深度学习系统及其方法技术方案

本申请提供一种深度学习系统及其方法，涉及图像处理领域，以解决现有技术中糖网分期检测准确率低的问题。系统包括：影像撷取单元，用以撷取图像；处理器；以及存储器，用以存储可供处理器执行的计算器程序，其中，处理器用以执行：预处理图像，并生成第一处理图像；根据第一处理图像建立训练模型；以及，检测训练模型并生成集成模型。检测训练模型并生成集成模型，更包括：判断训练模型是否达到预设标准；以及，根据判定结果生成集成模型。根据多个模型分别对原始图片的分类作出判定，得到多个判定结果；将数量最多的判定结果作为原始图片的最终判定结果；或，对准确率差异较大模型的预测结果进行加权求和处理，得到最终判定结果。

Deep learning system and its method

The application provides an in-depth learning system and a method thereof, which relates to the field of image processing, so as to solve the problem of low accuracy of sugar net stage detection in the prior art. The system includes an image capturing unit for capturing images, a processor, and a memory for storing a calculator program that can be executed by the processor, wherein the processor is used for executing: preprocessing images and generating a first processing image; establishing a training model based on the first processing image; and detecting a training model and generating an integrated model. Detect the training model and generate the integrated model, including: judge whether the training model meets the preset standard; and, generate the integrated model according to the judgment results. According to multiple models, we can judge the classification of the original pictures and get multiple judgment results; take the most number of judgment results as the final judgment results of the original pictures; or, we can get the final judgment results by weighting the prediction results of the models with large difference in accuracy.

【技术实现步骤摘要】
深度学习系统及其方法
本申请涉及图像处理领域，具体而言，涉及一种深度学习系统和方法。
技术介绍
糖尿病视网膜病变(DR)会引起视力受损和失明，而且不同等级DR间的微小差别和许多显着小特征的存在使得识别任务具有挑战性。早期发现糖尿病视网膜病变非常重要，适当的治疗可以预防失明，自动检测糖尿病视网膜病变是解决这些问题的关键，深度学习的兴起使得自动检测糖尿病视网膜病变成为了可能。不同糖尿病视网膜病变之间具有微小差别，而且同一种类病变的面积跨度较大，尤其是当许多显着小特征病灶作为分类标准时，图像分类变得更加困难；如二分类情况下，某些糖网图像只有少量的渗出点，占整张图像的很小比例，这就意味着，在特征提取后，特征向量真正用于分类的信息很少，使得分类的效果很差。
技术实现思路
本申请实施例的目的在于提供一种深度学习系统和方法，用以提高糖网分期检测准确率。第一方面，本专利技术实施例提供一种深度学习系统，包括：影像撷取单元，用以撷取图像；处理器；以及存储器，用以存储可供处理器执行的计算器程序，其中，处理器用以执行：预处理图像，并本文档来自技高网...

【技术保护点】
1.一种深度学习系统，其特征在于，包括：/n影像撷取单元，用以撷取图像；/n处理器；以及/n存储器，用以存储可供所述处理器执行的计算器程序，/n其中，处理器用以执行：/n预处理所述图像，并生成第一处理图像；/n根据所述第一处理图像建立训练模型；以及，/n检测训练模型并生成集成模型。/n

【技术特征摘要】
1.一种深度学习系统，其特征在于，包括：
影像撷取单元，用以撷取图像；
处理器；以及
存储器，用以存储可供所述处理器执行的计算器程序，
其中，处理器用以执行：
预处理所述图像，并生成第一处理图像；
根据所述第一处理图像建立训练模型；以及，
检测训练模型并生成集成模型。


2.根据权利要求1所述的系统，其特征在于，所述预处理所述图像，并生成第一处理图像，更包括：
采集原始图像；以及，
根据所述原始图像生成第一处理图像。


3.根据权利要求2所述的系统，其特征在于，所述根据所述原始图像生成第一处理图像，更包括：
根据所述原始图像的尺寸确定所述原始图像的中心点坐标；
根据所述原始图像的中心点坐标查找图像像素值剧烈变化的坐标区域，确定所述原始图像感兴趣区域的边界坐标；以及，
根据所述原始图像感兴趣区域的边界坐标裁剪所述原始图像，得到没有黑色区域干扰的第一处理图像；其中，
所述原始图像感兴趣区域为在所述原始图像中划定的图像区域。


4.根据权利要求1所述的系统，其特征在于，所述检测训练模型并生成集成模型，更包括：
判断所述训练模型是否达到预设标准；以及，
根据判定结果生成集成模型。


5.根据权利要求4所述的系统，其特征在于，所述根据判定结果生成集成模型，更包括：
根据多个模型分别对原始图片的分类作出判定，得到多个判定结果；
将数量最多的判定结果作为原始图片的最终判定结果；或，
对准确率差异较大模型的预测结果进行加权求和处理，得到最终判定结果；其中，
模型集成时采用的多个模型是采用不同初始化参数训练的模型、采用交叉...

【专利技术属性】
技术研发人员：李卫超，钟利伟，金蒙，
申请(专利权)人：北京大恒普信医疗技术有限公司，
类型：发明
国别省市：北京;11