[發明專利]一種糖尿病視網膜病變分期預測方法

有效

• 申請號: 201811548010.3
• 申請日: 2018-12-18
• 公開（公告）號: CN109829882B
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 陳新建;汪竟成;陳潤航;王猛
• 申請（專利權）人: 廣州比格威醫療科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/143;G06T7/12;G06T7/187;G06K9/62
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林;范青青

1.一種糖尿病視網膜病變分期預測方法，其特征在于，所述方法包括以下步驟：

采集糖尿病患者的眼底彩照圖像；

將眼底彩照圖像輸入已訓練好的單純分期網絡模型，獲取糖網分期結果特征；

將眼底彩照圖像輸入已訓練好的病灶分割網絡模型，獲取糖網病灶分割結果特征；

將糖網分期結果特征與糖網病灶分割結果特征進行組合，獲得分割分期組合特征；

根據預判定的各分期最佳分類器和各分期最佳分類器的優先級，結合所述分割分期組合特征預測糖尿病視網膜病變分期類別；

各分期最佳分類器和各分期最佳分類器的優先級判定方法包括：

采用訓練所述單純分期網絡模型的訓練集數據獨立訓練梯度提升樹、K-近鄰、隨機梯度下降線性邏輯回歸分類、支持向量機4個機器學習模型；

根據4個機器學習模型在驗證集上的準確率篩選出默認模型；

根據各分期類別上4個機器學習模型的查準率高低順序確定各分期最佳分類器；

根據各分期最佳分類器的查準率的高低順序排出最佳分類器的優先級。

2.根據權利要求1所述的糖尿病視網膜病變分期預測方法，其特征在于，所述單純分期網絡模型的訓練方法包括：

采用ResNet-50網絡模型作為訓練模型，采集不同病變程度的眼底彩照圖像作為訓練樣本；

將不同病變程度的眼底彩照圖像按照樣本占比的倒數進行重采樣，保證各期的圖像樣本數一致；

隨著訓練的進行將重采樣比例恢復到接近真實的數據集中的比例，重采樣比例：w_i＝r^t-1w_o+(1-r^t-1)w_f，w_o表示訓練開始時的重采樣比例，保證重采樣后各類樣本的數量相等；w_f表示訓練epoch數接近正無窮時的重采樣比例，取經驗值1:2:2:2:2；t表示當前的epoch計數；r表示衰減因子；

采用均方誤差作為損失函數，Adam算法作為優化算法，訓練獲得單純分期網絡模型。

3.根據權利要求2所述的糖尿病視網膜病變分期預測方法，其特征在于，所述單純分期網絡模型的訓練方法還包括：

對訓練樣本中的眼底彩照圖像進行預處理，包括：裁剪黑邊、尺寸縮放、旋轉、平移、歸一化。

4.根據權利要求2所述的糖尿病視網膜病變分期預測方法，其特征在于，所述病變程度包括正常、輕微病變、中度病變、重度非增殖病變和增殖期病變。

5.根據權利要求1所述的糖尿病視網膜病變分期預測方法，其特征在于，所述病灶分割網絡模型的訓練方法包括：

采用MaskRCNN網絡模型作為訓練模型；

采用糖網病灶分割數據訓練所述MaskRCNN網絡模型。

6.根據權利要求5所述的糖尿病視網膜病變分期預測方法，其特征在于，所述糖網病灶分割結果特征的獲取方法包括：

計算微血管瘤、硬性滲出、棉絨斑和出血四類病灶的統計特征，所述統計特征包括：像素點面積、在眼底彩照圖像上的連通域數量和各個連通域的輪廓周長總和；

分別取各統計特征的自然對數作為糖網病灶分割結果特征。

7.根據權利要求1所述的糖尿病視網膜病變分期預測方法，其特征在于，所述糖尿病視網膜病變分期類別的預測方法包括：

從最高優先級的最佳分類器開始，判斷是否滿足條件其中：是輸入模型的特征，M_i是各分期最佳分類器，i是對應的分期類別；

如果滿足則預測分期類別直接為i，否則，進入低一級優先級的最佳分類器的判斷條件；

如果所有優先級下的判斷條件都不滿足，則選用默認模型的輸出作為預測分期類別。