[发明专利]一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法

权利要求书

1.一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，包括以下步骤：

S1：准备照片库，所述照片库中包含若干包括诊断标记的激光单通道眼底镜照片，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；其中所述糖尿病视网膜病变共四类：none，mild，moderate，severe。

S2：对所述照片库中的眼底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；

S3：针对多类糖尿病视网膜病变建立一种包含fire模块的超轻量级SqueezeNet深度卷积神经网络；所述深度卷积神经网络包括多层神经网络架构；所述深度卷积神经网络中，各层所述神经网络架构均基于其前一层所述神经网络架构而搭建；

S4：针对所述SqueezeNet深度卷积神经网络，采用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，从而得到针对糖尿病视网膜病变的训练后的深度卷积神经网络；

S5：基于所述训练后的深度卷积神经网络中最后一层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。

2.根据权利要求1所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，所述深度卷积神经网络包含多层神经网络架构，依次为：数据输入层、卷积层、最大池化层、fire模块、fire模块、最大池化层、fire模块、fire模块、最大池化层、fire模块、fire模块、fire模块、fire模块、卷积层、全局平均池化层；其中，数据输入层用于输入已经预处理好的图像，即输入训练范例照片；fire模块用于压缩和扩展数据；最大池化层用于对其上一层的输出而在每一个局域范围内选出最大的值作为其输出；全局平均池化层用于对每张特征图的输出；所述全局平均池化层输出每张特征图的4类得分，使用softmax函数归一化为概率。

3.根据权利要求2所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，所述fire模块为基础模块：其中包含三个卷积层，分为squeeze和expand两部分，分别用来压缩和扩展数据的通道数。

4.根据权利要求1所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，在训练深度卷积神经网络的各层神经网络架构时，使用交叉熵Multinomial LogisticLoss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所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，在训练深度卷积神经网络的各层神经网络架构时，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所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，在训练深度卷积神经网络的各层神经网络架构时，对深度卷积神经网络中的各参数使用L2Weight Decay规则化。

7.根据权利要求1所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，在训练深度卷积神经网络的各层神经网络架构时，神经网络中的每一个卷积层的输出均经过Leaky ReLu激活函数运算后再传入下一层神经网络架构。

8.根据权利要求1所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，在训练深度卷积神经网络的各层神经网络架构时，采用“Xavier”方法来初始化深度卷积神经网络的权重。

9.根据权利要求1所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，对所述的眼底照片的预处理包括分辨率调整和将图像转成伪彩色图像。

10.根据权利要求1所述的使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，其特征在于，所述照片库需确保将原本每类不平衡的眼底镜照片图像扩增为每种病变分类均具有足够数量且相同数量级的眼底镜照片。