[发明专利]基于深度学习的糖尿病视网膜病变分类分级方法

权利要求书

1.一种基于深度学习的糖尿病视网膜病变分类分级系统，其特征在于：所述基于深度学习的糖尿病视网膜病变分类分级系统包括针对每类糖尿病视网膜病变的多个训练后的深度卷积神经网络；

所述基于深度学习的糖尿病视网膜病变分类分级系统采用的基于深度学习的糖尿病视网膜病变分类方法包括以下步骤：

（1）准备照片库，所述照片库中包含若干包括诊断标记的眼底镜照片，且每类糖尿病视网膜病变均对应有具有多张所述眼底镜照片的分类照片库；

（2）对所述照片库中的眼底镜照片进行预处理而得训练范例照片，且所述训练范例照片构成训练范例库，所述训练范例库中的照片数量大于所述照片库中的照片数量；每类糖尿病视网膜病变均对应有具有多张所述训练范例照片的分类训练范例库；

（3）针对每类糖尿病视网膜病变分别建立其对应的深度卷积神经网络；每个所述深度卷积神经网络均包括多级神经网络架构；每个所述深度卷积神经网络中，除第一级所述神经网络架构以外的各级所述神经网络架构基于其前一级所述神经网络架构而搭建，各级所述神经网络架构的层数和输入分辨率逐级增加；

（4）针对每个所述深度卷积神经网络，采用对应的所述分类训练范例库中的训练范例照片多次训练所述深度卷积神经网络中的各级神经网络架构，训练时按照设定的学习率调整所述神经网络架构的参数，从而得到针对每类糖尿病视网膜病变的多个训练后的深度卷积神经网络；

（5）基于各所述训练后的深度卷积神经网络中最后一级所述神经网络架构的输出值对所述糖尿病视网膜病变进行分级；

对所述眼底镜照片进行的预处理包括分辨率调整、像素归一化；进行所述分辨率调整时，将每张所述眼底镜照片调整为分辨率递增的多张所述训练范例照片，每张所述眼底镜照片所对应的多张所述训练范例照片的张数与所述深度卷积神经网络所包含的神经网络架构的级数相等，且在训练所述深度卷积神经网络时，采用各级所述神经网络架构对应的训练范例照片对其进行训练；

训练各级所述神经网络架构时，通过随机选取法而确定第一级所述神经网络架构的初始参数；采用训练后的一级所述神经网络架构的部分参数作为下一级所述神经网络架构的部分初始参数，其余部分初始参数随机初始化。

2.根据权利要求1所述的基于深度学习的糖尿病视网膜病变分类分级系统，其特征在于：每个所述深度卷积神经网络均包括三级所述神经网络架构，分别为第一级神经网络架构、第二级神经网络架构、第三级神经网络架构；

所述第一级神经网络架构包括19层神经元，依次分别为：输入层、卷基层、卷基层、最大池化层、卷基层、卷基层、卷基层、最大池化层、卷基层、卷基层、卷基层、均方根池化层、丢弃层、全连接层、最大池化层、丢弃层、全连接层、最大池化层、输出层；

在所述第一级神经网络架构中的均方根池化层之前首次增加四层神经元而构成所述第二级神经网络架构，首次增加的四层神经元依次分别为：最大池化层、卷基层、卷基层、卷基层；

在所述第二级神经网络架构中的均方根池化层之前再次增加四层神经元而构成所述第三级神经网络架构，再次增加的四层神经元依次分别为：最大池化层、卷基层、卷基层、卷基层。

3.根据权利要求2所述的基于深度学习的糖尿病视网膜病变分类分级系统，其特征在于：训练各级所述神经网络架构时，各级所述神经网络架构中的每一个卷基层的输出和每一个全连接层的输出均经过Leaky ReLu方程运算后再传至下一层神经元。

4.根据权利要求1或2所述的基于深度学习的糖尿病视网膜病变分类分级系统，其特征在于：训练各级所述神经网络架构时，使用Mean Squared Error作为损失函数，使用Nesterov Momentum算法作为学习算法。

5.根据权利要求1或2所述的基于深度学习的糖尿病视网膜病变分类分级系统，其特征在于：训练各级所述神经网络架构时，每次训练的学习率小于或等于前一次训练的学习率。

6.根据权利要求1或2所述的基于深度学习的糖尿病视网膜病变分类分级系统，其特征在于：训练各级所述神经网络架构时，对所述深度卷积神经网络中的各参数使用L2 WeightDecay规则化。