[发明专利]一种基于深度残差收缩网络的眼病诊断方法

说明书

本发明涉及人工智能神经网络技术领域，尤其涉及一种基于深度残差收缩网络的眼病诊断方法，包括：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。本发明采用注意力机制，抽取出更加关键及重要的信息，使模型做出更加准确的判断；使用软阈值化，减少噪声影响；采用分层抽样和交叉熵损失函数优化算法，提高训练和预测的准确度。

技术领域

本发明涉及人工智能神经网络技术领域，尤其涉及一种基于深度残差收缩网络的眼病诊断方法。

背景技术

医疗诊断是一类旨在检测感染，病症和疾病的医学检查。眼部诊断是其一条重要分支。中国传统医学认为，人体因为疾病而显现的微小颜色变化，可以通过观察双目而得知；同时现代医学也认为，球结膜微循环的改变可以反映全身的情况，不论何种疾病在眼部球结膜微循环都有相应的改变。因此，目诊不但是“上工治未病”的重要技术，也是中西医结合的极佳路径。

临床上眼病诊疗主要方法有基于医疗器械的人工诊断(如B超以及磁共振成像检查方法)、基于病原机理人工诊断及基于分子生物学遗传性病眼诊断等。这些方法的诊疗效果极大地取决于医生的经验，并且工作效率低下。

近年来，随着信息技术的不断发展，人工智能技术与计算机技术得到快速进步。神经网络算法作为其中的一个分支，将信息科学、神经科学、计算机科学融为一体，形成了一个综合性的交又学科。由于其自身具有良好的自组织性、学习、联想以及适应性等优点，受到了国内外学者的广泛关注。面对眼部领域自身所具有的复杂性，在眼部诊断等问题上人脑资源整合能力相对较差的问题，神经网络算法的出现为其提供了一个新的突破口。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种基于深度残差收缩网络的眼病诊断方法，该方法诊断只需借助眼部照片，从而提高医学诊断效率，大大提升人民健康。

为了实现上述目的，本发明采用了如下技术方案：

一种基于深度残差收缩网络的眼病诊断方法，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。

优选地，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：每只眼睛可能患有不同的疾病，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。

优选地，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。

优选地，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：