[发明专利]一种基于残差网络的图像分类方法、装置、设备及介质

说明书

本发明公开了一种基于残差网络的图像分类方法、装置、设备及介质，该方法包括获取根据数据特征分类的数据集，并根据所述数据特征编写卷积神经网络所需的数据接口；制作数据集标签，每一类不同数据特征的数据集对应一个数据集标签；构建训练集和测试集，将数据集分割成若干等份；构建深层残差单元，搭建卷积神经网络，建立图像分类模型；对图像分类模型设置训练参数和损失函数策略，确定分类器输出的分类结果；对图像分类模型进行网络训练和网络测试；向图像分类模型中输入待分类图像，获得分类结果。本发明通过构建图像分类模型辅助医生诊断，减轻眼科医生负担、缩短检查时间，降低疾病不同等级对应的图片筛查的时间和人力成本。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于残差网络的图像分类方法、装置、设备及介质。

背景技术

图像分类在多个领域中均有广泛的应用，深度学习算法是目前最常用的自动图像处理方法。卷积神经网络(CNN)是深度学习算法中一种以端到端的方式进行特征提取的方法，不仅在目标检测、语义分割，也在医学领域得到了广泛应用。残差网络可以有效解决随着网络深度加深带来的梯度消失的问题。

以医学领域为例，糖尿病视网膜病变(DR)是一种多发的长病程糖尿病引发的并发症，是世界工作年龄人口失明和视力残疾的最常见原因。血糖水平升高会影响到视网膜血管，血管改变的表现包括：微血管瘤、视网膜内点状或斑片状出血、硬渗出物、神经纤维梗阻(棉绒斑)、局部毛细血管无灌注，严重甚至会出现新生血管。

糖尿病黄斑水肿(DME)是一种与糖尿病视网膜病变息息相关，可能出现在糖尿病视网膜病变任何阶段的疾病。DME的主要表征为：视网膜增厚，可表现为局部的或弥漫性；黄斑附近区域有或无硬性渗出，以及囊样水肿。

由上述可知，两种疾病均可在图像上体现不同的特征。临床诊断中，DR和DME筛查主要依靠眼科医生检查彩色眼底图像。然而，专业眼科医生紧缺与偏远地区医疗环境不佳严重制约了筛查诊断的进程，人工实时分析更是难上加难。因此，有必要引入计算机辅助治疗减轻眼科医生负担、缩短检查时间，降低疾病不同等级对应的图片筛查的时间和人力成本。

发明内容

本发明的目的在于，为克服现有技术缺陷，提供了一种基于残差网络的图像分类方法、装置、设备及介质,旨在解决目前基于残差网络的图像分类过程中，无法按照需求对图像进行分级分类的技术问题。

本发明目的通过下述技术方案来实现：

为实现上述目的，本发明提供一种基于残差网络的图像分类方法，该方法包括以下步骤：

获取根据数据特征分类的数据集，并根据所述数据特征编写卷积神经网络所需的数据接口；

制作数据集标签，每一类不同数据特征的数据集对应一个数据集标签；

构建训练集和测试集，将数据集分割成若干等份；

构建深层残差单元，搭建卷积神经网络，建立图像分类模型；所述卷积神经网络输出端连接至少两个分类器；

对图像分类模型设置训练参数和损失函数策略，确定分类器输出的分类结果；

对图像分类模型进行网络训练和网络测试；

向图像分类模型中输入待分类图像，获得分类结果。

进一步的，所述图像分类模型采用留一交叉验证方法进行网络训练和网络测试。

进一步的，所述分类器为两个，分类器输出的分类结果为一个二分类结果和一个三分类结果，所述设置训练参数和损失函数策略具体包括：

选择网络优化器，初始化学习率；

设置衰减学习率策略并设置训练时期和批尺寸；