[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

说明书

本发明公开了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。使用两输入单输出集成融合网络结构，在网络训练过程中采用了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。另外学习率还采用cosine decay with warmup带预热的余弦衰减策略，在训练开始的时候先使用一个较小的学习率，等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，模型效果更佳。本发明有效地提高了分类准确率，为糖尿病足溃疡伤口的辅助诊断提供了新的思路，具有一定的临床应用价值。本发明适合应用于医学图像辅助诊断领域。

技术领域

本发明涉及图像分类方法，更具体而言，涉及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。

背景技术

糖尿病是一种全球流行病，影响着约4.25亿人。预计到2045年，这一数字将上升至6.29亿。糖尿病足溃疡(DFU)是一种严重的糖尿病并发症。在过去几十年里，患有这种疾病的人数快速增长并成为了世界各地医疗保健系统面临的主要挑战。糖尿病足往往会向更严重的方向发展，如感染和缺血，这会显著延长治疗时间，更糟糕的情况是导致截肢，甚至会导致死亡。为了改善患者护理和减少医疗系统的压力，尽找发现患病情况以及由患者自己定期监测溃疡伤口的变化非常重要。准确评价糖尿病足的临床特点有利于判断预后并采取相应的措施，临床上较为常用的是Wager分级法和TEXAS分类法。TEXAS分类法结合溃疡深度分级和病因分期，评估溃疡深度及合并感染和缺血情况，目前倾向认为TEXAS大学分类法跟更为全面地反映糖尿病足的病情。本发明主要讨论溃疡伤口的分期：A期(无感染无缺血)、B期(有感染无缺血)、C期(有缺血无感染)、D期(有感染有缺血)。医生通过目测观察伤口区域的肉芽组织、蜕皮组织和坏死组织的颜色，纹理来判断伤口感染，坏死的情况。主要根据个人经验判断，很大程度上受到医生知识水平和经验等主观因素影响。诊断结果主观性强，缺少统一的标准。因此，实现糖尿病足诊断信息客观化已经成为了医学现代化发展过程中亟待解决的问题。

糖尿病足溃疡伤口的缺血和感染情况是诊断的重要指标，医生可以通过患者是否有：间歇性跛行、静息痛病史、触诊发现足背动脉、胫后动脉减弱或消失、踝动脉/肱动脉血压比值小于0.9、下肢动脉超声或动脉造影可见动脉狭窄或闭塞这些依据来判断糖尿病足是否缺血。另外感染的判断是根据：伤口是否发红、伤口处是否疼痛、伤口周围皮肤底下有无脓液等。计算机通过对糖尿病足图像的感染和缺血特征进行分析，使得糖尿病足图像缺血和感染特征信息客观化有利于诊断病症，具有重要的临床应用价值。

对于糖尿病足伤口特征进行分类主要分为两大类：基于传统方法的糖尿病足溃疡伤口图像分类和基于深度学习的图像分类方法。基于传统方法的糖尿病足溃疡伤口图像分类需要针对糖尿病足伤口图像人工设计特征，这通常需要扎实的专业经验，提取出来的特征通常是一些底层特征，比如纹理、颜色、形状、梯度等。手工设计的特征泛化能力有限，从而存在图像的分类准确率不高的局限性。近年来深度学习凭借其强大的特征提取和表达能力，给许多行业都带来了变革。将深度学习应用在糖尿病足伤口图像感染和缺血特征的分类上，有望提供更加准确的感染、缺血辅助诊断结果。

近些年来，随着深度学习技术的发展，深度学习在医学图像分析中的应用越来越广泛，其中面向RGB彩色医学图像的深度学习应用包括各种疾病的分类预测、目标检测以及分割等，但是应用在糖尿病足分期分类辅助诊断的研究较少，目前利用深度学习的糖尿病足分期分类辅助诊断存在以下难点：1)高质量有标签的糖尿病足伤口图像样本获取代价高：糖尿病足伤口训练样本需要依靠经验丰富的医生标注，往往比较难以获取。因此，如果训练数据集较小的话，可能会因为训练样本不足，造成模型过拟合的现象。2)对在医院的真实场景下采集的糖尿病足图像进行分析时，会发现获取到的数据各类别的样本数量比例存在明显差异，即样本类别不均衡。使用类别比例不均衡的训练样本数据集训练时可能会得到泛化能力较差的模型，会导致分类结果偏向占多数的类别，使得模型对占少数的类别样本识别率低。

发明内容