[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

说明书

本发明揭示了基于深度学习的糖尿病视网膜病变图像多分类方法，包括如下步骤：首先，获取原始数据集，并将原始数据集进行预处理；然后将预处理后的数据集进行类别数据平衡；之后，将类别数据平衡后的数据集进行迁移训练，得到糖尿病视网膜病变图像多分类模型；最后，将待测样本输入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。本发明提供的方法具有使用便捷的优点，另外，本发明通过将类别数据平衡后的数据集进行迁移训练，提高了分类准确率。

技术领域

本发明涉及一种图像分类方法，尤其涉及一种基于深度学习的糖尿病视网膜病变图像多分类方法，属于医学影像识别技术领域。

背景技术

在现阶段的医疗体系中，大多倾向于人工检测，糖尿病视网膜图像的处理也不例外，糖尿病视网膜图像病变根据严重等级分为五种，分别为无糖尿病性视网膜病变、轻度糖尿病性视网膜病变、中度糖尿病性视网膜病变、重度糖尿病性视网膜病变、及增殖性糖尿病性视网膜病变。

传统的糖尿病视网膜图像处理方法是将系统进行分段化，在不同的阶段采用不同的处理技术来达到目标，但是，无论在哪个阶段或是哪种处理技术方法均基于人工经验设计特征，即根据特定问题的特殊性提取图像特征，例如方向梯度直方图，尺度不变特征转换等。这些特征虽然在一定程度上体现了对象的特征，但是他们只是提取了底层特征，例如图像的边缘特征、灰度特征等，加上视网膜图像自身结构复杂，容易与各种病变交叉影响，再加上复杂的背景变换影响，使得处理视网膜图像的方法复杂、泛化性差；另外，这种检测方式依赖于先验知识，尤其是需要有经验的眼科专家。因此，整个过程不但耗费了大量的人力、物力和财力，且效率低下，视网膜病变的诊断与治疗受到了极大的限制，最终使图像分类检测结果出现很大的误差，影响多分类结果。

综上所述，如何减小图像分类检测结果的误差，提高分类结果的准确性，就成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的是为了解决现有技术的上述缺陷，提出了一种基于深度学习方法实现对糖尿病视网膜图像的自动多分类。

本发明的技术解决方案是：

一种基于深度学习的糖尿病视网膜病变图像多分类方法，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。

优选地，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。

优选地，所述步骤S1中网络训练图片规模大小为256*256。