本发明涉及数据处理,具体是涉及一种基于神经网络的脉络膜厚度估计及不确定性评估方法。
背景技术:
1、脉络膜厚度与许多眼科疾病诊疗相关,通常利用oct(optical coherencetomography,光学相干断层扫描)成像设备采集脉络膜影像以进一步分析计算出脉络膜厚度,但是oct成像设备的成本高昂,很难在普通医院和诊所得到推广使用。相对而言,眼底彩照相机的成本低廉,加上深度卷积神经网络在许多领域上的成功应用,目前也有学者提出通过深度卷积神经网络来拟合出眼底彩照图像与脉络膜厚度之间的关系,从而实现利用眼底彩照图像便可自动估计脉络膜厚度。然而由于深度卷积神经网络的不可解释性,难以判断通过深度卷积神经网络所预测得到的脉络膜厚度是否可信。
技术实现思路
1、本发明提供一种基于神经网络的脉络膜厚度估计及不确定性评估方法,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
2、第一方面,提供一种基于神经网络的脉络膜厚度估计及不确定性评估方法,所述方法包括:
3、根据初始训练集和若干个不同常数,对应生成若干个最终训练集;
4、搭建卷积神经网络,所述卷积神经网络以眼底彩照图像为输入和以脉络膜厚度为输出;
5、利用所述若干个最终训练集对所述卷积神经网络进行训练,对应得到若干个训练好的卷积神经网络;
6、将待测眼底彩照图像分别输入所述若干个训练好的卷积神经网络进行处理,再结合所述若干个不同常数得到若干个初始脉络膜厚度;
7、根据所述若干个初始脉络膜厚度,确定所述待测眼底彩照图像对应的最终脉络膜厚度及其不确定性数值。
8、进一步地,任意一个最终训练集的生成过程为:
9、在所述初始训练集中,每个初始训练数据包括眼底彩照图像及其对应的脉络膜厚度,保持每个初始训练数据中的眼底彩照图像不变,仅将其中一个常数与每个初始训练数据中的脉络膜厚度进行相乘,进而生成与所述常数关联的最终训练集。
10、进一步地,所述卷积神经网络是由两个第一卷积层、五个第二卷积层、三个池化层和三个全连接层所组成的,每个第一卷积层用于执行卷积核大小为3×3、步长为2的卷积操作,每个第二卷积层用于执行卷积核大小为3×3、步长为1的卷积操作,每个池化层用于执行视野大小为3×3、步长为2的池化操作,每个全连接层用于执行卷积核大小为1×1、步长为1的卷积操作。
11、进一步地,所述卷积神经网络在训练过程中所采用的损失函数用于表征所述卷积神经网络对输入的眼底彩照图像的预测偏差结果。
12、进一步地,任意一个初始脉络膜厚度的获取过程为:
13、将所述待测眼底彩照图像输入其中一个训练好的卷积神经网络进行处理,再将所述训练好的卷积神经网络的输出结果与其在训练时关联使用的常数进行求商运算,进而得到初始脉络膜厚度。
14、进一步地,所述最终脉络膜厚度为所述若干个初始脉络膜厚度的平均值。
15、进一步地,所述最终脉络膜厚度的不确定性数值为所述若干个初始脉络膜厚度的方差。
16、第二方面,提供一种基于神经网络的脉络膜厚度估计及不确定性评估装置,所述装置包括:
17、生成模块,用于根据初始训练集和若干个不同常数,对应生成若干个最终训练集;
18、搭建模块,用于搭建卷积神经网络,所述卷积神经网络以眼底彩照图像为输入和以脉络膜厚度为输出;
19、训练模块,用于利用所述若干个最终训练集对所述卷积神经网络进行训练,对应得到若干个训练好的卷积神经网络;
20、处理模块,用于将待测眼底彩照图像分别输入所述若干个训练好的卷积神经网络进行处理,再结合所述若干个不同常数得到若干个初始脉络膜厚度;
21、确定模块,用于根据所述若干个初始脉络膜厚度,确定所述待测眼底彩照图像对应的最终脉络膜厚度及其不确定性数值。
22、第三方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序以实现如第一方面所述的基于神经网络的脉络膜厚度估计及不确定性评估方法。
23、第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于神经网络的脉络膜厚度估计及不确定性评估方法。
24、本发明至少具有以下有益效果:通过若干个不同常数和初始训练集生成若干个不同的最终训练集,利用由若干个最终训练集各自训练得到的若干个卷积神经网络分别对待测眼底彩照图像进行解析处理得到若干个输出结果,再结合若干个输出结果和若干个不同常数可以求解出待测眼底彩照图像中所反映的最终脉络膜厚度,同时求解出关于最终脉络膜厚度的不确定性数值,由此辅助医生判断算法预测结果的可信度。
1.一种基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,任意一个最终训练集的生成过程为:
3.根据权利要求1所述的基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,所述卷积神经网络是由两个第一卷积层、五个第二卷积层、三个池化层和三个全连接层所组成的,每个第一卷积层用于执行卷积核大小为3×3、步长为2的卷积操作,每个第二卷积层用于执行卷积核大小为3×3、步长为1的卷积操作,每个池化层用于执行视野大小为3×3、步长为2的池化操作,每个全连接层用于执行卷积核大小为1×1、步长为1的卷积操作。
4.根据权利要求1所述的基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,所述卷积神经网络在训练过程中所采用的损失函数用于表征所述卷积神经网络对输入的眼底彩照图像的预测偏差结果。
5.根据权利要求1所述的基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,任意一个初始脉络膜厚度的获取过程为:
6.根据权利要求1所述的基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,所述最终脉络膜厚度为所述若干个初始脉络膜厚度的平均值。
7.根据权利要求1所述的基于神经网络的脉络膜厚度估计及不确定性评估方法,其特征在于,所述最终脉络膜厚度的不确定性数值为所述若干个初始脉络膜厚度的方差。
8.一种基于神经网络的脉络膜厚度估计及不确定性评估装置,其特征在于,所述装置包括:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序以实现如权利要求1至7任一项所述的基于神经网络的脉络膜厚度估计及不确定性评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的脉络膜厚度估计及不确定性评估方法。