[发明专利]一种基于迁移学习的甲状腺相关性眼病检测方法

权利要求书

1.一种基于迁移学习的甲状腺相关性眼病检测方法，其特征在于，包括以下步骤：

步骤1：数据准备；

对眼部区域进行医学扫描，获得3种位图样本，包括水平位图样本、矢状位图样本和冠状位图样本；对获得的位图样本进行预处理，得到位图样本中的病症区域和左右眼位位置；

步骤2：数据增强处理；

对预处理后的位图样本进行旋转、平移、缩放操作，然后将所有位图样本依比例划分为训练集、测试集和验证集；

步骤3：针对每种位图样本，分别设计一个对应的迁移网络，获得第一迁移网络、第二迁移网络、第三迁移网络，3个迁移网络构成主体网络结构；

步骤4：训练3个迁移网络；

使用对应类别的训练集来训练3个迁移网络，并用验证集来调试网络参数；

步骤5：用投票法来整合3个迁移网络的输出，得到最后系统的诊断输出。

2.根据权利要求1所述的基于迁移学习的甲状腺相关性眼病检测方法，其特征在于：步骤1中所述对原始眼部医学影像进行预处理，是通过手工框选出左右眼眶区域，即目标区域，去除多余的无用区域。

3.根据权利要求2所述的基于迁移学习的甲状腺相关性眼病检测方法，其特征在于：选取右眼眶为标准眼位，将水平位图和冠状位图中的左眼眶区域进行水平翻转操作，获得左眼眶区域。

4.根据权利要求1所述的基于迁移学习的甲状腺相关性眼病检测方法，其特征在于：步骤2中，平移和缩放的随机区间范围均为0～10％，旋转的随机区间范围为0～10°；最后将增强后的位图样本按照4:1:1的比例来划分训练集、验证集和测试集。

5.根据权利要求1所述的基于迁移学习的甲状腺相关性眼病检测方法，其特征在于：步骤3中，第一迁移网络对应水平位图，包含一个Google Inception-v3模型，最后全连接层的神经元个数依层数为2048，优化函数为Adam；第二迁移网络2对应矢状位图，包含一个Google Inception-v3模型，最后全连接层的神经元个数依层数为2048，优化函数为Adam；第三迁移网络3对应冠状位图，包含一个Google Inception-v3模型，最后全连接层的神经元个数依层数分别为2048和1024，优化函数为Adam；学习率是一个超参数，需要通过验证集来不断调整；3个迁移网络的最后一层为分类层，均采用relu函数来构造交叉损失函数。

6.根据权利要求1所述的基于迁移学习的甲状腺相关性眼病检测方法，其特征在于：步骤4中，分别用对应类别的训练集来训练迁移网络，利用反向传播策略，通过Adam来更新网络参数，每次送入网络的训练样本批量为64，训练次数为3000次；训练后看各个迁移网络在验证集上的表现，然后调整学习率；最后经过验证集上的效果比较，第一迁移网络的最优学习率为0.01，第二迁移网络的最优学习率为0.01，第三迁移网络的最优学习率为0.0001。

7.根据权利要求1-6任意一项所述的基于迁移学习的甲状腺相关性眼病检测方法，其特征在于：步骤5中，使用测试集来检验检测效果。