基于深度学习的视网膜OCT图像分类与高效特征提取

本篇专利文档名为"基于深度学习子网络特征提取的视网膜OCT图像分类方法"，它属于计算机视觉技术领域，专注于提升视网膜光学相干断层成像(Optical coherence tomography, OCT)图像的分析和诊断能力。OCT是一种非侵入性的医学成像技术，用于检查眼底的细微结构。 该方法的核心创新在于利用深度学习子网络进行特征提取。首先，专利申请人中山大学提出了一种流程，包括准备大量的视网膜OCT图像数据，然后构建多个不同结构的深度学习模型子网络。这些子网络可能是基于预训练的模型，如在ImageNet数据集上表现出色的模型，通过迁移学习，移除部分深层次模块以适应OCT图像的特性和需求。 在特征提取阶段，每个子网络对OCT图像进行处理，提取关键特征。这些特征随后被输入到随机森林分类器中进行训练和分类。通过评估和筛选，方法会选择出准确率较高的模型，以确保诊断的精确性。分类阶段采用了特征连接或多数投票的方法，进一步提高了分类决策的稳定性和可靠性。 值得注意的是，该方法的优势在于优化了计算资源的使用，使得训练速度加快，同时保持了较高的分类准确率。这对于医疗诊断领域来说非常重要，因为它可以减少医生的工作负担，并且在有限的时间内提供更准确的诊断结果。 整个专利文档详细描述了实现这一方法的具体步骤，包括如何构建子网络，如何调整预训练模型，以及如何进行性能评估和模型选择。通过这种方法，OCT图像的解读效率和准确性得到了显著提升，对于推动眼科疾病早期检测和治疗具有重要的实际应用价值。