1.一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,包括以下步骤:S1、采集训练样本:从Kaggle数据集中获取眼底图像,对获取的眼底图像进行黄斑区域标记,并将标记好的图像制作成VOC2007数据集的格式,构建训练样本集;
S2、构建网络模型:构建CNN特征提取网络、级联区域建议网络、上下文网络和判别网络,其中,所述CNN特征提取网络采用ResNet残差网络,包括卷积层、残差块、激励函数和池化层;所述级联区域建议网络由2个区域建议网络级联形成,包括卷积层,Softmax分类层,bbox层;所述上下文网络包括残差块、池化层、全连接层、Softmax层和bbox层;所述判别网络包括池化层、全连接层、激励函数层、Softmax层和bbox层构成;
S3、训练网络模型:初始化所述的特征提取网络、区域建议网络、上下文网络和判别网络,然后,通过输入已标记黄斑区域的图像对所述特征提取网络进行训练,得到ResNet特征提取网络模型;所述区域建议网络利用所述ResNet特征提取网络模型输出的特征图进行训练,得到级联区域建议网络模型;所述级联区域建议网络模型输出的区域建议边框映射到特征提取网络输出的特征图的相应区域,对该区域进行池化并送入所述上下文网络进行训练,得到上下文网络模型;所述判别网络根据所述上下文网络模型提供的候选区域进行判别,得到判别网络模型;
S4、构建检测模型:将所述的ResNet特征提取网络模型、级联区域建议网络模型、上下文网络模型和判别网络模型组合成改进后的Faster R‑CNN检测网络,利用训练样本集中的训练数据对所述改进后的Faster R‑CNN检测网络进行训练,训练50次,得到黄斑区域检测和定位网络模型;
S5、黄斑检测与定位:利用所述黄斑区域检测和定位网络模型对待检测的眼底图像进行黄斑区域检测和定位,得到眼底图像黄斑区域的候选框,调整候选框阈值,采用非极大值抑制,得到最终的候选框。
2.根据权利要求1所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,所述CNN特征提取网络采用ResNet中的残差块加上Inception‑v3多尺度结构作为特征提取网络。
3.根据权利要求1所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,构建网络模型的步骤中,所述卷积层采用两个尺度的卷积核。
4.根据权利要求3所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,所述两个尺度的卷积核包括:3*3卷积核和1*1卷积核。
5.根据权利要求1所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,训练网络模型的步骤进一步包括:训练模型分两步,第一步联合训练特征提取网络和区域建议网络,得到提取预选框的模型,其中特征提取网络是由ResNet网络进行的特征提取;第二步,利用由提取预选框模型预测出来的边框映射到特征提取网络输出特征图的相应区域,进行感兴趣区域池化,然后再训练特征提取网络以及上下文网络和判别网络。
6.根据权利要求1所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,在区域建议网络的训练过程中,为每一个锚点参考框分配一个二进制标签,将与金标准框的IoU大于0.7的锚点参考框贴上正标签,将与金标准框的IoU小于0.3的锚点参考框贴上负标签,将处于二者之间的既不积极又不消极的锚点参考框直接丢弃。
7.根据权利要求1所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,在检测阶段,当候选框的交并比与金标准框的重叠度大于0.5时,认为所述候选框是一个真实的候选者。
8.根据权利要求1所述的一种基于改进Faster R‑CNN的黄斑定位方法,其特征在于,所述方法采用误检率、漏检率和准确率这三个指标来评价黄斑定位结果,并计算如下:其中FP为误检个数,FN为漏检个数,ALL为全部的眼底图像,FPR为误检率,MR为漏检率,ACC为准确率。