[发明专利]一种基于深度学习的糖尿病视网膜病变图像分类方法

权利要求书

1.一种基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，包括：

采集糖尿病患者视网膜病变图像数据，进行图像预处理后，划分训练集和测试集；

结合ResNet神经网络模型和DenseNet神经网络模型，构建深层神经网络模型，并将作为训练集的糖尿病患者视网膜病变图像数据输入深层神经网络模型中进行训练，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视网膜病变图像数据输入训练好的深层神经网络模型，验证深层神经网络模型的准确性；

将实时拍摄的糖尿病患者视网膜病变图像数据输入训练完成的深层神经网络模型，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视网膜病变图像进行分类。

2.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，在采集糖尿病患者视网膜病变图像数据的步骤中，提取多名糖尿病患者的双眼高分辨率彩色图像，根据视网膜病变的程度划分为正常、轻度、中度、重度和增殖型糖尿病视网膜病变五个等级，并用0-4标识等级，其中，0对应于正常健康状态，4是最严重的状态。

3.根据权利要求2所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，图像预处理的方式至少包括对标记后的糖尿病患者双眼高分辨率彩色图像数据进行图像去噪、图像滤波、特征增强、归一化及数据扩增的操作。

4.根据权利要求3所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，在对糖尿病患者双眼高分辨率彩色图像数据进行图像滤波的步骤中，采用边缘检测算法的方式增强糖尿病视网膜病变图像中眼底血斑的特征，以提高模型识别的准确性。

5.根据权利要求3所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，在对糖尿病患者双眼高分辨率彩色图像数据进行特征增强的步骤中，包括步骤：

用糖尿病患者双眼高分辨率彩色图像的原图减去高斯模糊(GaussianBlur)图，得到两图差异；

用GaussianBlur算法得到最终特征增强后的糖尿病患者双眼高分辨率彩色图像。

6.根据权利要求5所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，在对糖尿病患者双眼高分辨率彩色图像数据进行归一化的步骤中，将数据增强后的糖尿病患者双眼高分辨率彩色图像固定至512*512的分辨率。

7.根据权利要求3所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，在对糖尿病患者双眼高分辨率彩色图像数据进行数据扩增的步骤中，在不改变原数据集图像患病等级的基础上对图像进行缩放、旋转、翻转、改变亮度操作，使各个患病等级的糖尿病视网膜病变图像数据集中的图像数量相等。

8.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，用于图像分类的深层神经网络模型结合ResNet神经网络模型和DenseNet神经网络模型的特点，包含代表稠密块的Dense Block和代表残差块的Resnet Block在内的5个block，每个block之间都有过渡层进行卷积核池化；模型输入是分辨率为512x512的图片,通过Softmax分类器进行分类；

在将训练集输入到模型中，图片进行卷积操作，卷积核的大小为7x7，步长为2，经过卷积操作之后的输出的长度和宽度均为256，经过最大池化操作，池化层后的输出特征图的长度和宽度为128x128；在卷积层之后，将样本图像输入到稠密块中，稠密块之后是转换层，用于进行卷积核平均池化的操作，在经过稠密块和转换层之后,模型输出图片的长度和宽度都为16x16；进一步采用添加残差块的做法，经过残差块之后，模型的输出的维度为8x8x1024，对输出进行平均池化，然后和一个1024个神经元的层进行连接，最后通过sofmax

分类器进行分类,输出糖尿病视网膜病变图像的病变分类结果。

9.根据权利要求1所述的基于深度学习的糖尿病视网膜病变图像分类方法，其特征在于，采用模型准确率、空间复杂度两个指标来客观评价各类识别网络的分类效果：

用于评估模型分类效果的指标有准确率和平均准确率，计算公式分别如下：

其中m_correct表示分类正确的样本个数，m_total表示全部测试的样本个数；N为模型分类类别数，Accuracy_i表示第i个类别的识别准确率；

用模型空间复杂度来评估模型的好坏，模型空间复杂度决定了模型的参数数量，模型参数越多，训练模型所需的数据量就越大，当训练数据量不足以匹配模型参数时，会导致训练模型过拟合问题；模型空间复杂度由模型总参数量和各层输出特征图的空间占用两部分组成，计算公式如下：

其中D、K、M分别表示卷积神经网络的卷积层数、特征图尺寸以及卷积核尺寸，n表示卷积神经网路卷积层标签，C表示卷积层的输出通道数，同时也等于上一卷积层的输出通道数，式中第一项表示神经网络模型总参数量，第二项表示输出特征图的空间占用。