[发明专利]深度学习系统及其方法

说明书

本申请提供一种深度学习系统及其方法，涉及图像处理领域，以解决现有技术中糖网分期检测准确率低的问题。系统包括：影像撷取单元，用以撷取图像；处理器；以及存储器，用以存储可供处理器执行的计算器程序，其中，处理器用以执行：预处理图像，并生成第一处理图像；根据第一处理图像建立训练模型；以及，检测训练模型并生成集成模型。检测训练模型并生成集成模型，更包括：判断训练模型是否达到预设标准；以及，根据判定结果生成集成模型。根据多个模型分别对原始图片的分类作出判定，得到多个判定结果；将数量最多的判定结果作为原始图片的最终判定结果；或，对准确率差异较大模型的预测结果进行加权求和处理，得到最终判定结果。

技术领域

本申请涉及图像处理领域，具体而言，涉及一种深度学习系统和方法。

背景技术

糖尿病视网膜病变(DR)会引起视力受损和失明，而且不同等级DR间的微小差别和许多显着小特征的存在使得识别任务具有挑战性。早期发现糖尿病视网膜病变非常重要，适当的治疗可以预防失明，自动检测糖尿病视网膜病变是解决这些问题的关键，深度学习的兴起使得自动检测糖尿病视网膜病变成为了可能。

不同糖尿病视网膜病变之间具有微小差别，而且同一种类病变的面积跨度较大，尤其是当许多显着小特征病灶作为分类标准时，图像分类变得更加困难；如二分类情况下，某些糖网图像只有少量的渗出点，占整张图像的很小比例，这就意味着，在特征提取后，特征向量真正用于分类的信息很少，使得分类的效果很差。

发明内容

本申请实施例的目的在于提供一种深度学习系统和方法，用以提高糖网分期检测准确率。

第一方面，本发明实施例提供一种深度学习系统，包括：影像撷取单元，用以撷取图像；处理器；以及存储器，用以存储可供处理器执行的计算器程序，其中，处理器用以执行：预处理图像，并生成第一处理图像；根据第一处理图像建立训练模型；以及，检测训练模型并生成集成模型。

在可选的实施方式中，预处理图像，并生成第一处理图像，更包括：采集原始图像；以及，根据原始图像生成第一处理图像。

在可选的实施方式中，根据原始图像生成第一处理图像，更包括：根据原始图像的尺寸确定原始图像的中心点坐标；根据原始图像的中心点坐标查找图像像素值剧烈变化的坐标区域，确定原始图像感兴趣区域的边界坐标；以及，根据原始图像感兴趣区域的边界坐标裁剪原始图像得到没有黑色区域干扰的第一处理图像；其中，原始图像感兴趣区域为在原始图像中划定的图像区域。

在可选的实施方式中，检测训练模型并生成集成模型，更包括：判断训练模型是否达到预设标准；以及，根据判定模块的判定结果生成集成模型。

在可选的实施方式中，根据判定模块的判定结果生成集成模型，更包括：根据多个模型分别对原始图片的分类作出判定，得到多个判定结果；将数量最多的判定结果作为原始图片的最终判定结果；或，对准确率差异较大模型的预测结果进行加权求和处理，得到最终判定结果；其中，模型集成时采用的多个模型是采用不同初始化参数训练的模型、采用交叉验证准确率排序靠前的几个模型以及检测目标全完不同的两个模型。

第二方面，本发明实施例提供一种深度学习方法，包括：

采集图像数据并对图像数据进行预处理，生成第一处理图像；

根据第一处理图像建立训练模型；

检测训练模型并生成集成模型。

在可选的实施方式中，采集图像数据并对图像数据进行预处理，生成第一处理图像，包括：

采集原始图像；

根据原始图像生成第一处理图像。

在可选的实施方式中，根据原始图像生成第一处理图像，包括：

根据原始图像的尺寸确定原始图像的中心点坐标；