[发明专利]一种基于深度学习的眼底图像识别分类方法

说明书

一种基于深度学习的眼底图像识别分类方法，涉及深度学习和图像处理领域，解决现有深度学习方法进行眼底图像识别存在着准确度与速度之间的矛盾制约，效率较低，且原始数据少，给训练精度带来极大的影响等问题。该方法包括：步骤1，将眼底图像数据集进行数据增强后分为初始训练集a和验证集c，对训练集a进行数据扩充得到相对改变性质较小的训练集b1和相对改变性质较大的训练集b2；步骤2，分别将三个有映射关系的训练集a、b1、b2输入到不同的神经网络，其中将训练集b1的训练的卷积基复用到训练集b2，再通过密集连接分类器生成分类标签；步骤3，以图像改变性质的大小通过验证集c验证赋以不同的权重，融合使用优化算法达到最终结果。

技术领域

本发明涉及深度学习和图像处理领域，是针对医学眼底图像的识别分类技术的研究，具体是一种基于深度学习的眼底图像识别分类方法。

背景技术

在医学领域，观察眼底图像是判断疾病的重要手段之一，通过观察视网膜、晶状体等眼部结构可以检查出视神经疾病以及全身疾病比如高血压、糖尿病等，因此对眼底图像的识别技术非常重要。从眼底图像数据集中找到特定病人的眼底图像，人工几乎是无法完成的，即使可以判别，效率也极低且主观性强精度不高，所以需要通过机器学习的方式实现自动化识别分类。

相比于其他模式识别中的图像集，眼底图像具有数据量少，清晰度低，相对特征区别小导致不易识别等问题，现有的深度学习方法进行眼底图像识别存在着准确度与速度之间的矛盾制约，效率较低，且原始数据少，给训练精度带来极大的影响。

近年来，利用深度学习进行图像识别的技术不断进步，尤其是卷积神经网络在对图像的识别上具有优异表现，取得了很好的效果，眼底图像的自动化识别技术得到飞速发展，可以通过卷积神经网络的训练，快速准确的得到识别分类结果。

发明内容

本发明为解决现有深度学习方法进行眼底图像识别存在着准确度与速度之间的矛盾制约，效率较低，且原始数据少，给训练精度带来极大的影响等问题，提供一种基于深度学习的眼底图像识别分类方法。

一种基于深度学习的眼底图像识别分类方法，该方法由以下步骤实现：

步骤一、将读取的眼底图像数据集进行数据增强后分为初始训练集a和验证集c，对所述初始训练集a进行数据扩充获得训练集b1和训练集b2；

步骤二、将所述初始训练集a通过ResNet模型进行训练，获得训练结果a；将训练集b1和训练集b2输入通过AlexNet模型进行训练，将所述训练集b1的卷积基复用到训练集b2，再通过密集连接分类器生成分类标签，获得训练结果b；

步骤三、将步骤二获得的训练结果a和训练结果b进行融合，获得初始总体训练结果；采用步骤一所述的验证集c对所述初始总体训练结果进行验证，即：绘制权重分配与精确度曲线，利用爬山法找到最优值点，获得对应的权重分配数值，获得最终的训练结果。

本发明的有益效果：本发明所述的分类方法将患者的眼底图像进行了合理的训练集和验证集的比例和类型的划分，同时将眼底图像进行数据增强后输入到已经训练好的卷积神经网络，可以识别分类得到该患者的其他眼底图像。与其他基于深度学习的图像识别分类方法相比，该方法对数据集要求小，占用计算资源较少，且运行速度较快，三重训练集训练后分配权重使眼底图像特征更加充分，准确度也更高。

本发明所述的分类方法通过复用卷积基弥补算法的速度慢问题，提高训练效率与精度，能够较好的满足眼底图像识别分类的实际需求。

附图说明

图1为本发明所述的一种基于深度学习的眼底图像识别分类方法的步骤一的流程图；

图2为本发明所述的一种基于深度学习的眼底图像识别分类方法的训练及优化流程图；

图3为本发明所述的一种基于深度学习的眼底图像识别分类方法中ResNet模型示意图；