[发明专利]一种基于深度学习的2型糖尿病肾脏病变图像分类方法

权利要求书

1.一种基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，包括：

提取标记肾脏病变的糖尿病患者肾脏病变图像，进行图像预处理后，划分训练集和测试集；

在AlexNet卷积神经网络模型的基础上，每一个卷积层和全连接层前引入一个批归一化层，得到深度卷积神经网络BNnet，并将作为训练集的糖尿病患者肾脏病变图像输入深度卷积神经网络BNnet中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将作为测试集的糖尿病患者肾脏病变图像输入训练好的深度卷积神经网络BNnet，验证深度卷积神经网络BNnet的准确性；

将实时拍摄的糖尿病患者肾脏病变图像输入训练完成的深度卷积神经网络BNnet，通过网络模型的计算，输出的结果作为对输入的糖尿病患者肾脏病变图像是否发生病变的分类结果。

2.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，在将作为训练集的糖尿病患者肾脏病变图像输入深度卷积神经网络BNnet中进行训练的步骤中，包括步骤：

采用迁移学习的策略利用ILSVRC2012数据集对深度卷积神经网络BNnet进行预训练；

将预训练得到的模型迁移到糖尿病患者肾脏病变图像上再学习，提取用于糖尿病患者肾脏病变图像分类的深度特征；

将提取的糖尿病患者肾脏病变图像分类的深度特征输入由全连接层组成的深度分类器，对糖尿病患者肾脏病变图像进行分类。

3.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，在将作为测试集的糖尿病患者肾脏病变图像输入训练好的深度卷积神经网络BNnet，验证深度卷积神经网络BNnet的准确性的步骤中，令Ntotal代表测试集中图像的总数量，Nrec代表其中被正确分类的图像数量，则分类准确率表示为R＝Nrec/Ntotal。

4.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，标记肾脏病变的糖尿病患者肾脏病变图像的步骤包括：

糖尿病患者肾脏病变图像数据传输到标签软件中，由专业医师对图像中的糖尿病肾脏病变打上唯一对应的类别标签；

标注完成后，对标注后的糖尿病患者肾脏病变图像数据进行图像去噪、归一化，数据增强操作进行预处理。

5.根据权利要求4所述的基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，在对数据增强操作的步骤中，包括：

数据量增强：对图像进行旋转45°/90°/180°、裁剪、往上下左右4个方向各平移30％、水平方向做镜像及上述操作的组合。

6.根据权利要求2所述的基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，进行图像预处理的步骤包括：

剔除ILSVRC2012数据集中前10个时间点数据；

时间层校正；一般选择中间层作为参照层，由于每个被试数据的时间层均为33层，故选择第33层作为参考层；

图像校正，以平动2mm或在X、Y、Z轴方向上旋转3°为标准，超过上述规定的两个范围的被试数据将被排除；

空间标准化，对不同的个体肾脏在形状、大小方面存在明显的差异进行比较时需进行标准化处理；

平滑处理，以使残差项更接近符合高斯分布，提高信噪比和减小标准化之后还剩余的部分个体之间的差异。

7.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法，其特征在于，深度卷积神经网络BNnet是在AlexNet网络的基础上对每个卷积层和全连接层前引入批归一化层得到，其中在每个归一化层后紧跟一个ReLU层以保证神经网络在训练过程中的非线性；深度卷积神经网络BNnet由卷积层、批归一化层、全连接层及一个1000类的softmax层组成；为了使深度卷积神经网络BNnet在视网膜数据不足的情况下依旧能提取到对分类任务有效的深度特征，采用ILSVRC2012数据集对BNnet网络进行预训练，再将经过100000次迭代后保存的模型迁移到糖尿病肾脏图像上进行微调学习从而实现糖尿病肾脏图像深度特征的提取。