持集，其中，步骤S2的具体包括：步骤S2-1，将眼底特征以及预训练的支持集中的图像特征作为节点形成一个图结构，并通过关系编码器预测出图结构中的每一条边所对应的两个节点是否属于同一类别的预测值；步骤S2-2，通过隶属函数模块根据预测值对图结构进行断边从而形成稀疏图结构，当隶属函数模块根据预测值判定边的两个节点属于不同类别时，隶属函数模块将边截断，当隶属函数模块根据预测值判定边的两个节点属于同一类别时，隶属函数模块加强两个节点之间的关系，当隶属函数模块根据预测值无法判定两个节点是否属于同一类别时，隶属函数模块用一个线性映射处理两个节点之间的关系。
本发明提供的基于模糊图神经网络的糖网病眼底图像分级方法，还可以具有这样的技术特征，其中，经过隶属函数模块的权重矩阵同时也是图分类器中的稀疏图结构的邻接矩阵。
本发明提供的基于模糊图神经网络的糖网病眼底图像分级方法，还可以具有这样的技术特征，其中，特征提取器为一个拥有残差结构的ResNet121网络，该ResNet121网络采用了预训练的权重进行了初始化。
本发明提供的基于模糊图神经网络的糖网病眼底图像分级方法，还可以具有这样的技术特征，其中，关系编码器为度量网络，预测值为节点之间的相似度。
发明作用与效果
根据本发明的基于模糊图神经网络的糖网病眼底图像分级方法，由于在通过特征提取器提取糖网病眼底图像的眼底特征后，通过支持集中的多个图像特征与眼底特征作为节点并生成相应的图结构，接下来将节点之间的关系作为一个模糊问题来处理，并设计了一个隶属函数来计算元域中的每一个元素对模糊集的隶属度，从而得到各个节点之间的可靠的关系表征，因此，通过这样的方式能够为后续的图分类器提供一个强先验的图结构，这种模糊图神经网络结构具备很强的泛化能力，能够有效的在小规模的眼底图像数据行进行训练。因此，本发明实施例提供的基于模糊图神经网络的糖网病眼底图像分级方法能够在数据集规模较小且类别严重不均衡的情况下，对糖网病眼底图像进行分级，并且具备很强的泛化能力与很高的精度。
附图说明
图1是本发明实施例中的Kaggle数据集样本分布表；
图2是本发明实施例中的社区医院数据集样本分布表；
图3是本发明实施例中糖网病眼底图像分级模型的算法流程图
图4是本发明实施例中糖网病眼底图像分级模型所设置的隶属函数图；
图5是本发明实施例中各类别AUC变化表；
图6是本发明实施例中基于模糊图神经网络的糖网病眼底图像分级方法的流程图；以及
图7是本发明实施例中糖网病眼底图像的分级示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于模糊图神经网络的糖网病眼底图像分级方法作具体阐述。
<实施例>
本实施例涉及一种基于模糊图神经网络的糖网病眼底图像分级方法，该方法采用2015年的kaggle竞赛的数据集作为模型的预训练数据集，数据集的各个等级的眼底图像分布如图1所示。为了确保模型的泛化能力，这29874张眼底图像来自多种彩色眼底相机。由专业的眼科医生对每一张图片进行了精细的分级，数据标签以眼睛为单位，每一个受试者的左右眼图像等级可能不同。
接下来，该方法在进行元学习训练的时候，使用从社区医院采集来的数据，数据分布如图2所示，由于数据分布的极度不均衡，采用欠采样的方式对数据集进行采样。数据的测试集和训练集的分布是以社区为标准，选取其中的两个社区的数据作为测试集，其他数据作为训练集。
本实施例的基于模糊图神经网络的糖网病眼底图像分级方法通过一个糖网病眼底图像分级模型实现。在进行分级前，首先搭建糖网病眼底图像分级模型，然后进行模型中的特征提取器的权重预训练，作为模型训练的初始化权重，其次进行糖网病眼底图像分级模型的训练。在训练完成之后，进行眼底图像的初始支持集的构建，在验证过程中不断完善这一支持集，最后得到一个训练完好的模型和一个完备的眼底图像支持集。具体包括四个过程：搭建模型，预训练，元学习训练，完善支持集。最后利用该训练完好的模型和完备的眼底图像支持集进行糖网病图像的分级。
在本实施例中，该模型以及用作对比的所有深度多示例学习模型都是在4张12G显存的英伟达GeForce GTX 1080TI上训练的，使用的深度学习框架为Pytorch，服务器系统为Ubuntu。指标则是ROC曲线的AUC值。
图3是本发明实施例中糖网病眼底图像分级模型的算法流程图。
如图3所示，糖网病眼底图像识别模型100包括特征提取器101、关系编码器102、隶属函数模块103以及图分类器104。
就特征提取器101而言，为了能够泛化到一个较小样本的数据集中，需要再一个较大的糖网病眼底图像数据集上进行预训练，同时为了适应病理图像稀疏特征的特点，因此本实施例采用了预训练的ResNet-12作为主干网络，该ResNet-12拥有残差结构。
定义Θ标识特征提取器101，定义θ’为零时的分类器，那么用来优化特征提取器101的损失函数如下式所示：
Figure BDA0002781788280000071
其中，lp代表交叉熵损失函数，Dtrain代表训练集，x为眼底图像样本，y为样本标签。
在特征提取器101预训练完成之后、整个糖网病眼底图像识别模型进行元学习训练时，特征提取器101仍会以一个很小的学习率进行参数更新。
在进行元学习训练时，关系编码器102先被用完成来预测节点之间的关系的任务，然后在最后一层输出节点关系的预测值。接着隶属函数模块103用来将节点之间的模糊的关系之转化为图网络的强关系归纳偏执，并为图分类器提供一个稀疏的图结构。
在模糊图神经网络中，节点代表眼底图的特征，边代表两端节点之间的关系。在每一个元学习任务T中，图结构可以表示为G＝(V；E；T)。图结构中的节点表示为V＝(Vi)i＝1:|T|，节点的特征表示为Vi。图结构中的边表示为E＝{Ei,j}i,j＝1:|T|，边的特征表示为ei。在每一个元学习任务中，从训练集中抽取样本X＝{xi}i＝1:|T|，样本对应的标签表示为Y＝{yi}i＝1:|T|。在边预测的任务中，边的分类的真值定义为：
Figure BDA0002781788280000072
其中，yi和yj分别代表节点i和j的样本标签
Figure BDA0002781788280000073
代表节点间边的真值。
关系编码器102是一个用图网络搭建的度量网络，主要作用是计算并优化节点之间的相似度。当信息在图中传播的时候，图结构中的边和节点不仅仅获得与它们相邻的边与节点的信息，随着图网络层数的加深，它们会获得来自全局的信息。这就导致了计算两个节点之间的关系时，并不仅仅参考这两个节点的特征，还要参考全局信息。
和传统的EGNN不同，本实施例对关系编码器102的结构进行了一些优化，并将节点预测任务的分类结果，通过一个隶属函数模块103，转化为图分类器104所需的图结构信息。在进行边预测任务的时候，节点的初始特征是从特征提取器101中得到的。对于关系编码器102的第l层，先用边更新函数对边的特征更新，函数的输入是边的两端的节点特征：
Figure BDA0002781788280000081
式中，
Figure BDA0002781788280000082
代表第l+1层图网络的输出边特征，
Figure BDA0002781788280000083
和
Figure BDA0002781788280000084
分别代表节点i和j在第l层图网络中的特征。
在边更新结束后，用节点更新函数对节点进行更新：
Figure BDA0002781788280000085
式中，||代表特征的级联，
Figure BDA0002781788280000086
和
Figure BDA0002781788280000087
分别代表节点i和j在第l-1层图网络中的特征，
Figure BDA0002781788280000088
代表第l-1层图网络的输出边特征
关系编码器φ通过节点关系预测任务进行更新，损失函数如下：
Figure BDA0002781788280000089
其中，L1代表关系编码器中的图网络的总层数，
Figure BDA00027817882800000810
代表第L1层图网络的输出边特征。边特征最后的输出被设为一维向量，从而避免使用多余的分类器。
理论上，模糊推理系统可以包含任何需要使用的模糊聚合策略，本实施例中则使用隶属函数(即隶属函数模块103)来对从关系编码器102输出的结果进行关系推理。通俗地讲，隶属函数就是一个对元域的映射函数，定义如下：
Figure BDA0002781788280000091
式中，ζ和η是人为设定的先验阈值。
当模型判断两个节点有极大的概率是不同类别的图像时，隶属函数模块103就将这两个节点之间的边截断；当模型认为两个节点有很大的概率是同一个类别的时候，隶属函数模块103就加强这种关系。当模型判断不出节点之间的关系的时候，即可以认为模型给出的得分是不可信赖的，隶属函数模块103就用一个线性映射来处理这种关系。经过隶属函数模块103的计算之后的图结构已经不再是一个仅仅带有模糊权重的图，而是有一个强归纳偏执的图结构，能提供一些先验的信息。
图4本发明实施例中糖网病眼底图像分级模型所设置的隶属函数图。
值得注意的是，截断的阈值的大小很大程度上影响了隶属函数对模型的影响。因此，如图4所示，隶属度一般指元域中的值属于某一集合的程度；元域一般指用于隶属度计算的样本合集。在这里，图网络中边的节点特征作为元域，求得的隶属度用于图结构断边的依据。
本实施例中，经过隶属函数的权重矩阵表示为A，它同时也是图分类器中的图结构的邻接矩阵，这与传统的图网络工作有很大的不同。
图分类器104通过公式(4)来更新节点特征，值得注意的是，图分类器104中的节点更新函数与关系编码器102中的函数并不是同一个，它们有着各自的参数。
对于每一个元学习任务T,用于优化图分类器104的交叉熵损失函数如下：
Figure BDA0002781788280000101
式中，N代表类别的个数(本实施例中为5)，K代表一个元学习任务中，支持集中每一个类别的样本数，L2代表图分类器中的图网络的层数。
定义Tq为元学习任务T中的查询集，Yq代表查询集对应的标签。对于节点*，本实施例采用交叉熵来优化整个模型的全部参数：
Figure BDA0002781788280000102
式中，Y*为节点*的得分向量。
对于糖网病眼底图像识别模型100中的一些细节，采用的标准化层为batchnormalization层，使用的激活函数都为LeakyReLU函数。由于图网络层数过多会产生过平滑的问题，关系编码器102和图分类器104中的图网络层数都为2层。在特征提取器101预训练时，使用Adam用于网络参数的更新，其学习率为0.01，batch为32，权重衰减权重为0.00001。在糖网病眼底图像识别模型100进行元学习任务训练时，也采用了Adam更新权重，设置关系编码器和图分类器的初始学习率分别为0.01和0.001，bathc为32，权重衰减系数为0.00001。对于Dropout层，统一设置丢失率为0.5。
在元学习任务训练时，对于每一个元学习任务，支持集都是重新抽样的，但是在测试阶段，支持集是累加的，即图网络的节点个数在不停地扩充。
模型对于每一个类别的AUC结果的表现如图5所示，随着支持集的数量的增加，模型的效果也随之增加，但是当支持集的数量达到一定程度之后，效果不再有明显的提升。让图网络中的节点数目增大后，模型对于类间差异与类内的相似度有了更好的把控，对待分类的节点的变权重也就越准确。当支持集中的数量达到一定程度之后，模型的能力达到了瓶颈，模型的效果无法再提升。随着支持集的样本量的增加，对硬件要求逐渐变高，当支持集的样本数量(即图像数量)达到200时，对于实验室现有的硬件条件，已经很难再增加。因此本实施例中，支持集的图像数量的数量上限设为200。
通过上述过程，即可得到一个训练好的糖网病眼底图像分级模型以及完备的支持集，接下来即可通过这两者进行糖网病眼底图像的分级。
图6是本发明实施例中基于模糊图神经网络的糖网病眼底图像分级方法的流程图。
如图6所示，糖网病眼底图像分级方法包括如下步骤S1至步骤S6。
步骤S1，利用特征提取器101对糖网病眼底图像进行特征提取得到眼底特征；
步骤S2，将眼底特征以及预训练的支持集中的图像特征作为节点，并基于该节点以及关系编码器102和隶属函数模块103构建出相应的稀疏图结构。步骤S2的具体包括子步骤S2-1至S2-2。
步骤S2-1，将眼底特征以及预训练的支持集中的图像特征作为节点形成一个图结构，并通过关系编码器102预测出图结构中的每一条边所对应的两个节点是否属于同一类别的预测值。
步骤S2-2，接着使用隶属函数来对上一步的输出结果进行关系推理，通过隶属函数模块103根据预测值对图结构进行断边从而形成稀疏图结构。
在本实施例的步骤S2-2中，隶属函数模块103根据预测值具体进行了如下处理：
当隶属函数模块根据预测值判定边的两个节点属于不同类别时，隶属函数模块将边截断，
当隶属函数模块根据预测值判定边的两个节点属于同一类别时，隶属函数模块加强两个节点之间的关系，
当隶属函数模块根据预测值无法判定两个节点是否属于同一类别时，隶属函数模块用一个线性映射处理两个节点之间的关系。
通过上述步骤S2-2的计算之后的图结构已经不再是一个仅仅带有模糊权重的图了，而是有一个强归纳偏执的稀疏的图结构，能提供很强的先验信息。
步骤S3，在稀疏图结构上，通过图分类器进行关注节点特征的图网络更新，对更新过后的节点进行分类得到最终的图片分类结果。
通过上述步骤S1至S3，即完成了糖网病眼底图像的分级。
图7是本发明实施例中糖网病眼底图像的分级示意图。
如图7所示，糖网病眼底图像可以分为正常、轻度非增生DR、中度非增生DR、严重非增生DR以及增生DR五种类别。
步骤S4，如果支持集中的图像数量还没有达到设置的上限，将糖网病眼底图像加入到支持集中去，形成新的支持集。
另外，若在糖网病眼底图像识别模型100的测试阶段中，支持集中的图像数量并未达到数量上限，那么还可以通过步骤S4，来将糖网病眼底图像识别模型100在实际使用过程中的糖网病眼底图像加入到支持集中，从而使得支持集在使用过程中被完善。
实施例作用与效果
根据本实施例提供的基于模糊图神经网络的糖网病眼底图像分级方法，由于在通过特征提取器提取糖网病眼底图像的眼底特征后，通过支持集中的多个图像特征与眼底特征作为节点并生成相应的图结构，接下来将节点之间的关系作为一个模糊问题来处理，并设计了一个隶属函数来计算元域中的每一个元素对模糊集的隶属度，从而得到各个节点之间的可靠的关系表征，因此，通过这样的方式能够为后续的图分类器提供一个强先验的图结构，这种模糊图神经网络结构具备很强的泛化能力，能够有效的在小规模的眼底图像数据行进行训练。因此，本发明实施例提供的基于模糊图神经网络的糖网病眼底图像分级方法能够在数据集规模较小且类别严重不均衡的情况下，对糖网病眼底图像进行分级，并且具备很强的泛化能力与很高的精度。
实施例中，在糖网病眼底图像分级的训练过程中，由于采用模糊控制理论为每一个元学习任务生成不同的图结构，从而一定程度上避免了在全连接的图结构下的噪音传播。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (4)

1.一种基于模糊图神经网络的糖网病眼底图像分级方法，其特征在于，通过一个预先训练完成的糖网病眼底图像分级模型对糖网病眼底图像进行分级，该糖网病眼底图像分级模型具有特征提取器、关系编码器、隶属函数模块以及图分类器，所述糖网病眼底图像分级方法包括如下步骤：
步骤S1，利用所述特征提取器对所述糖网病眼底图像进行特征提取得到眼底特征；
步骤S2，将所述眼底特征以及预训练的支持集中的图像特征作为节点，并基于该节点以及所述关系编码器和所述隶属函数模块构建出相应的稀疏图结构；
步骤S3，在所述稀疏图结构上，通过所述图分类器进行关注节点特征的图网络更新，对更新过后的节点进行分类得到最终的图片分类结果从而完成所述糖网病眼底图像的分级；
步骤S4，判断所述支持集中的图像数量是否达到预设的数量上限，若否则将所述糖网病眼底图像加入到所述支持集中从而形成新的所述支持集，
其中，所述步骤S2的具体包括：
步骤S2-1，将所述眼底特征以及预训练的支持集中的图像特征作为节点形成一个图结构，并通过所述关系编码器预测出所述图结构中的每一条边所对应的两个所述节点是否属于同一类别的预测值；
步骤S2-2，通过所述隶属函数模块根据所述预测值对所述图结构进行断边从而形成稀疏图结构，
当所述隶属函数模块根据所述预测值判定所述边的两个所述节点属于不同类别时，所述隶属函数模块将所述边截断，
当所述隶属函数模块根据所述预测值判定所述边的两个所述节点属于同一类别时，所述隶属函数模块加强两个所述节点之间的关系，
当所述隶属函数模块根据所述预测值无法判定两个所述节点是否属于同一类别时，所述隶属函数模块用一个线性映射处理两个所述节点之间的关系。
2.根据权利要求1所述的基于模糊图神经网络的糖网病眼底图像分级方法，其特征在于：
其中，经过所述隶属函数模块的权重矩阵同时也是所述图分类器中的所述稀疏图结构的邻接矩阵。
3.根据权利要求1所述的基于模糊图神经网络的糖网病眼底图像分级方法，其特征在于：
其中，所述特征提取器为一个拥有残差结构的ResNet121网络，该ResNet121网络采用了预训练的权重进行了初始化。
4.根据权利要求1所述的基于模糊图神经网络的糖网病眼底图像分级方法，其特征在于：
其中，所述关系编码器为度量网络，所述预测值为所述节点之间的相似度。
CN202011284149.9A 2020-11-17 2020-11-17 基于模糊图神经网络的糖网病眼底图像分级方法 Pending CN112419256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011284149.9A CN112419256A (zh) 2020-11-17 2020-11-17 基于模糊图神经网络的糖网病眼底图像分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011284149.9A CN112419256A (zh) 2020-11-17 2020-11-17 基于模糊图神经网络的糖网病眼底图像分级方法

Publications (1)

Publication Number Publication Date
CN112419256A true CN112419256A (zh) 2021-02-26

Family

ID=74832095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011284149.9A Pending CN112419256A (zh) 2020-11-17 2020-11-17 基于模糊图神经网络的糖网病眼底图像分级方法

Country Status (1)

Country Link
CN (1) CN112419256A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053468A (zh) * 2021-05-31 2021-06-29 之江实验室 一种融合患者画像信息的药物新适应症发现方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837803A (zh) * 2019-11-07 2020-02-25 复旦大学 基于深度图网络的糖尿病视网膜病变分级方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837803A (zh) * 2019-11-07 2020-02-25 复旦大学 基于深度图网络的糖尿病视网膜病变分级方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TONG WEI ET AL.: "Fuzzy Graph Neural Network for Few-Shot Learning", 《2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053468A (zh) * 2021-05-31 2021-06-29 之江实验室 一种融合患者画像信息的药物新适应症发现方法及系统

Similar Documents

Publication Publication Date Title
Zhou et al. Automatic cataract classification using deep neural network with discrete state transition
CN110197493B (zh) 眼底图像血管分割方法
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN111261282A (zh) 一种基于机器学习的脓毒症早期预测方法
WO2023143628A1 (zh) 基于遗传模糊树的视网膜糖尿病变深度网络检测方法
JP2011520503A (ja) 自動陥凹乳頭比測定システム
CN115205300A (zh) 基于空洞卷积和语义融合的眼底血管图像分割方法与系统
CN109583331B (zh) 基于深度学习的人手腕脉口位置精准定位方法
CN111161287A (zh) 基于对称双向级联网络深度学习的视网膜血管分割方法
CN111080643A (zh) 基于眼底图像的糖尿病及相关疾病的分类方法及设备
CN113011340B (zh) 一种基于视网膜图像的心血管手术指标风险分类方法及系统
Singh et al. Collaboration of features optimization techniques for the effective diagnosis of glaucoma in retinal fundus images
CN109919938A (zh) 青光眼的视盘分割图谱获取方法
CN113889267A (zh) 基于眼象识别的糖尿病诊断模型的构建方法和电子设备
CN110491506A (zh) 心房颤动预测模型及其预测系统
Ma et al. Retinal vessel segmentation based on generative adversarial network and dilated convolution
Morales-Lopez et al. Cataract detection and classification systems using computational intelligence: A survey
Sharma et al. Automatic glaucoma diagnosis in digital fundus images using deep CNNs
CN112419256A (zh) 基于模糊图神经网络的糖网病眼底图像分级方法
US6941288B2 (en) Online learning method in a decision system
CN113421250A (zh) 一种基于无病变影像训练的眼底疾病智能诊断方法
Lu et al. Data enhancement and deep learning for bone age assessment using the standards of skeletal maturity of hand and wrist for chinese
Kanse et al. HG-SVNN: harmonic genetic-based support vector neural network classifier for the glaucoma detection
Kassim et al. Sensitivity of cross-trained deep cnns for retinal vessel extraction
Mehidi et al. Retinal image segmentation u sing clustering methods: Performance analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210226