[发明专利]用于判别角膜溃烂的深度学习模型的构建方法及其系统

说明书

本发明公开了用于判别角膜溃烂的深度学习模型的构建方法及其系统，对角膜测试图像进行处理，并且利用AlexNet和VGGNet来获取不同的深度学习模型，并在此之后，通过不断调整深度学习模型的各类参数来获取新的深度学习模型，在每次调整后，均以识别率更高的深度学习模型作为基础与下次调整后的进行比较，因此能够针对深度学习模型的各项参数分别进行优化，总体上藉由这些优化，能够大大提升识别率。因此，本发明给出了优化后的深度学习模型的构建方法，此深度学习模型能够代替人眼判别且具有较高的识别率，方便医务人员及研究者使用。

技术领域

本发明涉及深度学习领域，尤其是用于判别角膜溃烂的深度学习模型的构建方法及其系统。

背景技术

在传统方法中，医生主要借助于角膜荧光素染色形成的颜色差别来判断角膜中的健康区域和受损区域，然后根据受损区域的特征，人为判断此角膜溃烂症状是处于严重期还是过渡期，但是人眼的判断存在误差且容易受到主观因素的影响，因此会对病情的客观分析产生影响，从而影响对患者的正确治疗。

发明内容

为了解决上述问题，本发明的目的是提供用于判别角膜溃烂的深度学习模型的构建方法及其系统，给出了优化后的深度学习模型，能够代替人眼判别且具有较高的识别率，方便医务人员及研究者使用。

为了弥补现有技术的不足，本发明采用的技术方案是：

用于判别角膜溃烂的深度学习模型的构建方法，包括以下步骤：

对角膜测试图像进行处理，得到角膜处理图像；

基于AlexNet和VGGNet训练得到两个深度学习模型并利用此两个深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第一深度学习模型；

调整第一深度学习模型的卷积层数，由调整前与调整后的第一深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第二深度学习模型；

用于调整第二深度学习模型的卷积核数，由调整前与调整后的第二深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为第三深度学习模型；

用于调整第三深度学习模型的优化器模型，由调整前与调整后的第三深度学习模型分别对角膜处理图像进行识别，将识别率更高的作为最终判别模型。

进一步，对角膜测试图像进行处理，包括：

对角膜测试图像进行裁剪，以提取有效区域；所述有效区域为角膜测试图像中像素值不为零的区域；

对裁剪后的图像进行亮度以及对比度的随机调整，从而实现样本扩充。

进一步，对角膜测试图像进行裁剪，以提取有效区域，包括：

设立像素值阈值为X，逐行扫描角膜测试图像中像素；

获取的第一个像素值大于X的像素点的纵坐标，即为有效区域内最上方点A的纵坐标；

获取的最后一个像素值大于X的像素点的纵坐标，即为有效区域内最下方点C的纵坐标；

获取的第一个像素值大于X的像素点的横坐标，即为有效区域内最左方点B的横坐标；

获取的最后一个像素值大于X的像素点的横坐标，即为有效区域内最右方点D的横坐标；

沿A、C的横向，B、D的纵向进行裁剪，从而提取有效区域。

进一步，对裁剪后的图像进行亮度和对比度的随机调整，包括：基于公式g(x)＝a*f(x)+b调整亮度和对比度；其中，f(x)表示调整前的图像像素，g(x)表示调整后的图像像素，a为用于控制图像对比度的增益，b为用于控制图像亮度的偏置，a、b在每次调整中随机取值。