[發明專利]一種基于深度學習的2型糖尿病腎臟病變圖像分類方法

在審

• 申請號: 202110158077.1
• 申請日: 2021-02-04
• 公開（公告）號: CN112950550A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 邱士軍;譚欣;梁藝;覃春紅;李伊凡
• 申請（專利權）人: 廣州中醫藥大學第一附屬醫院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06K9/62;G16H30/40;G06N3/04;G06N3/08
• 代理公司: 深圳至誠化育知識產權代理事務所(普通合伙) 44728
• 代理人: 劉英

1.一種基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，包括：

提取標記腎臟病變的糖尿病患者腎臟病變圖像，進行圖像預處理后，劃分訓練集和測試集；

在AlexNet卷積神經網絡模型的基礎上，每一個卷積層和全連接層前引入一個批歸一化層，得到深度卷積神經網絡BNnet，并將作為訓練集的糖尿病患者腎臟病變圖像輸入深度卷積神經網絡BNnet中進行訓練，調節網絡參數與函數，至輸出的結果為準確分類結果為止，訓練完成后將作為測試集的糖尿病患者腎臟病變圖像輸入訓練好的深度卷積神經網絡BNnet，驗證深度卷積神經網絡BNnet的準確性；

將實時拍攝的糖尿病患者腎臟病變圖像輸入訓練完成的深度卷積神經網絡BNnet，通過網絡模型的計算，輸出的結果作為對輸入的糖尿病患者腎臟病變圖像是否發生病變的分類結果。

2.根據權利要求1所述的基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，在將作為訓練集的糖尿病患者腎臟病變圖像輸入深度卷積神經網絡BNnet中進行訓練的步驟中，包括步驟：

采用遷移學習的策略利用ILSVRC2012數據集對深度卷積神經網絡BNnet進行預訓練；

將預訓練得到的模型遷移到糖尿病患者腎臟病變圖像上再學習，提取用于糖尿病患者腎臟病變圖像分類的深度特征；

將提取的糖尿病患者腎臟病變圖像分類的深度特征輸入由全連接層組成的深度分類器，對糖尿病患者腎臟病變圖像進行分類。

3.根據權利要求1所述的基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，在將作為測試集的糖尿病患者腎臟病變圖像輸入訓練好的深度卷積神經網絡BNnet，驗證深度卷積神經網絡BNnet的準確性的步驟中，令Ntotal代表測試集中圖像的總數量，Nrec代表其中被正確分類的圖像數量，則分類準確率表示為R＝Nrec/Ntotal。

4.根據權利要求1所述的基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，標記腎臟病變的糖尿病患者腎臟病變圖像的步驟包括：

糖尿病患者腎臟病變圖像數據傳輸到標簽軟件中，由專業醫師對圖像中的糖尿病腎臟病變打上唯一對應的類別標簽；

標注完成后，對標注后的糖尿病患者腎臟病變圖像數據進行圖像去噪、歸一化，數據增強操作進行預處理。

5.根據權利要求4所述的基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，在對數據增強操作的步驟中，包括：

數據量增強：對圖像進行旋轉45°/90°/180°、裁剪、往上下左右4個方向各平移30％、水平方向做鏡像及上述操作的組合。

6.根據權利要求2所述的基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，進行圖像預處理的步驟包括：

剔除ILSVRC2012數據集中前10個時間點數據；

時間層校正；一般選擇中間層作為參照層，由于每個被試數據的時間層均為33層，故選擇第33層作為參考層；

圖像校正，以平動2mm或在X、Y、Z軸方向上旋轉3°為標準，超過上述規定的兩個范圍的被試數據將被排除；

空間標準化，對不同的個體腎臟在形狀、大小方面存在明顯的差異進行比較時需進行標準化處理；

平滑處理，以使殘差項更接近符合高斯分布，提高信噪比和減小標準化之后還剩余的部分個體之間的差異。

7.根據權利要求1所述的基于深度學習的2型糖尿病腎臟病變圖像分類方法，其特征在于，深度卷積神經網絡BNnet是在AlexNet網絡的基礎上對每個卷積層和全連接層前引入批歸一化層得到，其中在每個歸一化層后緊跟一個ReLU層以保證神經網絡在訓練過程中的非線性；深度卷積神經網絡BNnet由卷積層、批歸一化層、全連接層及一個1000類的softmax層組成；為了使深度卷積神經網絡BNnet在視網膜數據不足的情況下依舊能提取到對分類任務有效的深度特征，采用ILSVRC2012數據集對BNnet網絡進行預訓練，再將經過100000次迭代后保存的模型遷移到糖尿病腎臟圖像上進行微調學習從而實現糖尿病腎臟圖像深度特征的提取。