[發明專利]一種基于深度學習的眼底圖像識別分類方法

有效

• 申請號: 202110274127.2
• 申請日: 2021-03-15
• 公開（公告）號: CN112966759B
• 公開（公告）日: 2022-05-10
• 發明（設計）人: 徐偉;陶淑蘋;樸永杰;馮汝鵬;鄭亮亮
• 申請（專利權）人: 中國科學院長春光學精密機械與物理研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/774
• 代理公司: 長春眾邦菁華知識產權代理有限公司 22214
• 代理人: 朱紅玲

一種基于深度學習的眼底圖像識別分類方法，涉及深度學習和圖像處理領域，解決現有深度學習方法進行眼底圖像識別存在著準確度與速度之間的矛盾制約，效率較低，且原始數據少，給訓練精度帶來極大的影響等問題。該方法包括：步驟1，將眼底圖像數據集進行數據增強后分為初始訓練集a和驗證集c，對訓練集a進行數據擴充得到相對改變性質較小的訓練集b1和相對改變性質較大的訓練集b2；步驟2，分別將三個有映射關系的訓練集a、b1、b2輸入到不同的神經網絡，其中將訓練集b1的訓練的卷積基復用到訓練集b2，再通過密集連接分類器生成分類標簽；步驟3，以圖像改變性質的大小通過驗證集c驗證賦以不同的權重，融合使用優化算法達到最終結果。

技術領域

本發明涉及深度學習和圖像處理領域，是針對醫學眼底圖像的識別分類技術的研究，具體是一種基于深度學習的眼底圖像識別分類方法。

背景技術

在醫學領域，觀察眼底圖像是判斷疾病的重要手段之一，通過觀察視網膜、晶狀體等眼部結構可以檢查出視神經疾病以及全身疾病比如高血壓、糖尿病等，因此對眼底圖像的識別技術非常重要。從眼底圖像數據集中找到特定病人的眼底圖像，人工幾乎是無法完成的，即使可以判別，效率也極低且主觀性強精度不高，所以需要通過機器學習的方式實現自動化識別分類。

相比于其他模式識別中的圖像集，眼底圖像具有數據量少，清晰度低，相對特征區別小導致不易識別等問題，現有的深度學習方法進行眼底圖像識別存在著準確度與速度之間的矛盾制約，效率較低，且原始數據少，給訓練精度帶來極大的影響。

近年來，利用深度學習進行圖像識別的技術不斷進步，尤其是卷積神經網絡在對圖像的識別上具有優異表現，取得了很好的效果，眼底圖像的自動化識別技術得到飛速發展，可以通過卷積神經網絡的訓練，快速準確的得到識別分類結果。

發明內容

本發明為解決現有深度學習方法進行眼底圖像識別存在著準確度與速度之間的矛盾制約，效率較低，且原始數據少，給訓練精度帶來極大的影響等問題，提供一種基于深度學習的眼底圖像識別分類方法。

一種基于深度學習的眼底圖像識別分類方法，該方法由以下步驟實現：

步驟一、將讀取的眼底圖像數據集進行數據增強后分為初始訓練集a和驗證集c，對所述初始訓練集a進行數據擴充獲得訓練集b1和訓練集b2；

步驟二、將所述初始訓練集a通過ResNet模型進行訓練，獲得訓練結果a；將訓練集b1和訓練集b2輸入通過AlexNet模型進行訓練，將所述訓練集b1的卷積基復用到訓練集b2，再通過密集連接分類器生成分類標簽，獲得訓練結果b；

步驟三、將步驟二獲得的訓練結果a和訓練結果b進行融合，獲得初始總體訓練結果；采用步驟一所述的驗證集c對所述初始總體訓練結果進行驗證，即：繪制權重分配與精確度曲線，利用爬山法找到最優值點，獲得對應的權重分配數值，獲得最終的訓練結果。

本發明的有益效果：本發明所述的分類方法將患者的眼底圖像進行了合理的訓練集和驗證集的比例和類型的劃分，同時將眼底圖像進行數據增強后輸入到已經訓練好的卷積神經網絡，可以識別分類得到該患者的其他眼底圖像。與其他基于深度學習的圖像識別分類方法相比，該方法對數據集要求小，占用計算資源較少，且運行速度較快，三重訓練集訓練后分配權重使眼底圖像特征更加充分，準確度也更高。

本發明所述的分類方法通過復用卷積基彌補算法的速度慢問題，提高訓練效率與精度，能夠較好的滿足眼底圖像識別分類的實際需求。

附圖說明

圖1為本發明所述的一種基于深度學習的眼底圖像識別分類方法的步驟一的流程圖；

圖2為本發明所述的一種基于深度學習的眼底圖像識別分類方法的訓練及優化流程圖；

圖3為本發明所述的一種基于深度學習的眼底圖像識別分類方法中ResNet模型示意圖；