[发明专利]基于深度学习的糖尿病视网膜病变图像多分类方法

权利要求书

1.一种基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于，包括如下步骤：

S1：获取一系列五种类别的眼底图像作为原始数据集，将原始数据集进行预处理，得到适合网络训练的图片规模大小；

S2：基于步骤S1中预处理后的数据集进行类别数据平衡，并将类别数据平衡后的数据集划分为训练集和测试集，所述类别数据平衡的方式包括用于保持所述训练集个数平衡的上采样及下采样；

S3：将步骤S2中类别数据平衡后的数据集进行迁移训练，所述迁移训练包括第一次迁移训练与第二次迁移训练，第一次迁移训练是将小尺寸训练集图像输入至网络中进行训练，生成特征图，其中，训练网络浅层采用VGG16网络结构参数，深层网络参数根据训练集图像进行第一次微调；第二次迁移训练是将第一次微调得到的模型迁移至大尺寸训练集图像进行第二次微调，得到糖尿病视网膜病变图像多分类模型；

S4：将待测样本输入所述步骤S3中的糖尿病视网膜病变图像多分类模型进行预测，并完成对糖尿病视网膜病变图像的分类。

2.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述步骤S1中的预处理包括高斯滤波处理及降采样；

高斯滤波是用一个卷积扫描图像中的每一个像素，用卷积确定的邻域内像素的加权平均灰度值替代卷积中心像素点的值；

降采样是减少采样点数，对于一幅N*M的图像，设降采样系数为k，则即是在该N*M的图像图中每行每列每隔k个点取一个点组成一幅图像，使得图像符合网络训练规模大小。

3.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述步骤S1中网络训练图片规模大小为256*256。

4.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述步骤S2中的上采样是对五种类别的训练集数量较低进行的采样，所述步骤S2中的下采样是对五种类别的训练集数量较高进行的采样。

5.根据权利要求4所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述步骤S2中的类别数据平衡的方式还包括平移、拉伸、旋转、及其结合。

6.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述糖尿病视网膜病变图像多分类模型依次包括输入层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、卷积层、最大池化层、卷积层、卷积层、卷积层、最大池化层、第一全连接层、第二全连接层、第三全连接层。

7.根据权利要求6所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述糖尿病视网膜病变图像多分类模型还包括用于防止过拟合且增加非线性的dropout层，所述dropout层设置在第三全连接层之后。

8.根据权利要求6所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：每个所述最大池化层均与其两侧的卷积层通过局部连接和权值共享的方式相连接；每个所述卷积层、所述第一全连接层、所述第二全连接层、及所述第三全连接层后均设置有用于保证神经网络非线性的ReLU激活函数。

9.根据权利要求6所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述第三全连接层的输出采用5个神经元及softmax函数对疾病的五种类别进行分类。

10.根据权利要求6所述的基于深度学习的糖尿病视网膜病变图像多分类方法，其特征在于：所述糖尿病视网膜病变图像多分类模型的算法包括：

训练集由m个已标记的样本构成：{(x⁽¹⁾，y⁽¹⁾)，...，(x^(m)，y^(m))}，其中输入特征为x⁽ⁱ⁾∈Rⁿ⁺¹分类结果为y⁽ⁱ⁾∈{1，2，3，4，5}，则函数h_θ(x)形式如下：

代价函数为：

对于J(θ)的最小化问题，使用迭代的优化算法，经过求导，得到梯度公式如下：每一次迭代都需要进行如下更新：通过最小化J(θ)，实现糖尿病视网膜病变图像多分类模型。