[发明专利]基于卷积神经网络的晶状体浑浊程度检测方法

说明书

基于卷积神经网络的晶状体浑浊程度检测方法，该方法步骤如下：（1）、对待测图像采用光照增强法进行预处理形成预处理图像数据；（2）、将（1）步骤中的预处理图像数据代入晶状体浑浊程度检测学习模型实现检测，本发明利用ImageNet预训练过的Inception‑V3模型及参数，并采用迁移学习的思想进行训练从而得到分类模型，该系统完成后可实现通过手机APP实时进行晶状体浑浊研究对比。

技术领域

本发明提供一种基于卷积神经网络的晶状体浑浊程度检测方法，属于图像处理领域。

背景技术

晶状体浑浊程度在很多领域都可以作为一个中间参考数据，例如，通过该数据对白内障进行分析等，目前对于晶状体浑浊程度的自动分类方法已有很大进展，但仍存在一些问题。首先，现有方法大多是把分类问题作为研究重点，而对于特征提取方面，主要还是利用人工寻找特征，具有很大的主观性。而且，由于目前已公开且标注的数据集只供研究部分晶状体浑浊程度的情形，且数据量较少，导致无法使用深度学习自动提取特征，所训练的模型也无法达到普遍研究的效果。

发明内容

发明目的：

本发明提供一种基于卷积神经网络的晶状体浑浊程度检测方法，其目的是解决以往所存在的问题。

技术方案

基于卷积神经网络的晶状体浑浊程度检测方法，其特征在于：该方法步骤如下：

(1)、对待测图像采用光照增强法进行预处理形成预处理图像数据；

(2)、将(1)步骤中的预处理图像数据代入晶状体浑浊程度检测学习模型实现检测。

(2)步骤中的晶状体浑浊程度检测模型的构建方法如下：

(2.1)、构建MSLPP数据集；然后对数据集中的图像进行预处理；并将预处理的MSLPP数据集分为训练集、验证集和测试集；

(2.2)、利用(2.1)步骤中的预处理之后的图像形成的数据集进行模型训练得晶状体浑浊程度检测学习模型。

(2.1)步骤中MSLPP数据集的构建方式如下：收集临床中由裂隙灯采集的眼部晶体图像，并将其分为正常、早期晶状体浑浊及晶状体浑浊三类。

MSLPP数据集样本采集环境复杂多样，样本包含种类多样。

所述的环境复杂多样包括：亮环境、暗环境及反光情况；所述样本种类多样包括：样本针对核性晶状体浑浊、皮质性晶状体浑浊及后囊性晶状体浑浊。

(2.1)步骤中的预处理方法为：先采用光照增强法对数据集进行处理，再对光照增强法处理后的数据集利用数据扩增法处理。

光照增强法采用如下方法：

将输入图像尺寸压缩为299×299像素，设图像任意一点A(x,y)的三通道像素其中R(x,y)、G(x,y)、B(x,y)分别代表点A(x,y)中红、绿、蓝三个通道的亮度值，三个通道的亮度值范围均为0-255,则图像的平均像素值表示为：

若则图像各点像素值变为若则图像各点像素值变为若则图像各点像素值不变。

2.1)步骤的预处理中的数据扩增法有以下三种，三种方法中选择其中之一、之二或者全部：

(1)平移：将光照增强后的图像上下左右分别平移5-20个像素点(该处平移5-20个像素点均可，但本发明中采用的数据为12，且与图4中生成的图像相对应)；使得图像平移扩增至原来的倍数，该倍数为平移的次数；