[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

说明书

本发明涉及一种基于深度学习的糖尿病视网膜病变图像分类方法，在对数据集进行归一化，图像预处理、数据集扩充等数据集预处理操作后，提高输入网络图像的质量，利用深度学习神经网络模型对处理后的数据集进行训练生成糖尿病视网膜病变诊断模型。该网络模型与其他方法相比具有较高的识别率和合适的算法复杂度，不仅可以减少因人为因素导致出现误诊的现象，还可以极大地缩短糖尿病视网膜病变诊断的时间，对于糖网病患者的早期预防和治疗具有重要意义。

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糖尿病视网膜病变图像分类方法。

背景技术

糖尿病视网膜病变(DiabeticRetinopathy，DR)也称糖网病，是糖尿病的一种眼部表现，也是当今世界上造成视力损害和失明的主要原因。研究证明，高血糖、高血压、高血脂及糖尿病都是糖尿病视网膜病变发生的重要危险因素。根据WHO数据统计，中国糖尿病患者的人数高达1.1亿，是拥有糖尿病人数最多的国家。而糖尿病视网膜病变在糖尿病人群中的患病率为65％，也就意味着在中国有6700万人可能患糖网病。如果糖网病没有得到及时的治疗，发展到后期使患者的视力急剧下降，最终会导致患者失明，严重影响患者的正常生活。根据研究表明，患糖尿病的时间越长，糖尿病视网膜病变发生的几率就越高，但是如果进行有效的早期诊断和治疗可以使糖网病患者出现视力下降或者失明的概率降低90％。

在临床上诊断糖尿病视网膜病变的传统方法是进行全面的眼科检测，包括视觉敏感度、裂隙灯、散瞳检查等，检测流程复杂，需要耗费一定的人力物力。由于糖尿病视网膜病变的病灶种类多样，在早期筛查过程中，若能对眼底图像进行自动分类，就可以为临床医生节省大量的诊断时间，使得借助机器学习和深度学习方法实现糖网病诊断的研究得到人们重视。

现阶段利用机器学习方法对患者眼底图像进行分类的精确度较高，但是目前大多机器学习算法需要高质量的图像作为数据集，并且在获取图像数据时需要通过有经验的眼科医生对眼底图像进行分类标注，因此在模型搭建前期仍需要做大量的准备工作。与此同时，利用深度学习进行糖尿病视网膜病变诊断的方法也在快速发展，现有工作大多是通过对眼底图片中血管和视盘的分割来间接进行病变检测。随着深度学习网络模型的规模和深度不断增加，使其在图像识别任务中准确率迅速提升，但是目前医学影像数据集偏小是导致深度学习方法在该领域中识别效果不佳的主要原因。

目前，糖尿病视网膜病变的检测主要是依赖医生的人工判断，该项工作费时费力，对医生的相关经验要求较高。面对大量的糖尿病患者，急需大幅提高检测效率，缩短检测时间。

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糖尿病视网膜病变图像分类方法。

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糖尿病视网膜病变图像分类方法，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。

其中，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。