【技术实现步骤摘要】
基于深度学习的眼底图视网膜黄斑水肿病变预测的方法
本专利技术涉及深度学习计算机视觉领域，尤其涉及眼底图视网膜黄斑水肿病变预测的方法。技术背景黄斑水肿(macularedema)指眼底视网膜对光线最敏感部位黄斑区发生炎性反应、液体渗入，形成水肿，造成视力严重下降，是视网膜中央静脉阻塞、糖尿病视网膜病变，是引起视力减退的重要原因之一。黄斑水肿一般均应治疗原发疾病，眼内炎症引起的应给以抗炎治疗。如果在患病之初，对患者进行眼底图检查，通过对眼底图中某些特征进行提取进而判断预测是否有患黄斑水肿病的风险，就可以在发病前及时对患者进行药物治疗，从而大大降低患病率以及失明率。深度网络的退化问题至少说明深度网络不容易训练。但是考虑这样一个事实：现在有一个浅层网络，想通过向上堆积新层来建立深层网络，一个极端情况是这些增加的层什么也不学习，仅仅复制浅层网络的特征，即这样新层是恒等映射(Identitymapping)。在这种情况下，深层网络应该至少和浅层网络性能一样，也不应该出现退化现象。这个有趣的假设让KaimingHe博士灵感爆发...
【技术保护点】
1.基于深度学习的眼底图视网膜黄斑水肿病变预测的方法，其特征在于该方法具体包括以下步骤：/n步骤1：数据集的筛选/n数据集来自由法国在2004年TECHNO-VISION项目中资助的Messidor研究项目；在该数据集中研究者们根据眼底图中的硬性渗出物来用于评估黄斑水肿的风险；/n步骤2：眼底图像的预处理，具体步骤如下：/n(2-1)加载眼底图像并估计眼球的半径；/n(2-2)将较大的半径作为目标半径，根据目标半径对原眼底图像进行剪裁；/n(2-3)对剪裁后的眼底图像进行模糊处理，然后用原眼底图像减去模糊后的眼底图像，得到眼底的简单特征提取图；/n(2-4)消除特征提取图模...
【技术特征摘要】
1.基于深度学习的眼底图视网膜黄斑水肿病变预测的方法，其特征在于该方法具体包括以下步骤：
步骤1：数据集的筛选
数据集来自由法国在2004年TECHNO-VISION项目中资助的Messidor研究项目；在该数据集中研究者们根据眼底图中的硬性渗出物来用于评估黄斑水肿的风险；
步骤2：眼底图像的预处理，具体步骤如下：
(2-1)加载眼底图像并估计眼球的半径；
(2-2)将较大的半径作为目标半径，根据目标半径对原眼底图像进行剪裁；
(2-3)对剪裁后的眼底图像进行模糊处理，然后用原眼底图像减去模糊后的眼底图像，得到眼底的简单特征提取图；
(2-4)消除特征提取图模糊的边界效应，移除眼底图像10％的外圆；
(2-5)对处理后的特征提取图做进一步裁减，裁减后的图像为256*256尺寸的RGB图像；
步骤3：数据集扩充
由于数据集中大部分是健康眼底的样本，有患病风险的样本只占少数，将部分有硬性渗出物的样本做图像扩充处理，具体操作包括将图像镜像和旋转；
步骤4：数据集标签的制作
由于该卷积神经网络采用的是监督学习，因此要给出进行数据扩充后数据集中每张图像所对应的类别，分别是：正常图像对应的标签编号为0，有患病风险的图像对应的标签编号为1；在神经网络训练时，将对应的标签编号进行one-hot编码，即将0编码为01，1编码为10；
步骤5：训练集和测试集的构建
使用sklearn中的train_test_split()函数，将数据集分为训练集和测试集，其中训练集占数据集的80％，测试集占20％；
步骤6：卷积神经网络的搭建；
步骤7：网络训练，网络使用的损失函数为交叉熵CrossEntropy，使用的梯度优化算法为StochasticGradientDescent，算法设定的学习率为0.025，使用训练集对网络进行训练，网络训练的迭代次数为2000，批样本数为4；
步骤8：网络测试，使用model.save()函数对训练好的模型进行保存，生成.h5的模型权重文件，使用测试集对网络进行测试...
【专利技术属性】
技术研发人员：颜成钢，朱嘉凯，王兴政，陈安琪，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33
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。