本發(fā)明涉及深度學習醫(yī)學圖像處理，具體涉及一種用于超廣角眼底圖像的糖尿病視網(wǎng)膜病變特征解耦合方法。

背景技術(shù)：

1、超廣角眼底成像技術(shù)與傳統(tǒng)的彩色眼底成像技術(shù)相比，超廣角眼底成像技術(shù)具有成像速度快、覆蓋范圍廣、無需散瞳以及景深大的優(yōu)勢。自多年前超廣角成像技術(shù)成功商業(yè)化應用以來，大量眼科診所和專業(yè)眼科醫(yī)院紛紛引進該技術(shù)，如今，該技術(shù)已經(jīng)成為中國主流的眼底疾病檢查方法。

2、糖尿病視網(wǎng)膜病變：糖尿病性視網(wǎng)膜病變是一種累及眼睛的糖尿病并發(fā)癥，是由眼睛后部感光組織的血管損傷引起的。起初，糖尿病性視網(wǎng)膜病變可能不會引起癥狀，或是只造成輕微的視力問題，但此病可能導致失明，任何1型或2型糖尿病患者都可能會患上此病，患糖尿病的時間越長，血糖控制得越差，患這種眼部并發(fā)癥的可能性就越大。

3、特征解耦合：特征解耦合是一種設計神經(jīng)網(wǎng)絡架構(gòu)和訓練流程的方法，旨在使網(wǎng)絡學習到的特征之間相互獨立或不相關(guān)。特征解耦的主要目的是提高模型的泛化能力和解釋性。在實際應用中，特征解耦有助于深度學習模型更好地理解和處理復雜數(shù)據(jù)，如圖像、語音或文本等。

4、目前的解耦合超廣角眼底圖像中的糖尿病視網(wǎng)膜病變特征主要涉及以下具體的技術(shù)問題：

5、1.需要開發(fā)一套對超廣角眼底圖像特征解耦合有益的圖像預處理方法和圖像增強方法；

6、2.需要開發(fā)一個深度神經(jīng)特征解耦合模型，該模型能成功解耦超廣角眼底圖像特征，同時保證解耦合后特征具有明確意義；

7、3.應用解耦合后特征于具體計算機輔助糖尿病視網(wǎng)膜病變診斷任務，提高相關(guān)計算機輔助診斷系統(tǒng)的性能。

8、特征解耦合是表征學習領(lǐng)域的一個重要研究方向，但由于獲取超廣角眼底圖像的困難以及糖尿病視網(wǎng)膜病變解耦合任務的復雜性，相關(guān)研究報道較為稀少。為了更好的說明本發(fā)明的技術(shù)特點，以下將闡述與本發(fā)明接近的已公開特征解耦合相關(guān)專利文獻。

9、特征解耦合旨在分離特征中的混雜因素，在改善相關(guān)下游人工智能任務的性能的同時提高模型的可解釋性。尤亞楠等(cn202311499603.6，一種基于本質(zhì)因果推理的細粒度分類方法及系統(tǒng))通過一個預設的特征解耦合模塊對所提取到的本質(zhì)特征進行解耦合，具體而言通過將高維非正交空間中的特征向量映射到維度相同的另一個正交空間中解除特征之間的糾纏，最終完成細粒度的預測分類；操曉春等(cn202011447934.1，一種基于特征解耦合的人臉隱私保護方法和裝置)巧妙的利用多個編碼器和生成對抗的思想，將人臉特征解耦合為身份特征和外貌特征，在此基礎(chǔ)上通過對特征的操縱和生成實現(xiàn)對人臉隱私信息的保護；鄒斌等(cn202310523139.3，基于解耦與重構(gòu)學習的sar真假目標鑒別與目標識別方法)在編解碼器的建模范式下，通過設計特殊的解耦合損失函數(shù)解耦和重建合成孔徑雷達圖像，實現(xiàn)對合成孔徑雷達圖像中真假目標的鑒別和識別；王蕊等(cn202210148651.x，一種基于特征解耦合的文字-圖像對生成方法和裝置)通過跨模態(tài)文字信息在隱空間解耦合圖像特征中的獨立信息，在獲取有意義的解耦合特征的基礎(chǔ)上，通過操縱生成的方式實現(xiàn)可控圖像生成技術(shù)。

10、以上解耦合方法都是基于遙感影像或人臉圖像進行研究開發(fā)，特征解耦合作為實現(xiàn)可信人工智能的重要技術(shù)之一，對于未來構(gòu)件可靠的糖尿病視網(wǎng)膜病變計算機輔助診斷系統(tǒng)具有重大意義，所以當前亟需研究開發(fā)醫(yī)學圖像處理領(lǐng)域的特征解耦合方法。

技術(shù)實現(xiàn)思路

1、基于現(xiàn)有技術(shù)中存在的問題，本發(fā)明目的在于提供一種用于超廣角眼底圖像的糖尿病視網(wǎng)膜病變特征解耦合方法，訓練完成的特征解耦合網(wǎng)絡，其編碼器可以直接提取超廣角眼底圖像特征的診斷相關(guān)特征和診斷無關(guān)特征，其編碼器可以通過診斷相關(guān)特征和診斷無關(guān)特征直接生產(chǎn)特定條件下的超廣角眼底圖像特征。

2、本發(fā)明通過下述技術(shù)方案實現(xiàn)：

3、第一方面，本技術(shù)提供用于超廣角眼底圖像的糖尿病視網(wǎng)膜病變特征解耦合方法，包括依次進行數(shù)據(jù)預處理、數(shù)據(jù)增強、模型構(gòu)建、模型訓練與預測、模型應用。

4、進一步的，所述數(shù)據(jù)預處理包括以下步驟：

5、a、對所有超廣角眼底圖像進行中心剪裁，獲取剪裁后的超廣角眼底圖像；

6、b、對所有剪裁后的超廣角眼底圖像應用對比度自適應直方圖均衡化算法，獲取由對比度自適應直方圖均衡化處理后的超廣角眼底圖像；

7、c、對所有應用對比度自適應直方圖均衡化處理后的超廣角眼底圖像進行圖像縮放；

8、d、隨機劃分訓練數(shù)據(jù)集和測試數(shù)據(jù)集，計算各折劃分數(shù)據(jù)集中訓練數(shù)據(jù)集和驗證數(shù)據(jù)集和rgb三通統(tǒng)計特征，選取統(tǒng)計特征最接近的一折劃分結(jié)果作為最終的訓練數(shù)據(jù)集和驗證數(shù)據(jù)集。

9、進一步的，所述數(shù)據(jù)增強的方法包括圖像幾何變換增強方法、圖像像素變換增強方法。

10、進一步的，所述模型構(gòu)建采用多元高斯分布對待解耦合特征進行建模，并基于此設計一個特征解耦合損失函數(shù)來保證所建模特征的獨立性，同時也基于此設計一個糖尿病視網(wǎng)膜病變病情連續(xù)發(fā)展損失函數(shù)來保證所建模特征的指向性。

11、其中，糖尿病視網(wǎng)膜病變病情連續(xù)發(fā)展損失函數(shù)通過糖尿病視網(wǎng)膜病變病情連續(xù)發(fā)展模型進行計算；所述糖尿病視網(wǎng)膜病變病情連續(xù)發(fā)展模型是將糖尿病視網(wǎng)膜病變的病情發(fā)展視為一個連續(xù)的過程，下一個等級的糖尿病視網(wǎng)膜病變特征包含了上一個等級糖尿病視網(wǎng)膜病變的所有特征。

12、進一步的，所述特征解耦合損失函數(shù)ld為：

13、

14、其中，μc,μs,分別表示類相關(guān)特征和類不相關(guān)特征的均值和方差，j表示該特征的維度。

15、進一步的，所述糖尿病視網(wǎng)膜病變病情連續(xù)發(fā)展損失函數(shù)lchn為：

16、

17、其中y表示一個批處理中不同的糖尿病視網(wǎng)膜病變等級；w表示糖尿病視網(wǎng)膜病變病情連續(xù)發(fā)展模型中各個糖尿病視網(wǎng)膜病變等級相對與其前一個糖尿病視網(wǎng)膜病變等級的獨有特征，該特征依然通過高斯分布描述。

18、進一步的，所述模型訓練與預測包括以下步驟：

19、a、構(gòu)建模型訓練數(shù)據(jù)增強流水線；

20、b、初始化特征解耦合模型；

21、c、初始化優(yōu)化器及學習率調(diào)度策略；

22、d、模型訓練的最大迭代次數(shù)為100，在流水線的循環(huán)迭代下，將訓練數(shù)據(jù)集依次輸入特征解耦合模型中進行前向傳播，接著計算特征解耦合模型的總損失函數(shù)并進行誤差的反向傳播，最后利用優(yōu)化器更新特征解耦合模型的權(quán)重偏置參數(shù)，重復上述訓練流程直到達到最大模型迭代次數(shù)；

23、e、構(gòu)建模型預測數(shù)據(jù)增強流水線；

24、f、固定訓練完成的特征解耦合模型的參數(shù)，將測試數(shù)據(jù)集依次送入特征解耦合模型中依次進行特征解耦合，可視化解耦合數(shù)據(jù)，評估解耦合模型的解耦合性能。

25、進一步的，特征解耦合模型總損失函數(shù)l為：

26、

27、其中α，β，γc，γs，均為超參數(shù)。

28、進一步的，所述模型應用包括以下步驟：

29、a、訓練特征提取骨干網(wǎng)絡；

30、b、訓練特征解耦合模型；

31、c、訓練線性分類器；

32、d、評估與驗證。

33、進一步的，所述訓練特征提取骨干網(wǎng)絡包括以下步驟：

34、1)構(gòu)建模型訓練數(shù)據(jù)增強流水線；

35、2)構(gòu)建特征提取骨干網(wǎng)絡；

36、3)初始化優(yōu)化器及學習率調(diào)度策略；

37、4)模型訓練的最大迭代次數(shù)為800，在流水線的循環(huán)迭代下，將訓練數(shù)據(jù)集依次輸入特征提取骨干網(wǎng)絡和對比學習預測頭中進行向前傳播，接著計算對比損失并進行誤差的反向傳播，最后利用優(yōu)化器更新特征提取骨干網(wǎng)絡的權(quán)重偏置參數(shù)，重復上述訓練流程直到達到最大模型迭代次數(shù)；

38、5)取最后一次迭代的模型參數(shù)作為特征提取骨干網(wǎng)絡的最終權(quán)重偏置參數(shù)，完成特征提取骨干網(wǎng)絡的訓練。

39、進一步的，對比損失采用有監(jiān)督對比損失函數(shù)：

40、

41、其中zi表示錨定樣本的對比特征，zj(i)表示同一個批處理中與錨定樣本相同類別的其他樣本的的對比特征，za表示同一個批處理中與錨定樣本不同類別的其他樣本的的對比特征，τ為溫度系數(shù)。

42、進一步的，訓練特征解耦合模型的方法為：固定特征提取骨干網(wǎng)絡所有網(wǎng)絡權(quán)重偏置參數(shù)，將特征提取骨干網(wǎng)絡應用于特征解耦合網(wǎng)絡訓練步驟中，提取訓練數(shù)據(jù)增強流水線輸出的超廣角眼底圖像中的圖像特征，然后將所提取的圖像特征按照特征解耦合模型的訓練方法訓練特征解耦合模型，完成特征解耦合模型的訓練，取最后一次迭代的模型權(quán)重偏置參數(shù)作為特征解耦合模型的最終權(quán)重參數(shù)。

43、進一步的，訓練線性分類器包括以下步驟：

44、1)沿用訓練特征解耦合的訓練數(shù)據(jù)增強流水線；

45、2)構(gòu)建線性分類器；

46、3)沿用訓練特征解耦合的優(yōu)化器及學習率調(diào)度策略；

47、4)模型訓練的最大迭代次數(shù)為20，在流水線的循環(huán)迭代下，將訓練數(shù)據(jù)集依次輸入特征提取骨干網(wǎng)絡和特征解耦合模型編碼器中進行前向傳播，獲取超廣角眼底圖像的糖尿病視網(wǎng)膜病變診斷類相關(guān)特征，接著將所得到的類相關(guān)特征送入線性分類器并計算交叉熵損失，最后通過反向傳播和優(yōu)化器更新線性分類器的權(quán)重偏置參數(shù)，重復上述訓練流程直到達到最大模型迭代次數(shù)，完成線性分類器的訓練。

48、進一步的，交叉熵損失函數(shù)為：

49、

50、其中m，n分別是類別數(shù)量和批處理樣本大小，yic和pic分布是樣本真實類別的one-hot編碼和樣本真實類別的預測概率。

51、進一步的，評估與驗證包括以下步驟：

52、1)運用可視化方法驗證特征解耦合模型的解耦合性能；

53、2)在測試數(shù)據(jù)集上驗證解耦合出來的特征的質(zhì)量，報告基于有監(jiān)督訓練、自監(jiān)督訓練以及自監(jiān)督訓練和特征解耦合構(gòu)建的三種不同糖尿病視網(wǎng)膜病變計算機輔助診斷系統(tǒng)的糖尿病視網(wǎng)膜病變診斷準確度和二次加權(quán)kappa。

54、第二方面，本技術(shù)提供一種計算機程序，所述計算機程序可實現(xiàn)上述任意一項所述的方法的步驟。

55、第三方面，本技術(shù)提供一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，使得所述處理器執(zhí)行上述任意一項所述的方法的步驟。

56、第四方面，本技術(shù)提供一種計算機設備，包括存儲器和處理器，所述儲存器存儲有計算機程序，所述計算機程序被所述處理器執(zhí)行時，使得所述處理器執(zhí)行上述任意一項所述的方法的步驟。

57、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點和有益效果：

58、(1)本技術(shù)將超廣角眼底圖像的特征解耦合為糖尿病視網(wǎng)膜病變的診斷相關(guān)特征和診斷無關(guān)特征，訓練完成的特征解耦合網(wǎng)絡，其編碼器可以直接提取超廣角眼底圖像特征的診斷相關(guān)特征和診斷無關(guān)特征，其解碼器可以通過診斷相關(guān)特征和診斷無關(guān)特征直接生成特定條件下的超廣角眼底圖像特征；

59、(2)本技術(shù)中的用于超廣角眼底圖像的糖尿病視網(wǎng)膜病變特征解耦合方法能顯著提高自監(jiān)督訓練模型的糖尿病視網(wǎng)膜病變分級性能，超越了有監(jiān)督訓練的模型，證明了解耦合出的糖尿病視網(wǎng)膜病變診斷類相關(guān)特征的有效性。