[發明專利]一種基于深度學習的糖尿病視網膜圖像病變分類方法

在審

• 申請號: 201910012330.5
• 申請日: 2019-01-07
• 公開（公告）號: CN109691979A
• 公開（公告）日: 2019-04-30
• 發明（設計）人: 高俊山;劉夢穎;鄧立為
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: A61B3/14
• 分類號: A61B3/14;A61B3/12;A61B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的糖尿病視網膜圖像病變分類方法，其特征在于：

A、在kaggle網站上下載糖尿病視網膜圖像數據集；

B、對所得糖尿病視網膜圖像數據集進行色彩平衡調整、亮度調整、對比度調整、縮放裁剪等預處理；

C、在VGG網絡模型的基礎上，搭建新的VGG-L網絡分類模型；

D、采用預處理后的圖像數據集對所搭建的模型進行訓練；

E、采用糖尿病視網膜圖像測試集對訓練后模型進行分類準確度判斷。

2.根據權利要求1所述的一種基于深度學習的糖尿病視網膜圖像病變分類方法，其特征在于：所述步驟A中取得數據集方法如下：

a、在競賽平臺kaggle 中的Diabetic Retinopathy Detection比賽中獲取糖尿病視網膜圖像數據集；

b、獲取按照病變程度將視網膜圖像分成了正常、輕微病變、中度病變、重度病變、增生性病變五類的標注表格。

3.根據權利要求1所述的一一種基于深度學習的糖尿病視網膜圖像病變分類方法，其特征在于：所述步驟B中圖像預處理方法如下：

a、對于色偏、過飽和或飽和度不足的彩色糖尿病視網膜眼底圖像，采用PIL工具中的ImageEnhance模塊，進行色彩平衡、亮度、對比度調整；

b、對于有黑色背景多的糖尿病視網膜圖像，進行裁剪；

c、由于原始圖片相當大（例如，平均為3000*2000像素），因此使用正常雙線性重新縮放，破壞原始寬高比的辦法對糖尿病視網膜圖像進行縮放。

4.根據權利要求1所述的一種基于深度學習的糖尿病視網膜圖像病變分類方法，其特征在于：所述步驟C中搭建模型方法如下：

a、基于深度學習中的卷積神經網絡，搭建VGG網絡模型，并在此基礎上進行改進；

b、使用代價敏感學習，通過修改目標函數來減輕不均衡數據對模型的影響，避免產生類別不均衡特征的學習；

c、采用交叉熵損失函數估量模型預測值與真實值的不一致程度，因為損失函數是經驗風險函數的核心部分，也是結構風險函數的重要組成部分，能使模型的魯棒性變好；

d、采用ReLU激活函數，增加神經網絡模型的非線性，解決gradiant vanishing問題，使計算速度變快；

e、采用dropout作用在layer上面，防止過擬合，降低節點之間的耦合度，使節點對于其他節點不再那么敏感，使模型學到更加魯棒的特征；

f、采用Batchnorm對數據做歸一化，不僅能減小圖像之間的絕對差異，突出相對差異，提升模型訓練速度，大大加快收斂速度，還能增加分類效果；

g、增加模型的卷積層，把其中一層的最大池化層改為隨機池化層，并重新設置每層的過濾器大小和步長；

h、最后采用softmax層，對糖尿病視網膜圖像進行五分類。

5.根據權利要求1所述的一種基于深度學習的糖尿病視網膜圖像病變分類方法，其特征在于：所述步驟D中訓練模型方法如下：

a、在電腦上安裝ubuntu16.04系統；

b、安裝顯卡驅動、CUDA、cuDNN加速庫、Anaconda2函數庫；

c、搭建Theano框架，配置訓練環境；

d、編寫Python程序。

6.根據權利要求1所述的一種基于深度學習的糖尿病視網膜圖像病變分類方法，其特征在于：所述步驟E中評價模型方法如下：

a、采用混淆矩陣，觀察算法的效果，以及樣本的預測分類和真實分類；

b、基于混淆矩陣，用Kappa系數進行一致性檢驗，衡量標注結果的吻合程度；

c、計算訓練后模型的準確度。