[發明專利]一種基于深度神經網絡的眼底異常預測系統

在審

• 申請號: 202011532528.5
• 申請日: 2020-12-22
• 公開（公告）號: CN112652392A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 章毅;陳媛媛;張煒;陳怡;王樹斌
• 申請（專利權）人: 成都市愛迦科技有限責任公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H50/30;G16H50/50;G06K9/00;G06N3/04;G06N3/08;A61B3/12;A61B3/14
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 孟仕杰

1.一種基于深度神經網絡的眼底異常預測系統，其特征在于：包括

異常眼底篩查子模型，用于判斷受試者眼底正常或異常；

異常體征識別子模型，用于預測受試者眼底體征正常或異常，完成異常眼底部位的進一步檢測，所述眼底體征異常包括視盤病變、視網膜病變、黃斑病變和玻璃體病變；

眼底疾病診斷子模型，用于預測受試者的眼底是否患有四種潛在的威脅視力的眼底疾病，具體包括視網膜糖尿病病變、近視、視網膜裂孔和視網膜脫落；

第一分類器，異常眼底篩查子模型采用第一分類器作為分類器；

第二分類器，異常體征識別子模型和眼底疾病診斷子模型均采用第二分類器作為分類器；

第一特征提取器、第二特征提取器、第三特征提取器、第四特征提取器、第一學習器、第二學習器、第三學習器和第四學習器，其中，第一特征提取器采用DenseNet201，第二特征提取器采用InceptionV3，第三特征提取器采用IncepResnetV2，第四特征提取器采用Xception。

2.根據權利要求1所述的一種基于深度神經網絡的眼底異常預測系統，其特征在于：所述第一分類器由兩個深度神經網絡卷積塊和若干個全連接的神經網絡層組成，所述每一個深度神經網絡卷積塊內部分別包括32個3*3卷積核和64個3*3卷積核，所述每一個深度神經網絡卷積塊均采用ReLU函數進行各層神經元之間的非線性映射，并使用2*2的最大池化層進行特征壓縮，其后添加dropout層，最后使用Softmax函數輸出眼底正常或異常的概率值，并利用二分類熵對第一分類器每一批次的訓練效果進行控制。

3.根據權利要求2所述的一種基于深度神經網絡的眼底異常預測系統，其特征在于：異常眼底篩查子模型構建過程包括：

對學習率的控制采用步長學習方法訓練第一分類器，初始速率是2e-5，然后以0.5的固定步長降低到2e-10，其中，采用第一特征提取器和第一分類器串聯組成第一學習器，并利用第一學習器建立異常眼底篩查子模型。

4.根據權利要求1所述的一種基于深度神經網絡的眼底異常預測系統，其特征在于：所述第二分類器為五層的全連接感知分類器，所述第二分類器的第一層為Global averagepooling(GAP)層，所述第二分類器第二層至第五層分別包含2048、1024、512和256個隱藏神經元，所述第二分類器的第一層至第五層之后均添加Leaky ReLU函數和dropout層，所述第二分類器的第五層添加Softmax函數。

5.根據權利要求4所述的一種基于深度神經網絡的眼底異常預測系統法，其特征在于：所述異常體征識別子模型的構建過程包括：

采用的分步學習方法訓練第二分類器，如果驗證集的損失不再減少，網絡訓練將在10次迭代之后中斷，將第二特征提取器和第三特征提取器分別與第二分類器串聯，并利用平均Softmax函數值的方法建立二值分類模型，將第四特征提取器與第二分類器串聯，并將第四特征提取器和二值分類模型進行訓練后建立第二學習器、第三學習器和第四學習器，利用第二學習器、第三學習器和第四學習器建立異常體征識別子模型。

6.根據權利要求4所述的一種基于深度神經網絡的眼底異常預測系統法，其特征在于：所述眼底疾病診斷子模型的構建過程包括：

將第二特征提取器、第三特征提取器和第四特征提取器分別與第二分類器串聯，并利用平均Softmax函數值的方法分別建立第二學習器、第三學習器和第四學習器，利用第二學習器、第三學習器和第四學習器建立眼底疾病診斷子模型。