[发明专利]一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法

权利要求书

1.一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于，包括以下操作步骤：

步骤S1：获取数据集，数据集包括糖尿病足伤口图片和每张图片对应的标签；标签的值为0、1、2或3；

标签的值为0时表示对应糖尿病足图片的伤口既无感染也没有缺血现象；

标签的值为1时表示对应的糖尿病足图片的伤口处于有感染无缺血的状况；

标签的值为2时表示对应的糖尿病足图片的伤口处于有缺血无感染的状况；

标签的值为3时表示对应的糖尿病足图片的伤口处于既感染又缺血得状况；

步骤S2：通过组合式数据增强方式对糖尿病足溃疡伤口数据集进行增强，得到增强后的数据集；所述增强方式包括：左右翻转、360°随机角度旋转以及添加随机高斯噪声；

步骤S3：搭建两输入单输出集成融合深度学习模型并进行训练；所述深度学习模型包含两个深度学习网络、两个GlobalAveragePooling层、一个全连接层和一个softMax分类器，其中两个深度网络分别是冻结输出层的DenseNet121和EfficientNet-B0；

步骤S4：将待预测的糖尿病足伤口图像输入训练后的深度学习模型，并对其进行分类分期。

2.根据权利要求1所述基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于，在所述步骤S2中，通过组合式数据增强方式对糖尿病足溃疡伤口数据集进行增强的计算公式如下：

I_noise＝I*G(x，y)；

其中，I表示原始图像矩阵，G(x，y)表示高斯噪声函数，G(x，y)中的x，y分别表示二维函数的横纵坐标，σ²表示方差值，取方差值等于0.3，I_noise表示处理后的图像矩阵。

3.根据权利要求1所述基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于：在所述步骤S3中，将冻结了输出层的深度学习网络DenseNet121和EfficientNet-B0分别连接一个GlobalAveragePooling层后，通过Concatenate拼接融合在一起后在连接全连接层，最后将全连接层的数据直接输入softMax层进行分类；

在训练过程中，采用Imagenet数据集的预训练模型参数，作为训练时特征提取的初始参数，并使用训练数据集进行整个网络参数的训练；

整个训练过程中，损失函数选择categorical_crossentropy交叉熵损失函数，交叉熵是用来评估当前训练得到的概率分布与真实分布的差异情况，差异越小，损失函数的值越接近0；梯度下降优化选择了Adam优化器，参数根据初始学习率乘以梯度均值与梯度方差的平方根之比进行更新；其计算公式为：

其中t表示次数，是m_t的纠正，是v_t的纠正，β₁，β₂是常数，控制指数衰减，m_t是梯度的指数移动均值，通过梯度的一阶矩求得；V_t是平方梯度，通过梯度的二阶矩求得；

m_t和v_t的更新方法如下：

m_t＝β₁*m_t-1+(1-β₁)*g_t；

其中g_t为一阶导，以上所有参数都默认设置为：α＝0.0001，β₁＝0.9，β₂＝0.999，ε＝10^-8；

采用cosine decay with warmup的学习率衰减策略，Warmup是一种学习率预热的方法，在训练开始的时候先使用一个小的学习率，等到模型慢慢趋于稳定，再修改为预先设置的学习率来进行训练；Cosine Decay是学习率衰减方法，按照余弦函数的方式衰减，将学习率降低至最优值。

4.根据权利要求1所述基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于：在所述步骤S4中，将糖尿病足伤口图像的图片调整到统一尺寸224×224，然后利用softmax分类器，将处理好的数据集输入到训练好的模型上进行分类，输出介于0～1的概率值，从而得到分类结果。