基于卷积神经网络与随机森林组合的白内障自动分级方法技术

本发明专利技术实施例提供了基于卷积神经网络与随机森林组合的白内障自动分级方法，方法包括：采集白内障眼部影像；将白内障眼部影像输入卷积神经网络模型；从卷积神经网络模型的第一层全连接层，获取白内障眼部影像的特征向量，卷积神经网络模型包括第一层全连接层和第二层全连接层，第二层全连接层用于在使用白内障眼部影像样本，训练卷积神经网络模型时，输出白内障眼部影像样本对应的识别分级结果，以便基于识别分级结果与白内障眼部影像样本对应的预设分级结果的差异，构建用于训练卷积神经网络模型的损失函数；将获取到的特征向量输入随机森林分类模型，得到白内障分级结果。应用本发明专利技术实施例能够实现不依赖眼科医生，对白内障病情进行自动分级。

【技术实现步骤摘要】
基于卷积神经网络与随机森林组合的白内障自动分级方法
本专利技术涉及神经网络
，特别是涉及一种基于卷积神经网络与随机森林组合的白内障自动分级方法。
技术介绍
白内障属于较常见的老年病，由于我国人口基数大且老龄化程度越来越严重，使得我国白内障患者数量较多。为了提高白内障的诊疗效率，可以先根据白内障患者的病情进行分级，再根据分级结果进行诊断和治疗，比如，白内障的分级级别共为三级，一级为基本不影响视力，二级为有程度不等的视力障碍，三级为有严重的视力障碍，然后，根据分级结果，对患者进行病情诊断，进而再进行有针对性的治疗，比如，对分级结果为一级的白内障患者，诊断白内障病情为初期，可以通过纠正日常生活习惯来改善和延缓白内障病情，对分级结果为二级的白内障患者，诊断白内障病情为中期，可以通过药物手段来改善和延缓白内障病情，对分级结果为三级的白内障患者，诊断白内障病情为晚期，可以通过手术手段来改善白内障病情。目前，对白内障病情的分级完全依赖于眼科医生的人工判断，需要花费较长时间。这样，由于眼科医生的资源有限，对白内障病情的分级会占用眼科医生较多时间，挤占眼科医生为患者治疗白内障的时间，导致部分白内障患者无法得到及时治疗，此外，还可能出现由于眼科医生的专业水平较差而造成的分级失误的问题。
技术实现思路
本专利技术实施例的目的在于提供基于卷积神经网络与随机森林组合的白内障自动分级方法，以实现不依赖眼科医生，对白内障病情进行自动分级。具体技术方案如下：本专利技术实施例提供了一种基于卷积神经网络与随机森林组合的白内障自动分级方法，所述方法包括：采集白内障眼部影像；将白内障眼部影像输入预设的卷积神经网络模型；从预设的卷积神经网络模型的第一层全连接层，获取白内障眼部影像的特征向量，预设的卷积神经网络模型包括第一层全连接层和第二层全连接层，第二层全连接层用于在使用白内障眼部影像样本，训练预设的卷积神经网络模型时，输出白内障眼部影像样本对应的识别分级结果，以便基于所述识别分级结果与所述白内障眼部影像样本对应的预设分级结果的差异，构建用于训练预设的卷积神经网络模型的损失函数；将所述特征向量输入预设的随机森林分类模型，得到白内障眼部影像对应的白内障分级结果。可选的，在所述将白内障眼部影像输入预设的卷积神经网络模型的步骤之前，所述方法还包括：按照预设的尺寸要求，对白内障眼部影像进行尺寸变换处理。可选的，预设的卷积神经网络模型通过如下步骤训练得到：将预设数量的白内障眼部影像样本，以及各白内障眼部影像样本对应的预设分级结果，输入原始的卷积神经网络模型；从原始的卷积神经网络模型的第二层全连接层，获取各白内障眼部影像样本对应的识别分级结果；将所述识别分级结果与所述预设分级结果的差异，确定为损失函数；对损失函数进行最小化处理，得到最小化损失函数；根据最小化损失函数，确定预设的卷积神经网络模型中各层的权重参数；将所述权重参数，写入原始的卷积神经网络模型，得到训练好的预设的卷积神经网络模型。可选的，在所述将预设数量的白内障眼部影像样本，以及各白内障眼部影像样本对应的预设分级结果，输入原始的卷积神经网络模型的步骤之前，所述方法还包括：按照预设的尺寸要求，对预设数量的白内障眼部影像样本进行尺寸变换处理；按照预设的红绿蓝RGB值要求，对预设数量的白内障眼部影像样本进行RGB值调整处理。可选的，所述按照预设的红绿蓝RGB值要求，对预设数量的白内障眼部影像样本进行RGB值调整处理的步骤，包括：计算各白内障眼部影像样本的第一R通道均值、第一G通道均值以及第一B通道均值；分别计算所有的白内障眼部影像样本的第一R通道均值之和、第一G通道均值之和、第一B通道均值之和，再将第一R通道均值之和、第一G通道均值之和、第一B通道均值之和分别除以白内障眼部影像样本的预设数量，得到预设数量的白内障眼部影像样本的第二R通道均值、第二G通道均值、第二B通道均值；将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别加上第二R通道均值与第一R通道均值的差值、第二G通道均值与第一G通道均值的差值、第二B通道均值与第一B通道均值的差值，得到各白内障眼部影像样本中的各像素点的R通道调整值、G通道调整值和B通道调整值：将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别调整为R通道调整值、G通道调整值和B通道调整值。可选的，所述将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别加上第二R通道均值与第一R通道均值的差值、第二G通道均值与第一G通道均值的差值、第二B通道均值与第一B通道均值的差值，得到各白内障眼部影像样本中的各像素点的R通道调整值、G通道调整值和B通道调整值的步骤，包括：根据如下三个公式，将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别加上第二R通道均值与第一R通道均值的差值、第二G通道均值与第一G通道均值的差值、第二B通道均值与第一B通道均值的差值，得到各白内障眼部影像样本中的各像素点的R通道调整值、G通道调整值和B通道调整值；R′k,j＝Rk,j-Ri_mean+R_mean在公式中，R′k,j为白内障眼部影像样本i中各像素点的R通道调整值；Rk,j为白内障眼部影像样本i中各像素点的R通道值；R_mean为预设数量的白内障眼部影像样本的第二R通道均值；Ri_mean为各白内障眼部影像样本的第一R通道均值；G′k,j＝Gk,j-Gi_mean+G_mean在公式中，G′k,j为白内障眼部影像样本i中各像素点的G通道调整值；Gk,j为白内障眼部影像样本i中各像素点的G通道值；G_mean为预设数量的白内障眼部影像样本的第二G通道均值；Gi_mean为各白内障眼部影像样本的第一G通道均值；B′k,j＝Bk,j-Bi_mean+B_mean在公式中，B′k,j为白内障眼部影像样本i中各像素点的B通道调整值；Bk,j为白内障眼部影像样本i中各像素点的B通道值；B_mean为预设数量的白内障眼部影像样本的第二B通道均值；Bi_mean为各白内障眼部影像样本的第一B通道均值。可选的，所述从原始的卷积神经网络模型的第二层全连接层，获取各白内障眼部影像样本对应的识别分级结果的步骤，包括：从原始的卷积神经网络模型的第一层全连接层，获取各白内障眼部影像样本的特征向量；将所述各白内障眼部影像样本的特征向量，输入原始的卷积神经网络模型的第二层全连接层，得到各白内障眼部影像样本对应的N维分类向量，N为分级结果对应的总级别数，N维分类向量中的每个元素均对应一个分级级别；将各所述N维分类向量中，最大元素对应的分级级别，确定为各白内障眼部影像样本对应的识别分级结果。本专利技术实施例还提供了一种基于卷积神经网络与随机森林组合的白内障自动分级装置，所述装置包括：摄像头，用于采集白内障眼部影像，并将采集到的白内障眼部影像发送至处理器；处理器，用于将摄像头发送的白内障眼部影像输入预设的卷积神经网络模型；从预设的卷积神经网络模型的第一层全连接层，获取白内障眼部影像的特征向量，预设的卷积神经网络模型包括第一层全连接层和第二层全连接层，第二层全连接层用于在使用白内障眼部影像样本，训练预设的卷积神经网络模型时，输出白内障眼部影像样本对应的识别分级结果，以便基本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络与随机森林组合的白内障自动分级方法，其特征在于，所述方法包括：采集白内障眼部影像；将白内障眼部影像输入预设的卷积神经网络模型；从预设的卷积神经网络模型的第一层全连接层，获取白内障眼部影像的特征向量，预设的卷积神经网络模型包括第一层全连接层和第二层全连接层，第二层全连接层用于在使用白内障眼部影像样本，训练预设的卷积神经网络模型时，输出白内障眼部影像样本对应的识别分级结果，以便基于所述识别分级结果与所述白内障眼部影像样本对应的预设分级结果的差异，构建用于训练预设的卷积神经网络模型的损失函数；将所述特征向量输入预设的随机森林分类模型，得到白内障眼部影像对应的白内障分级结果。

【技术特征摘要】
1.一种基于卷积神经网络与随机森林组合的白内障自动分级方法，其特征在于，所述方法包括：采集白内障眼部影像；将白内障眼部影像输入预设的卷积神经网络模型；从预设的卷积神经网络模型的第一层全连接层，获取白内障眼部影像的特征向量，预设的卷积神经网络模型包括第一层全连接层和第二层全连接层，第二层全连接层用于在使用白内障眼部影像样本，训练预设的卷积神经网络模型时，输出白内障眼部影像样本对应的识别分级结果，以便基于所述识别分级结果与所述白内障眼部影像样本对应的预设分级结果的差异，构建用于训练预设的卷积神经网络模型的损失函数；将所述特征向量输入预设的随机森林分类模型，得到白内障眼部影像对应的白内障分级结果。2.根据权利要求1所述的方法，其特征在于，在所述将白内障眼部影像输入预设的卷积神经网络模型的步骤之前，所述方法还包括：按照预设的尺寸要求，对白内障眼部影像进行尺寸变换处理。3.根据权利要求1所述的方法，其特征在于，预设的卷积神经网络模型通过如下步骤训练得到：将预设数量的白内障眼部影像样本，以及各白内障眼部影像样本对应的预设分级结果，输入原始的卷积神经网络模型；从原始的卷积神经网络模型的第二层全连接层，获取各白内障眼部影像样本对应的识别分级结果；将所述识别分级结果与所述预设分级结果的差异，确定为损失函数；对损失函数进行最小化处理，得到最小化损失函数；根据最小化损失函数，确定预设的卷积神经网络模型中各层的权重参数；将所述权重参数，写入原始的卷积神经网络模型，得到训练好的预设的卷积神经网络模型。4.根据权利要求3所述的方法，其特征在于，在所述将预设数量的白内障眼部影像样本，以及各白内障眼部影像样本对应的预设分级结果，输入原始的卷积神经网络模型的步骤之前，所述方法还包括：按照预设的尺寸要求，对预设数量的白内障眼部影像样本进行尺寸变换处理；按照预设的红绿蓝RGB值要求，对预设数量的白内障眼部影像样本进行RGB值调整处理。5.根据权利要求4所述的方法，其特征在于，所述按照预设的红绿蓝RGB值要求，对预设数量的白内障眼部影像样本进行RGB值调整处理的步骤，包括：计算各白内障眼部影像样本的第一R通道均值、第一G通道均值以及第一B通道均值；分别计算所有的白内障眼部影像样本的第一R通道均值之和、第一G通道均值之和、第一B通道均值之和，再将第一R通道均值之和、第一G通道均值之和、第一B通道均值之和分别除以白内障眼部影像样本的预设数量，得到预设数量的白内障眼部影像样本的第二R通道均值、第二G通道均值、第二B通道均值；将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别加上第二R通道均值与第一R通道均值的差值、第二G通道均值与第一G通道均值的差值、第二B通道均值与第一B通道均值的差值，得到各白内障眼部影像样本中的各像素点的R通道调整值、G通道调整值和B通道调整值：将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别调整为R通道调整值、G通道调整值和B通道调整值。6.根据权利要求5所述的方法，其特征在于，所述将各白内障眼部影像样本中的各像素点的R通道值、G通道值和B通道值，分别加上第二R通道均值与第一R通道均值的差值、第二G通道均值与第一G通道均值的差值、第二B通道均值与第一B通道均值的差值，得到各白内障眼部影像样本中的各像素点的R通道调整值、G通道调整值和B通道调整值的步骤，包括：根据如下三个公式，将各白内障眼部影像样本中的各像素点的R通道值、G通道值...

【专利技术属性】
技术研发人员：牛凯，贺志强，冉静，党金源，武殊伊，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11