【技术实现步骤摘要】
一种基于深度学习的糖尿病视网膜病变等级分级方法
本专利技术涉及医疗卫生图像处理
，具体而言，尤其涉及一种基于深度学习的糖尿病视网膜病变等级分级方法。
技术介绍
糖尿病视网膜病变(DiabeticRetinopathy，DR)是由糖尿病引起的并发症，是主要致盲疾病之一。传统的视网膜图像处理方法包括4个阶段:预处理、解剖结构分析、病变检测和病变诊断。视网膜图像处理的每个阶段都需要不止一种图像处理技术，而且视网膜图像结构复杂，容易与各种病变交叉影响，再加上复杂的背景变化影响，使得对视网膜图像的处理面临各种难题。不可避免的外界因素使得处理视网膜图像的技术复杂、泛化性差，对先验知识也具有很强的依赖性。在这个过程中，任何一个技术环节出错或者效果不理想，都将导致后续的工作无法进行或者图像分类检测结果出现很大的误差。
技术实现思路
根据上述提出的技术问题，而提供一种基于深度学习的糖尿病视网膜病变等级分级方法。本专利技术采用的技术手段如下：一种基于深度学习的糖尿病视网膜病变等级分级方法，包括如下步骤：S1、构建样本库，其中包括不同程度视网膜病变的多张包括诊断标记的眼底镜照片；S2...
【技术保护点】
1.一种基于深度学习的糖尿病视网膜病变等级分级方法，其特征在于，包括如下步骤：S1、构建样本库，其中包括不同程度视网膜病变的多张包括诊断标记的眼底镜照片；S2、去除样本库中眼底镜照片的背景和噪声；S3、通过减去局部均值法将不同亮度、不同明暗度的样本图像归一化到同一个范围；S4、对不同样本图像采用随机拉伸、旋转的方法进行数据扩充，构建训练集和测试集；S5、训练初始深度学习网络模型，训练过程包括：搭建输入部分架构，搭建多分支特征变换部分架构和搭建输出部分框架，所述输出部分框架为多种输出模式，其中，模式一将输出的病变等级当做相关的回归问题构建输出部分框架，模式二通过交叉熵将输出的...
【技术特征摘要】
1.一种基于深度学习的糖尿病视网膜病变等级分级方法，其特征在于，包括如下步骤：S1、构建样本库，其中包括不同程度视网膜病变的多张包括诊断标记的眼底镜照片；S2、去除样本库中眼底镜照片的背景和噪声；S3、通过减去局部均值法将不同亮度、不同明暗度的样本图像归一化到同一个范围；S4、对不同样本图像采用随机拉伸、旋转的方法进行数据扩充，构建训练集和测试集；S5、训练初始深度学习网络模型，训练过程包括：搭建输入部分架构，搭建多分支特征变换部分架构和搭建输出部分框架，所述输出部分框架为多种输出模式，其中，模式一将输出的病变等级当做相关的回归问题构建输出部分框架，模式二通过交叉熵将输出的病变等级当做相关的分类问题构建输出部分框架；S6、将待检测样本输入到训练好的初始深度学习网络模型中，进行糖尿病视网膜病变分级。2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述不同程度视网膜病变为五种，即无糖尿病性视网膜病变、轻度糖尿病性视网膜病变、中度糖尿病性视网膜病变、重度糖尿病性视网膜病变、增殖性糖尿病性视网膜病变。3.根据权利要求1述的方法，其特征在于，步骤S2中，通过如下方法去除样本库中眼底镜照片的背景和噪声：S201、去除各样本图像的黑边，将其分辨率重置为预设的X*X，同时将被噪声完全污染的图像删除；S202、对中度糖尿病性视网膜病变及重度糖尿病性视网膜病变的样本图像进行白平衡处理；S203、对中度糖尿病性视网膜病变及重度糖尿病性视网膜病变的样本图像进行直方图均衡化处理。4.根据权利要求3所述的方法，其特征在于，通过如下方式对所述S202中样本图像进行白平衡处理：将原始样本图像RGB通道分离，分别计算各通道的均值Raver、Gaver、Baver及三者的均值K，通过公式Kr＝K/Raver、Kg＝K/Gaver、Kb＝K/Baver计算各通道的增益，将各原始通道乘以增益系数得到白平衡的结果；通过如下方式对所述S203中样本图像进行直方图均衡化处理：将RGB空间转化到YCbCr空间，对Y通道进行直方图均衡化，将得到的结果与Cb、Cr通道合并，得到最终直方图均衡化结果。5.根据权利要求1所述的方法，其特征在于，所述步骤S3中，减去局部均值法具体公式为：imgout＝img*α+imggaussian*β+γ其中，α＝4，β＝-4，γ＝128，imggaussian为经过高斯滤波器滤波过的图像。6...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。