基于改进CNN模型的视网膜眼底图片分类方法技术

本发明专利技术公开了一种基于改进CNN模型的视网膜眼底图片分类方法，包括对已获取的训练图片进行分类和标记；对训练图片进行图像预处理；建立改进CNN模型；采用步训练图片对改进CNN模型进行训练得到图片分类器；采用图片分类器对待检测的视网膜眼底图片进行分类并得到最终的分类结果。本发明专利技术提出了一种性能优良的基于多任务的改进CNN模型和分类方法，效率更高，占用资源更少，可靠性高且准确性好。

【技术实现步骤摘要】
基于改进CNN模型的视网膜眼底图片分类方法
本专利技术属于图像处理领域，具体涉及一种基于改进CNN模型的视网膜眼底图片分类方法。
技术介绍
随着经济技术的发展和人们生活水平的提高，人们也越来越关注自身的健康。视网膜眼底图片能够在一定程度上反映人们的健康状态。因此，对于被检测人的彩色眼底图片进行分析和分类，就成为了视网膜病变(比如糖尿病性视网膜病变)的辅助检测手段。目前，已有大量的关于糖尿病性视网膜病变的彩色眼底图片的分类研究。但是，当前的分类技术，一般都是采用较小的单一数据集对分类器进行训练和分类；但是，单一数据集并不具有代表性，而且分类器采用的也是较为原始的分类器，因此使得图片的分类精度较差，限制了分类方法的应用。
技术实现思路
本专利技术的目的在于提供一种可靠性高、准确性好且效率较高的基于改进CNN模型的视网膜眼底图片分类方法。本专利技术提供的这种基于改进CNN模型的视网膜眼底图片分类方法，包括如下步骤：S1.对已获取的训练图片进行分类和标记；S2.对步骤S1得到的训练图片进行图像本文档来自技高网...

【技术保护点】
1.一种基于改进CNN模型的视网膜眼底图片分类方法，包括如下步骤：/nS1.对已获取的训练图片进行分类和标记；/nS2.对步骤S1得到的训练图片进行图像预处理；/nS3.建立改进CNN模型；/nS4.采用步骤S2得到的训练图片对步骤S3建立的改进CNN模型进行训练，从而得到图片分类器；/nS5.采用步骤S4得到的图片分类器对待检测的视网膜眼底图片进行分类，从而得到最终的分类结果。/n

【技术特征摘要】
1.一种基于改进CNN模型的视网膜眼底图片分类方法，包括如下步骤：
S1.对已获取的训练图片进行分类和标记；
S2.对步骤S1得到的训练图片进行图像预处理；
S3.建立改进CNN模型；
S4.采用步骤S2得到的训练图片对步骤S3建立的改进CNN模型进行训练，从而得到图片分类器；
S5.采用步骤S4得到的图片分类器对待检测的视网膜眼底图片进行分类，从而得到最终的分类结果。


2.根据权利要求1所述的基于改进CNN模型的视网膜眼底图片分类方法，其特征在于步骤S1所述的对已获取的训练图片进行分类和标记，具体为将训练图片分为异常和正常两类，用disease表示，disease＝1表示异常，disease＝0表示正常；然后将异常的图片再次标记异常程度，用level表示，level的取值为0、1、2、3和4，依次用于表示异常的最轻～异常的最重。


3.根据权利要求2所述的基于改进CNN模型的视网膜眼底图片分类方法，其特征在于步骤S2所述的对步骤S1得到的训练图片进行图像预处理，具体为采用如下步骤进行预处理：
A.根据每张图片的像素值，获取眼球半径；
B.根据步骤A获取的眼球半径，裁剪出包含眼球的最小正方形图片；
C.将步骤B得到的最小正方形图片缩放到设定的Num*Num大小；
D.对步骤C得到的图片进行图像增强，从而得到最终的训练图片。


4.根据权利要求3所述的基于改进CNN模型的视网膜眼底图片分类方法，其特征在于步骤D所述的图像增强，具体为采用高斯模糊进行图像增强。


5.根据权利要求1～4之一所述的基于改进CNN模型的视网膜眼底图片分类方法，其特征在于步骤S3所述的建立改进CNN模型，具体为采用如下步骤建立模型：
a.采用VGG16网络作为基础CNN模型；
b.在步骤a得到的基础CNN模型中，去除最后一个最大池化层后的所有层，并加入全局池化层(globalaveragepooling)作为共享层的底层；
c.在步骤b得到的共享层后，连接两个任务：disease和level；其中disease为异常或正常的预测任务，且为辅助任务；level为异常轻重程度的预测任务，且为主任务；<...

【专利技术属性】
技术研发人员：荣辉桂，奚子为，蒋洪波，王敏，火生旭，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43