(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210362909.6 (22)申请日 2022.04.08 (71)申请人 辽宁师范大学 地址 116000 辽宁省大连市沙河口区黄河 路850号 (72)发明人 方玲玲　乔焕　 (74)专利代理 机构 大连非凡专利事务所 212 20 专利代理师 闪红霞 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/75(2022.01) G06V 10/80(2022.01) G06K 9/62(2022.01) A61B 3/12(2006.01) (54)发明名称 基于多特征DAG网络的糖尿病视网膜病变 分 类建模方法 (57)摘要 本发明公开一种基于多特征DAG网络的糖尿 病视网膜病变 分类建模方法， 首先使用不同方法 提取了糖尿病视网膜病变的指标性特征， 包括出 血斑特征、 眼底新生血管特征和视网膜血管曲张 特征； 其次构建了优化DAG网络并不断更改训练 方案对网络进行训练， 从而将提取的特征实现多 特征融合并通过局部特征组成复杂局部或全局 特征从而还原出对象； 最后， 由softmax分类器进 行正常、 病变分类。 本发明使用DIARETDB1数据集 和大连市第三人民医院数据对分类模型进行性 能评估， 结果表明对DIARETDB1数据集图像和医 院数据， 本发明分类准确率分别为98.7％和 98.5％。 权利要求书2页 说明书6页 附图3页 CN 114898172 A 2022.08.12 CN 114898172 A 1.一种基于多特征DAG网络的糖尿病视网膜病变分类建模方法， 其特征在于按照如下 步骤进行： 步骤1： 对训练集中每张视网膜图像进行 预处理， 获得特征图像训练集 步骤1.1获取视网膜出 血斑特征图像 提取视网膜图像RGB色彩模式中的绿色通道图像， 将绿色通道图像灰度化并分成若干 子块， 统计 每个子块的累计分布直方图， 在直方图中设定有限阈值Tc： Tc＝max(1,Td×h×w/S) 式中， Td是迭代的自适应软阈值， S是图像总像素， h和w是图像的长和宽； 将直方图中的灰度值与设定的有限阈值Tc进行对比， 把直方图中超过有限阈值Tc的灰 度值区域均匀地分布在直方图下面并保证直方图总面积不变， 最后使用线性插值的方法优 化处理， 使视网膜出 血斑特征突出， 即获得获得视网膜出 血斑特征图像； 步骤2.2获取眼底新 生血管特征图像 首先对视网膜图像中的每个像素点都用8个掩模Mq,q＝1,2,...,7进行卷积求导数， 每 个掩模Mq对8个特定边缘方向作出最大响应， 将最大响应的最大值G作为边缘幅度图像的输 出： G＝max{|M0|,|M1|,|M2|,|M3|,|M4|,|M5|,|M6|,|M7|} 最后根据自适应软阈值对图像进行二值化处理， 使新生血管特征突出， 即获得眼底新 生血管特征图像； 步骤3.3获取视网膜血 管曲张特 征图像 将视网膜图像分成N个子块， 迭代 计算视网膜病变图像中视网膜血管的聚类中心 Cv和对 应的隶属度Dpv： 式中， N是总子块数， C是聚类的簇数， xp,p＝1,2,....,N表示第p个子块， ||*||表示任意 距离的度量， m∈[1,∞)属于一个加权指数； Ck表示第k类的聚类中心； 当隶属度满 足以下迭 代终止条件， 停止迭代， 计算出局部的最优值Jm， 使视网膜血管曲张特征突出， 获得视网膜 血管曲张特 征图像； 式中， l是迭代步数， ε是误差阈值； 步骤3.4将所获取的视网膜特 征图像集 合作为特 征图像训练集； 步骤2： 将特 征图像训练集中的特 征图像输入至DAG网络进行训练 步骤2.1建立优化的DAG网络， 所述优化的DAG网络 由一路主干、 两路支干、 add层、 池化权　利　要　求　书 1/2 页 2 CN 114898172 A 2层avpool和全连接层Full  connect构成， 所述一路主干分为五组， 每组均由卷积层Conv、 归 一化层BN和激活函数层relu构成， 所述两路支干均为卷积层skipConv， 一路主干与两路支 干同时与ad d层链接； 步骤2.2将特征图像训练集的图像输入至优化的DAG网络， 实现多特征融合与学习， 输 出多特征融合结果Fiadd： Fiadd＝(Xi+Yi+Zi)*K＝Xi*K+Yi*K+Zi*K 式中， K表示卷积层卷积核， *表示卷积， Xi表示视网膜 出血斑特征， Yi表示眼底新生血管 特征； Zi表示视网膜血 管曲张特 征； 步骤3： 将 多特征融合结果Fiadd送到softmax分类器， 按照下式计算属于正常或病变的预 测概率， 实现糖尿病视网膜病变和正常的有效分类； 式中， R为预测概 率， i＝1,2,...,M表示第i张图像， M为视网膜图像总数， e 是一个参数； 当Y∈(0,0.5)判断图像为 正常， 当Y∈[0.5,1)时判断图像为病变。权　利　要　求　书 2/2 页 3 CN 114898172 A 3