[发明专利]一种糖尿病视网膜病变分期预测方法

权利要求书

1.一种糖尿病视网膜病变分期预测方法，其特征在于，所述方法包括以下步骤：

采集糖尿病患者的眼底彩照图像；

将眼底彩照图像输入已训练好的单纯分期网络模型，获取糖网分期结果特征；

将眼底彩照图像输入已训练好的病灶分割网络模型，获取糖网病灶分割结果特征；

将糖网分期结果特征与糖网病灶分割结果特征进行组合，获得分割分期组合特征；

根据预判定的各分期最佳分类器和各分期最佳分类器的优先级，结合所述分割分期组合特征预测糖尿病视网膜病变分期类别；

各分期最佳分类器和各分期最佳分类器的优先级判定方法包括：

采用训练所述单纯分期网络模型的训练集数据独立训练梯度提升树、K-近邻、随机梯度下降线性逻辑回归分类、支持向量机4个机器学习模型；

根据4个机器学习模型在验证集上的准确率筛选出默认模型；

根据各分期类别上4个机器学习模型的查准率高低顺序确定各分期最佳分类器；

根据各分期最佳分类器的查准率的高低顺序排出最佳分类器的优先级。

2.根据权利要求1所述的糖尿病视网膜病变分期预测方法，其特征在于，所述单纯分期网络模型的训练方法包括：

采用ResNet-50网络模型作为训练模型，采集不同病变程度的眼底彩照图像作为训练样本；

将不同病变程度的眼底彩照图像按照样本占比的倒数进行重采样，保证各期的图像样本数一致；

随着训练的进行将重采样比例恢复到接近真实的数据集中的比例，重采样比例：w_i＝r^t-1w_o+(1-r^t-1)w_f，w_o表示训练开始时的重采样比例，保证重采样后各类样本的数量相等；w_f表示训练epoch数接近正无穷时的重采样比例，取经验值1:2:2:2:2；t表示当前的epoch计数；r表示衰减因子；

采用均方误差作为损失函数，Adam算法作为优化算法，训练获得单纯分期网络模型。

3.根据权利要求2所述的糖尿病视网膜病变分期预测方法，其特征在于，所述单纯分期网络模型的训练方法还包括：

对训练样本中的眼底彩照图像进行预处理，包括：裁剪黑边、尺寸缩放、旋转、平移、归一化。

4.根据权利要求2所述的糖尿病视网膜病变分期预测方法，其特征在于，所述病变程度包括正常、轻微病变、中度病变、重度非增殖病变和增殖期病变。

5.根据权利要求1所述的糖尿病视网膜病变分期预测方法，其特征在于，所述病灶分割网络模型的训练方法包括：

采用MaskRCNN网络模型作为训练模型；

采用糖网病灶分割数据训练所述MaskRCNN网络模型。

6.根据权利要求5所述的糖尿病视网膜病变分期预测方法，其特征在于，所述糖网病灶分割结果特征的获取方法包括：

计算微血管瘤、硬性渗出、棉绒斑和出血四类病灶的统计特征，所述统计特征包括：像素点面积、在眼底彩照图像上的连通域数量和各个连通域的轮廓周长总和；

分别取各统计特征的自然对数作为糖网病灶分割结果特征。

7.根据权利要求1所述的糖尿病视网膜病变分期预测方法，其特征在于，所述糖尿病视网膜病变分期类别的预测方法包括：

从最高优先级的最佳分类器开始，判断是否满足条件其中：是输入模型的特征，M_i是各分期最佳分类器，i是对应的分期类别；

如果满足则预测分期类别直接为i，否则，进入低一级优先级的最佳分类器的判断条件；

如果所有优先级下的判断条件都不满足，则选用默认模型的输出作为预测分期类别。