[發明專利]一種基于糖尿病足傷口缺血或感染圖像的深度學習分期方法

在審

• 申請號: 202110698282.7
• 申請日: 2021-06-23
• 公開（公告）號: CN113537300A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 陳瑜倩;呂東輝;馮國瑞
• 申請（專利權）人: 上海大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00;G06T5/00;G06N3/04;G06N3/08
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 何文欣

1.一種基于糖尿病足傷口缺血或感染圖像的深度學習分期方法，其特征在于，包括以下操作步驟：

步驟S1：獲取數據集，數據集包括糖尿病足傷口圖片和每張圖片對應的標簽；標簽的值為0、1、2或3；

標簽的值為0時表示對應糖尿病足圖片的傷口既無感染也沒有缺血現象；

標簽的值為1時表示對應的糖尿病足圖片的傷口處于有感染無缺血的狀況；

標簽的值為2時表示對應的糖尿病足圖片的傷口處于有缺血無感染的狀況；

標簽的值為3時表示對應的糖尿病足圖片的傷口處于既感染又缺血得狀況；

步驟S2：通過組合式數據增強方式對糖尿病足潰瘍傷口數據集進行增強，得到增強后的數據集；所述增強方式包括：左右翻轉、360°隨機角度旋轉以及添加隨機高斯噪聲；

步驟S3：搭建兩輸入單輸出集成融合深度學習模型并進行訓練；所述深度學習模型包含兩個深度學習網絡、兩個GlobalAveragePooling層、一個全連接層和一個softMax分類器，其中兩個深度網絡分別是凍結輸出層的DenseNet121和EfficientNet-B0；

步驟S4：將待預測的糖尿病足傷口圖像輸入訓練后的深度學習模型，并對其進行分類分期。

2.根據權利要求1所述基于糖尿病足傷口缺血或感染圖像的深度學習分期方法，其特征在于，在所述步驟S2中，通過組合式數據增強方式對糖尿病足潰瘍傷口數據集進行增強的計算公式如下：

I_noise＝I*G(x，y)；

其中，I表示原始圖像矩陣，G(x，y)表示高斯噪聲函數，G(x，y)中的x，y分別表示二維函數的橫縱坐標，σ²表示方差值，取方差值等于0.3，I_noise表示處理后的圖像矩陣。

3.根據權利要求1所述基于糖尿病足傷口缺血或感染圖像的深度學習分期方法，其特征在于：在所述步驟S3中，將凍結了輸出層的深度學習網絡DenseNet121和EfficientNet-B0分別連接一個GlobalAveragePooling層后，通過Concatenate拼接融合在一起后在連接全連接層，最后將全連接層的數據直接輸入softMax層進行分類；

在訓練過程中，采用Imagenet數據集的預訓練模型參數，作為訓練時特征提取的初始參數，并使用訓練數據集進行整個網絡參數的訓練；

整個訓練過程中，損失函數選擇categorical_crossentropy交叉熵損失函數，交叉熵是用來評估當前訓練得到的概率分布與真實分布的差異情況，差異越小，損失函數的值越接近0；梯度下降優化選擇了Adam優化器，參數根據初始學習率乘以梯度均值與梯度方差的平方根之比進行更新；其計算公式為：

其中t表示次數，是m_t的糾正，是v_t的糾正，β₁，β₂是常數，控制指數衰減，m_t是梯度的指數移動均值，通過梯度的一階矩求得；V_t是平方梯度，通過梯度的二階矩求得；

m_t和v_t的更新方法如下：

m_t＝β₁*m_t-1+(1-β₁)*g_t；

其中g_t為一階導，以上所有參數都默認設置為：α＝0.0001，β₁＝0.9，β₂＝0.999，ε＝10^-8；

采用cosine decay with warmup的學習率衰減策略，Warmup是一種學習率預熱的方法，在訓練開始的時候先使用一個小的學習率，等到模型慢慢趨于穩定，再修改為預先設置的學習率來進行訓練；Cosine Decay是學習率衰減方法，按照余弦函數的方式衰減，將學習率降低至最優值。

4.根據權利要求1所述基于糖尿病足傷口缺血或感染圖像的深度學習分期方法，其特征在于：在所述步驟S4中，將糖尿病足傷口圖像的圖片調整到統一尺寸224×224，然后利用softmax分類器，將處理好的數據集輸入到訓練好的模型上進行分類，輸出介于0～1的概率值，從而得到分類結果。