[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

说明书

本发明公开了一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，它针对每一类糖尿病视网膜病变准备大量SLO眼底照片并进行预处理和数据扩增；建立包含fire模块的超轻量级SqueezeNet深度卷积神经网络；基于大量眼底照片对深度卷积神经网络进行训练，使深度卷积神经网络的最终输出值符合眼底照片的分级结果；从而即可利用训练好的深度卷积神经网络自动进行疾病分级。本发明的方法通过对大量包括诊断标记的眼底镜照片的运用，通过超轻量级深度学习网络和很少的参数来实现自动从训练范例库中学习所需特征并进行分级判断，在训练过程中不断纠正用于判断的数据特征以及深度卷积神经网络参数，从而能够极大提高在现实应用场景中的分级准确性和可靠度。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种对每类糖尿病视网膜病变进行分级的方法。

背景技术

糖尿病是严重影响人类健康的内分泌疾病，致残致死率仅次于心脑血管疾病及癌症。该疾病不仅给人类带来巨大痛苦，且带来众多并发症，其中，以糖尿病视网膜病变(简称“糖网病”，Diabetic retinopathy，DR)发生率最高，对视力影响也最大。由于每个糖尿病患者都有发展为DR的可能，而DR具有进行性，不可逆性。因此，如何准确筛查无明显视力损伤的糖尿病患者是否存在DR，不仅为早期诊断，早期治疗从而挽救患者视力功能提供先机，还可节约大量社会医疗资源。现阶段DR分级基本依靠眼科医生对眼底图像的肉眼观察，这对实施大规模DR筛查而言存在明显不足和局限。因此，若能借助计算机快速，可靠自动识别出眼底图像属于的类别，不仅可将医生从繁重的人工阅片中解脱出来，更为DR筛查大规模实施提供必备基础条件。

现有技术中，对各类糖尿病视网膜病变的分级普遍基于人工定义的若干项目标特征而进行，例如公开号为CN105513077A的中国发明专利中，公开了一种用于糖尿病视网膜病变筛查的系统，它通过分类器对人工定义的若干项目标特征，如血管轮廓，红色病变(微血瘤)，亮度病变(渗出、棉絮斑)等进行识别和判断，以达到对糖尿病视网膜病变分级进行预测的目的。目前的糖尿病视网膜病变分级技术基本属于该技术流派。上述分级方法存在的缺陷在于：一，人工定义的特征具有局限性，无法充分利用医疗影像中的信息，造成实际应用中准确性受限；二，算法是静态的，准确性无法随着获得的病人数据的增加而提高。

发明内容

根据现有技术存在的问题，本发明公开了一种使用超轻量级SqueezeNet网络的糖尿病视网膜病变分级方法，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(scanning laser ophthalmoscope,SLO)照片，且每类糖尿病视网膜病变(共四类：none,mild,moderate,severe)均对应有具有多张所述眼底镜照片的分类照片库；

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：针对四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。