[發明專利]一種基于移動端的眼底圖像分類方法及系統

在審

• 申請號: 202211014669.7
• 申請日: 2022-08-23
• 公開（公告）號: CN115409796A
• 公開（公告）日: 2022-11-29
• 發明（設計）人: 鄭儒楠;羅靜;孟永安;李超宏
• 申請（專利權）人: 蘇州微清醫療器械有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京眾達德權知識產權代理有限公司 11570
• 代理人: 吳瑩

1.一種基于移動端的眼底圖像分類方法，其特征在于，所述方法包括：

基于DenseNet，構建基礎眼底圖像識別層；

構建圖像分類器，根據所述基礎眼底圖像識別層和所述圖像分類器，構建獲得基礎眼底圖像分類模型；

根據所述基礎眼底圖像分類模型，通過知識蒸餾，獲得移動端眼底圖像分類模型；

采集獲取目標用戶的眼底圖像，獲得目標眼底圖像；

對所述目標眼底圖像進行數據增強擴充，獲得目標眼底圖像集合；

將所述目標眼底圖像集合輸入所述移動端眼底圖像分類模型，獲得圖像分類結果。

2.根據權利要求1所述的方法，其特征在于，所述基于DenseNet，構建基礎眼底圖像識別層，包括：

分別采集獲取多類病種的多個眼底圖像，獲得多個樣本眼底圖像；

對所述多個樣本眼底圖像進行數據增強擴充，獲得多個樣本眼底圖像集合；

分別對所述多個樣本眼底圖像集合進行特征數據標識，獲得多個樣本特征數據集合；

基于DenseNet，構建所述基礎眼底圖像識別層的基礎網絡結構，其中，所述基礎網絡結構包括：

X_i＝H_i([X₀，X₁，...，X_i-1])

其中，X_i為第i層輸出，[X₀，X₁，...，X_i-1]為X₀到X_i-1層的所有輸出特征向量的拼接組合，H_i為第i層進行的非線性變換，非線性變換H為BN+ReLU+Conv(3×3)的組合；

采用所述多個樣本眼底圖像集合和所述多個樣本特征數據集合，對所述基礎眼底圖像識別層進行監督訓練，直到收斂或準確率達到預設要求。

3.根據權利要求2所述的方法，其特征在于，所述構建圖像分類器，包括：

基于隨機森林算法，有放回地在所述多個樣本特征數據集合內隨機選擇M個樣本特征數據集合，作為第一構建數據集；

采用所述第一構建數據集，構建所述圖像分類器的第一子模型；

再次有放回地在所述多個樣本特征數據集合內隨機選擇M個樣本特征數據集合，作為第二構建數據集；

采用所述第二構建數據集，構建所述圖像分類器的第二子模型；

繼續構建所述圖像分類器的多個子模型，集成所述多個子模型，獲得所述圖像分類器；

根據所述基礎眼底圖像識別層和所述圖像分類器，構建獲得所述基礎眼底圖像分類模型。

4.根據權利要求3所述的方法，其特征在于，根據所述基礎眼底圖像識別層和所述圖像分類器，構建獲得所述基礎眼底圖像分類模型，包括：

通過global AvgPooling層連接所述基礎眼底圖像識別層和所述圖像分類器；

根據基礎模型損失函數，對連接的所述基礎眼底圖像識別層和所述圖像分類器進行迭代訓練，獲得所述基礎眼底圖像分類模型，其中，所述基礎模型損失函數如下式：

y_pred_m＝round(output_m)

diff＝y_true-y_pred

其中，output_m為所述圖像分類器輸出的第m種病種的概率，round為取整函數，y_pred_m為經取整后的output_m的值，y_true為onehot編碼形式的實際的第m種病種的標簽值，diff為y_true與y_pred的差，sum_i(x)為統計x內值為i的個數，muliti_loss為所述基礎模型損失函數。