[发明专利]一种基于深度残差收缩网络的眼病诊断方法

权利要求书

1.一种基于深度残差收缩网络的眼病诊断方法，其特征在于，具体步骤如下：

S1：采集病人结构化、脱敏眼科图像集据作为样本数据，并对眼部数据根据病情进行类别标注；

S2：对采集的眼部图像进行预处理；

S3：构建训练集和测试集，采用分层抽样算法对训练集中眼部样本数据进行采样，均衡样本数据；

S4：将训练集输入深度残差收缩网络，对深层特征进行多尺度提取，去除噪声，输出分类结果；

S5：训练并优化模型，测试集测试模型性能，实现眼部疾病诊断。

2.根据权利要求1所述的一种基于深度残差收缩网络的眼病诊断方法，其特征在于，在步骤S1中，在获得眼部图片后，根据患者的性别、左眼或右眼及病情进行分类；

S101：通过在诊断关键字与疾病标签之间创建映射来丰富数据集，使每只眼睛均被分配一个适当的标签。

3.根据权利要求1所述的一种基于深度残差收缩网络的眼病诊断方法，其特征在于，在步骤S2中，具体步骤如下：

S201：选择眼部数据集，删除质量低的图片，将数据集中的图片随机缩放、翻转，增广数据；

S202：调整旋转之后，重新调整图像大小，加速训练过程。

4.根据权利要求1所述的一种基于深度残差收缩网络的眼病诊断方法，其特征在于，在步骤S3中，具体步骤如下：

S301：依据疾病类型，分层抽样眼部图片，公式如下：

其中f_h是第h层抽样比，N_h代表第h层的单位总数，N表示总体数，n表示总抽样量；

S302：随机分配来创建训练集、验证集和测试集，并将少数群体类别的数据增强应用于训练集以平衡数据集。

5.根据权利要求1所述的一种基于深度残差收缩网络的眼病诊断方法，其特征在于，在步骤S4中，将训练集输入深度残差收缩网络模型，并提取特征，去除噪声，输出分类结果；所述深度残差收缩网络模型包括输入层、卷积层、深度残差收缩网络基本模块、全局均值池化层以及全连接输出层，构造过程如下：

S401：首先经过多个卷积层，每个卷积层后均使用ReLu激活函数，并通过批归一化BN层进行处理，其BatchNorm2d函数计算：

其中，x表示输入初值；y表示函数输出量；mean(x)表示输入初值x的均值；Var(x)表示输入初值x的方差；eps表示稳定计算参数10^-5，默认值；γ表示与输入同尺寸的可训练向量；β表示与输入同尺寸的可训练向量；

S402：构造残差收缩模块，即采用通道间共享阈值的残差收缩模块，首先对输入特征图经过两次批标准化、ReLu激活函数和卷积层操作；然后对所有特征求绝对值，取其平均值记为特征F；在另一条路径中，将特征的绝对值通过全局均值池化之后，输入到一个两层的全连接网络，然后使用Sigmoid函数将输出归一化到0和1之间，防止结果梯度爆炸，获得一个尺度参数α，最终的阈值表示为α×F；

其中Sigmoid函数如下：

S403：接着输入残差收缩模块，通过软阈值化去噪，进一步提取有效特征，软阈值函数：

其中，x为输入特征，soft为输出特征，T为阈值；

残差收缩模块中嵌入的子网络可自适应生成阈值，软阈值化输出对于输入的导数如下：

S404：分支卷积特征与分支残差收缩模块特征相加，使相关性强的特征聚集，弱化不相关的非关键特征；通过全局平均池化对提取出的高维特征进行降维，最终通过全连接层输出分类结果；

S405：最终连接一个全连接层与Softmax一起使用，将上一层的输出转换为概率分布，输出概率最大的即为当前分类结果，Softmax表达式如下：

其中，y'_i为前一层的输出，P_Softmax为相应疾病的概率，k_h＝8为眼部疾病的类型总数。

6.根据权利要求1所述的一种基于深度残差收缩网络的眼病诊断方法，其特征在于，在步骤S5中，具体步骤如下：

S501：选取交叉熵损失函数指导优化网络，进行调参：其函数如下：

其中，C表示代价，x表示样本，y表示实际值，a表示输出值，n表示样本的总数；

S502：测试集输入网络测试模型性能，采用总体准确率OA和Kappa系数作为评价指标；

其中，OA是模型在测试集上预测正确样本数量与测试集样本总数的比值；Kappa系数给予模型偏向性评价。