[發明專利]一種使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法

在審

• 申請號: 201810331222.X
• 申請日: 2018-04-13
• 公開（公告）號: CN108537282A
• 公開（公告）日: 2018-09-14
• 發明（設計）人: 陳大力;梅丹蕾;朱姍姍;王孝陽;羅凌;佟萌萌
• 申請（專利權）人: 東北大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 趙淑梅;李馨

1.一種使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，包括以下步驟：

S1：準備照片庫，所述照片庫中包含若干包括診斷標記的激光單通道眼底鏡照片，且每類糖尿病視網膜病變均對應有具有多張所述眼底鏡照片的分類照片庫；其中所述糖尿病視網膜病變共四類：none，mild，moderate，severe。

S2：對所述照片庫中的眼底照片進行預處理而得訓練范例照片，且所述訓練范例照片構成訓練范例庫，所述訓練范例庫中的照片數量大于所述照片庫中的照片數量；每類糖尿病視網膜病變均對應有具有多張所述訓練范例照片的分類訓練范例庫；

S3：針對多類糖尿病視網膜病變建立一種包含fire模塊的超輕量級SqueezeNet深度卷積神經網絡；所述深度卷積神經網絡包括多層神經網絡架構；所述深度卷積神經網絡中，各層所述神經網絡架構均基于其前一層所述神經網絡架構而搭建；

S4：針對所述SqueezeNet深度卷積神經網絡，采用所述分類訓練范例庫中的訓練范例照片多次訓練所述深度卷積神經網絡中的神經網絡架構，訓練時按照設定的學習率調整所述神經網絡架構的參數，從而得到針對糖尿病視網膜病變的訓練后的深度卷積神經網絡；

S5：基于所述訓練后的深度卷積神經網絡中最后一層所述神經網絡架構的輸出值對所述糖尿病視網膜病變進行分級。

2.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，所述深度卷積神經網絡包含多層神經網絡架構，依次為：數據輸入層、卷積層、最大池化層、fire模塊、fire模塊、最大池化層、fire模塊、fire模塊、最大池化層、fire模塊、fire模塊、fire模塊、fire模塊、卷積層、全局平均池化層；其中，數據輸入層用于輸入已經預處理好的圖像，即輸入訓練范例照片；fire模塊用于壓縮和擴展數據；最大池化層用于對其上一層的輸出而在每一個局域范圍內選出最大的值作為其輸出；全局平均池化層用于對每張特征圖的輸出；所述全局平均池化層輸出每張特征圖的4類得分，使用softmax函數歸一化為概率。

3.根據權利要求2所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，所述fire模塊為基礎模塊：其中包含三個卷積層，分為squeeze和expand兩部分，分別用來壓縮和擴展數據的通道數。

4.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，在訓練深度卷積神經網絡的各層神經網絡架構時，使用交叉熵Multinomial LogisticLoss作為損失函數，使用Nesterov Momentum算法作為學習算法。

5.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，在訓練深度卷積神經網絡的各層神經網絡架構時，每次訓練的學習率小于或等于前一次訓練的學習率。

6.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，在訓練深度卷積神經網絡的各層神經網絡架構時，對深度卷積神經網絡中的各參數使用L2Weight Decay規則化。

7.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，在訓練深度卷積神經網絡的各層神經網絡架構時，神經網絡中的每一個卷積層的輸出均經過Leaky ReLu激活函數運算后再傳入下一層神經網絡架構。

8.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，在訓練深度卷積神經網絡的各層神經網絡架構時，采用“Xavier”方法來初始化深度卷積神經網絡的權重。

9.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，對所述的眼底照片的預處理包括分辨率調整和將圖像轉成偽彩色圖像。

10.根據權利要求1所述的使用超輕量級SqueezeNet網絡的糖尿病視網膜病變分級方法，其特征在于，所述照片庫需確保將原本每類不平衡的眼底鏡照片圖像擴增為每種病變分類均具有足夠數量且相同數量級的眼底鏡照片。