(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 202211146617.5 (22)申请日 2022.09.21 (71)申请人 哈尔滨理工大 学 地址 150080 黑龙江省哈尔滨市南岗区学 府路52号 (72)发明人 李冰　李广庆　刘侠　吴少勇　 于尚宁　嫣梦雨　 (74)专利代理 机构 哈尔滨市阳光惠远知识产权 代理有限公司 2321 1 专利代理师 张宏威 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/44(2022.01) G06V 10/42(2022.01)G06V 10/52(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于多尺度残差网络的视网膜OCT图像 分类 方法、 系统、 计算机设备和存 储介质 (57)摘要 基于多尺度残差网络的视网膜OCT图像 分类 方法、 系统、 计算机设备和存储介质， 属于OCT图 像处理技术领域， 解决对视网膜OCT图像分类准 确率较低问题。 本发明的方法包括： 获取视网膜 OCT图像分类数据集， 分为训练集和测试集； 对训 练集和测试集进行预处理； 利用双通道注意力机 制和多尺度残差模块对基线网络进行改进， 建立 视网膜OCT图像分类模型； 多尺度残差模块具体 包括若干条支路、 残差模块、 特征融合模块和相 加模块， 每条支路包括若干个卷积； 特征融合模 块用于将若干条支路的输出信息进行特征融合； 相加模块用于将融合后的信息与残差模块的输 出信息进行相加； 获取训练后的视网膜OCT图像 分类模型； 对视网膜OCT图像进行分类。 本发明适 用于视网膜OCT图像的分类 。 权利要求书2页 说明书12页 附图5页 CN 115512153 A 2022.12.23 CN 115512153 A 1.基于多尺度残差网络的视网膜OCT图像分类方法， 其特 征在于， 所述方法包括： 步骤1、 获取视网膜OCT图像分类数据集， 并将其分为训练集和 测试集； 步骤2、 对所述训练集和 测试集进行 预处理； 步骤3、 利用双通道注意力机制和多尺度残差模块对基线网络进行改进， 建立视网膜 OCT图像分类模型， 所述基线网络为图像分类网络； 所述多尺度残差模块具体包括若干条支路、 所述基线网络的残差模块、 特征融合模块 和相加模块， 每条 所述支路包括若干个卷积； 所述特征融合模块用于将所述若干条支路的输出信息进行 特征融合； 所述相加模块用于将所述融合后的信息与所述残差模块的输出信息进行相加； 步骤4、 利用所述预处 理后的训练集对所述视网膜OCT图像分类模型进行训练； 利用所述预处 理后的测试集对所述视网膜OCT图像分类模型进行测试； 获取训练后的视网膜OCT图像分类模型； 步骤5、 利用所述练后的视网膜OCT图像分类模型， 对视网膜OCT图像进行分类。 2.根据权利要求1所述的基于多尺度残差网络的视网膜OCT图像分类方法， 其特征在 于， 所述预处 理， 具体包括： 采用下采样的方式， 将所述训练集和测试集中若干个类别的视网膜OCT图像的数量进 行统一； 对所述数量统一后的视网膜OCT图像的尺寸进行统一； 对所述尺寸统一后的视网膜OCT图像进行 标准化。 3.根据权利要求1所述的基于多尺度残差网络的视网膜OCT图像分类方法， 其特征在 于， 所述基线网络为ResNet5 0网络。 4.根据权利要求1至3中任一项所述的基于多尺度残差网络的视网膜OCT图像分类方 法， 其特征在于， 步骤3， 具体包括： 在所述基线网络中加入若干个双通道 注意力机制模块、 最大池化层和平均池化层； 用若干个所述多尺度残差网络替代所述若干个 基线网络的残差模块； 设置损失函数， 用于学习模型参数； 根据视网膜OCT图像分类任务， 设置网络的输出维度。 5.根据权利要求4所述的基于多尺度残差网络的视网膜OCT图像分类方法， 其特征在 于， 所述双通道注意力机制模块为两个， 分别设置于卷积层后和 最后一个多尺度残差模块 后。 6.根据权利要求4所述的基于多尺度残差网络的视网膜OCT图像分类方法， 其特征在 于， 所述最大池化层设置 于第一个残差模块前。 7.根据权利要求4所述的基于多尺度残差网络的视网膜OCT图像分类方法， 其特征在 于， 所述若干条支路具体包括四条支路； 所述四条支路分别由1 ×1卷积、 1×1和3×3卷积、 1×1和5×5卷积以及最大池化层和1 ×1卷积组成。 8.基于多尺度残差网络的视网膜OCT图像分类系统， 其特 征在于， 所述系统包括： 数据集获取模块， 用于获取视网膜OCT图像分类数据集， 并将其分为训练集和 测试集； 数据集处 理模块， 用于对所述训练集和 测试集进行 预处理；权　利　要　求　书 1/2 页 2 CN 115512153 A 2视网膜OCT图像分类模型建立模块， 用于利用双通道注意力机制和多尺度残差模块对 基线网络进行改进， 建立视网膜OCT图像分类模型； 所述多尺度残差模块具体包括若干条支路、 残差模块、 特征融合模块和相加模块， 每条 所述支路包括若干个卷积； 所述特征融合模块用于将所述若干条支路的输出信息进行 特征融合； 所述相加模块用于将所述融合后的信息与所述残差模块的输出信息进行相加； 模型训练和测试模块， 用于利用所述预处理后的训练集对所述视网膜OCT图像分类模 型进行训练； 利用所述预处 理后的测试集对所述视网膜OCT图像分类模型进行测试； 获取训练后的视网膜OCT图像分类模型； 模型分类模块， 用于利用所述练后的视网膜OCT图像分类模型， 对视网膜OCT图像进行 分类。 9.一种计算机设备， 包括存储器和处理器， 所述存储器中存储有计算机程序， 其特征在 于， 当所述处理器运行所述存储器存储的计算机程序时执行权利要求 1至7中任一项 所述的 方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有多条计 算机指令， 所述多条计算机指令用于使计算机执 行权利要求1至7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115512153 A 3