[发明专利]一种基于局部病灶特征的糖尿病视网膜病变分类装置

权利要求书

1.一种基于局部病灶特征的糖尿病视网膜病变分类装置，所述装置包括：用于采集视网膜眼底图像的采集装置，用于接收所述视网膜眼底图像的计算机；所述计算机被编程以执行如下步骤：

步骤1、对患者双眼眼底图像进行预处理，首先对每张眼底图像中四个方向边缘进行检测，提取图像中心，得到眼底中心图像；然后对眼底中心图像依次进行绿色通道提取、对比度增强操作；

步骤2、将步骤1中得到的眼底中心图像的分辨率缩小为512×512，再将图像送入预训练的Inception-Resnet v2中进行特征提取，获得1024维的全局特征向量；

步骤3、对步骤1中得到的眼底中心图像通过128×128的滑动窗口顺序截取图像切片，每张眼底图像获取256个图像切片；将每个图像切片送入四个预训练的DenseNet中，得到一个4维概率向量，进而每张眼底图像获得1024维的局部病灶概率向量；其中，四个预训练的DenseNet分别对应出血、硬性渗出、软性渗出及微动脉瘤四种病灶，每个图像切片送入四个预训练的DenseNet中，得到一个4维概率向量：

s₁＝[p_bleeding,p_{hardexudation},p_{softexudation},p_{microaneurysm}]

其中，p_bleeding表示出血的概率，p_{hardexudation}表示硬性渗出的概率，p_{softexudation}表示软性渗出的概率，p_{microaneurysm}表示微动脉瘤的概率；当概率大于0.5时，则认定图片切片存在该概率值对应的病灶；根据对眼底图像中每个图片切片的病灶检测，生成一个标注局部切片病灶信息的眼底图像；

步骤4、随机对步骤1中的眼底中心图像进行图像翻转、平滑操作、对比度调整或图像旋转处理，并对处理后图像执行步骤2与步骤3、得到全局特征向量与局部病灶概率向量；重复该过程多次，并计算平均值，得到平均全局特征向量及平均局部病灶概率向量；再将平均全局特征向量与平均局部病灶概率向量合并，得到2048维的特征向量；最后将双眼眼底图像的特征向量合并，得到4096维的特征向量；

步骤5、将4096维特征向量送入预训练的轻量级梯度提升树，得到病变预测结果。

2.按权利要求1所述基于局部病灶特征的糖尿病视网膜病变分类装置，其特征在于，所述步骤2中，预训练的Inception-Resnet v2的训练过程为：

步骤2.1、构建全局特征提取所需的眼底图像样本集；

1)对原始数据集进行数据清洗；

2)对清洗后数据集中每张眼底图像中四个方向边缘进行检测，并每个方向留出20像素的黑色背景，将图像中心提取出来，得到眼底中心图像；

3)使用十字剪切和K值扩增对数据集进行扩充；

4)图像预处理，对扩充后的数据集中的眼底中心图像依次进行绿色通道提取、对比度增强操作，并将图像分辨率压缩至512×512；

步骤2.2、采用步骤2.1构建的眼底图像样本集对Inception-ResNet v2模型进行训练，于网络的softmax层前提取图像特征，得到1024维的全局特征向量。

3.按权利要求2所述基于局部病灶特征的糖尿病视网膜病变分类装置，其特征在于，所述步骤3中，四个预训练的DenseNet的训练过程为：

步骤3.1、将步骤2.1构建的眼底图像样本集中的每幅图像通过128×128的滑动窗口截取256个局部图像切片；

步骤3.2、对眼底图像切片进行标注，包括：出血、硬性渗出、软性渗出、微动脉瘤和其他5类；

步骤3.3、将所有图像切片按照标注分类构建4个DenseNet网络训练集，分别对应出血、硬性渗出、软性渗出及微动脉瘤4种病灶；

步骤3.4、采用步骤3.3的4个DenseNet网络训练集分别对4个DenseNet网络进行训练，训练过程中冻结决策层以前的所有卷积层，只对最后的决策层进行训练。

4.按权利要求2所述基于局部病灶特征的糖尿病视网膜病变分类装置，其特征在于，所述步骤5中，预训练的轻量级梯度提升树的训练过程为：

步骤5.1、将步骤2.1构建的眼底图像样本集中的每幅图像依次执行步骤2～步骤4，得到图像对应的4096维的特征向量；将所有眼底图像的4096维的特征向量构建得轻量级梯度提升树训练集；

步骤5.2、将步骤5.1训练集输入到轻量级梯度提升树模型中，随机选择超参数并训练多次，从中选择最佳参数组；选择多对数损失作为损失函数，并将梯度增强决策树和丢弃式多重加性回归树作为增强类型的随机选择。