[发明专利]基于深度神经网络的早产儿视网膜病变检测方法及装置

权利要求书

1.一种基于深度神经网络的早产儿视网膜病变检测方法，其特征在于，包括：

采集多张眼底图像数据；

基于预设规则对所述多张眼底图像数据进行标注，生成待处理图像数据；

将所述待处理图像数据按照预设比例划分为训练集和测试集；

建立深度神经网络模型；

基于所述训练集训练所述深度神经网络模型；

将所述测试集中的数据通过已经训练好的所述深度神经网络模型处理，以获取处理后的输出数据；

基于所述输出数据获取ROP病变诊断结果；

其中：所述的基于所述训练集训练所述深度神经网络模型，包括：

基于旋转、裁剪和/或加噪声方法对所述眼底图像数据集进行增广操作，以获得比所述训练集更大的数据集合；

对输入的所述图像数据，使用图像数据的三通道(RGB)灰度值作为深度神经网络的输入值；

设计多类别分类器的性能函数，通过求解最优化问题来获得网络的权值矩阵；

对所述深度神经网络模型进行前向计算，具体地，对一个L层的前馈神经网络，设其训练样本集合为X∈R^m×n，其中，m为单个样本的维度，n表示训练样本的个数，那么，第i个样本可表示为X_i，设第l层的第j个神经元到l+1层的第k个神经元连接权值记为则第l层到l+1层的连接权值矩阵为W^(l)，设第l层上神经元的激活函数为f(·)，从输入层到输出层，不断进行前向计算，其过程为：

其中，a_i^(l)表示第l层神经元对于第i个样本的激活值，那么，网络输出层神经元的激活值为：

a_i^L＝f^(L-1)(W^(L-1)·f^(L-2)(W^(L-2)…a_i⁽⁰⁾))，

最后一层的网络输出为设计性能函数a_i⁽ⁿ⁾，所述设计性能函数满足：

将前向计算所获得的一组图像的预测类别，与其真实所属类别相比对，使用所述性能函数来计算网络预测值与目标输出值的差异，并使用反向传播算法实现网络权值更新：

直至网络收敛或达到规定的迭代次数为止。

2.根据权利要求1所述的方法，其特征在于，所述的将所述待处理图像数据按照预设比例划分为训练集和测试集，之前还包括：

对每张所述眼底图像数据进行高通滤波，并将其缩放至预设规格的输入图像大小。

3.根据权利要求1所述的方法，其特征在于，所述的建立深度神经网络模型，包括：

建立包括有特征提取模块、特征绑定模块和分类模块的所述深度神经网络模型，其中，所述特征提取模块包括一个输入层和多个卷积结构，每个所述卷积结构由多个不同尺度的卷积层和池化层构成，所述特征绑定模块包括一个多尺度池化层，所述多尺度池化层在图像维度上对所述训练集中所携带的多个图像的特征进行绑定，所述分类模块包括一个多类别分类器。

4.根据权利要求1所述的方法，其特征在于，所述的基于所述输出数据获取ROP病变诊断结果，包括：

获取所述输出数据所对应的类别；

获取所述类别所对应的ROP病变信息；

基于所述ROP病变信息获取ROP病变诊断结果。