[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

说明书

本发明涉及一种基于深度学习的2型糖尿病肾脏病变图像分类方法，针对糖尿病肾脏病变智能化分类统计的迫切需求，通过采集糖尿病患者肾脏病变图像，对糖尿病患者肾脏病变图像进行标记，归一化等预处理，利用神经网络方法对糖尿病患者肾脏病变图像进行处理，自动检测糖尿病患者肾脏病变类别并输出检测结果。本发明能够辅助医生对糖尿病肾脏进行病变识别的诊断，大幅度地提高识别效率，而且特别适用于大范围的糖尿病肾脏病变识别，筛查以及统计，有助于减轻检验人员的工作压力和负担，降低人力资源的消耗，可以更好地为医疗资源紧缺的地区服务。

技术领域

本发明涉及深度学习技术领域，更具体地说，涉及一种基于深度学习的2型糖尿病肾脏病变图像分类方法。

背景技术

近年，以深度学习为代表的人工智能技术得到了显著的发展，其在病理学，医学影像诊断领域等应用也越来越得到关注。深度学习是一种实现机器学习的技术，是一种基于对数据进行表征学习的方法。它的技术核心是通过一种模拟人脑进行分析学习的人工神经网络，通过不同层级的特征分析和提取，最终完成数据的分类过程。在图像识别领域，深度卷积神经网络是深度学习的代表算法，它是由高级动物视觉认知模型延伸出的网络计算模式。因此，这种人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类。目前，深度学习等已经在乳腺癌病理检查、肺癌检测、心血管成像等医学成像领域得到了广泛的研究。

糖尿病是一种以长期高血糖为主要特征的代谢性疾病，可能会引起微血管病变、视网膜病变、肾脏病变和末梢神经病变等多种并发症，甚至有可能会导致死亡。糖尿病不仅会严重影响患者身体健康和生活质量，还会给其家庭和社会带来巨大的经济负担，因此，对糖尿病的准确检测与治疗已成为当前的一个热点话题。

糖尿病性肾脏病变的发病率在全球范围内逐渐增加，肾脏病理图像是医生诊断糖尿病处于哪个阶段的重要标准，并且对肾脏图像进行准确无误的分类是医生制定最佳治疗方案的重要依据。

目前基于人工提取特征的分类方法，主要有以下几个局限：1)图像的质量。采集的肾脏图像的质量容易受到光照、镜头、机器设备和图像采集人员的经验等其他许多不可控因素的影响；2)医生的个人经验。医生通常通过视觉检查图像来评估判定病变程度，但是在病变图像中人眼识别出来的特征是有限的，而且由于医生的临床经验不同，对于同一幅图像，不同的医生可能给出不同的临床诊断结果；3)病理图像自身的特点。图像不同阶段之间的差异性很小，给特征提取和分类工作带来了一定困难。因此，对肾脏图像的分类是一项非常具有挑战性的工作。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种基于深度学习的2型糖尿病肾脏病变图像分类方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的2型糖尿病肾脏病变图像分类方法，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。

其中，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；