基于迁移卷积网络对眼底图像进行血管病变分级识别方法技术

本发明专利技术公开一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法，包括：对眼底图像数据集进行随机数据增广；将眼底图像数据集标注为是否患有血管病变；将眼底图像数据集划分为不同动静脉狭窄严重程度的等级；将眼底图像数据集划分为训练集与测试集；对眼底图像数据集进行裁剪；修改网络架构的深层；对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重，得到血管病变识别模型；通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果；基于所述血管病变识别模型，将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断，并产生分级结果。本发明专利技术能解决眼底动静脉局部狭窄严重程度的多分类问题，能提高识别的准确率。

【技术实现步骤摘要】
基于迁移卷积网络对眼底图像进行血管病变分级识别方法
本专利技术涉及计算机神经网络
，特别涉及一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法。
技术介绍
高血压是一种持续升高血压的慢性疾病。相关文献提出在过去的十几年中，高血压依然在中国是导致过早死亡的主要促进因素，也是导致心脑血管疾病及慢性肾病等的主要危险因素。其次，高血压是许多严重健康问题的前兆，包括高血压性视网膜病变、中风、冠心病、肾脏疾病，甚至过早死亡。因此，进行快速高效的筛查对高血压诊断是必要的。在过去的十几年中，无创电子血压计已经普遍得到应用。这些血压计很多时候是使用者及患者自行操作。目前电子血压计是通过对手臂或手腕采集收缩压、舒张压数据并且基于示波法判断血压。使用电子血压仪只能反应此时的血压情况，并且需要通过每日4至5次测量出平均血压值才能提供较准的参考值。但由于不同的厂商的算法与不同时间段采取血压的数据不统一，因此测量得到的结果会因许多不同的因素而受到影响，从而影响判断。近些年来有一些关于通过视网膜血管系统判断高血压的工作。高血压性视网膜病变是与血压升高最常见的视网膜疾病之一。通过观察动静脉，一种仅出现在高血压患者中出现，而在健康个体中没有出现动静脉狭窄的迹象，即使在有限的临床实践中，局部狭窄也很容易被发现。通过眼底图看到的是人类身体组织的真正形态，动脉、静脉的比值发生了变化，可以精准的分级是轻度还是重度的，避免错过早期治疗的诊断窗口。以往的研究都将动静脉损伤变化作为高血压为代表的血管病变的一种预测指标。大多数研究采用传统的方法，通过血管分割分析静脉宽度被压迫的变化，然后再进行严重程度的分类。越来越多的算法被应用于血管分析，如使用传统的血管直径变化的分类方法和最近的方法使用机器学习分类器：利用随机森林分类器、应用支持向量机、运用深度学习ResNeXt模型。上述方法存在的问题是精准度不高。以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利技术的现有技术，在没有明确的证据表明上述内容在本专利技术的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本专利技术的新颖性和创造性。
技术实现思路
本专利技术提出一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法，具体是一种基于迁移学习的深度局部眼底图片动静脉局部狭窄进行分类及对血管病变识别方法。本专利技术能解决眼底动静脉局部狭窄严重程度的多分类问题，并且也是第一次能够对最严重(IV级)的动静脉局部狭窄级别进行判断。同时，本专利技术是首例通过观察血管病变识别对个体进行动静脉局部狭窄的分级判断。通过局部眼底图的血管病变对动静脉局部狭窄分级取得了很有竞争力的结果。在第一方面，本专利技术提供一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法，包括：A1、对眼底图像数据集进行随机数据增广；A2、将眼底图像数据集标注为是否患有血管病变；A3、将眼底图像数据集划分为不同动静脉狭窄严重程度的等级；A4、将眼底图像数据集划分为训练集与测试集；A5、对眼底图像数据集进行裁剪；A6、在预训练模型结构的基础上，保持所述预训练模型的初始层的权重不变，修改网络架构的深层，从而适应所述眼底图像数据集；A7、对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重，得到血管病变识别模型；A8、通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果；A9、基于所述血管病变识别模型，将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断，并产生分级结果。在一些优选的实施方式中，所述A4具体为：将眼底图像数据集以指定的比例随机划分为训练集与测试集。在一些优选的实施方式中，所述A5具体包括：将训练分类器及测试分类器的图像裁剪为指定像素大小的图像作为输入，并对图像进行归一化处理，由图像转换为张量。在一些优选的实施方式中，所述A9包括：通过模型修改分类器的层进行反向传播。在一些优选的实施方式中，所述分类器的层包括全链接层、ReLU层和SoftMax层。在一些优选的实施方式中，还包括训练过程；所述训练过程包括：B1、通过冻结预训练过的层，只训练适用于血管病变识别的模型；B2、对输入图像是否为患有血管病变通过一对多分类器算法识别出正样本的数据以及分类出负样本的数据；B3、基于血管病变识别的模型对分类器进行修改，输入图像通过多对多的多分类器算法分类出以健康与不同动静脉局部狭窄严重级别为指标的眼底图像数据，从而进行判断。在一些优选的实施方式中，所述训练过程还包括：B4、以固定部分参数与预训练模型的权重重新训练添加的分类器层。在一些优选的实施方式中，所述训练过程还包括：B5、在分类器设置Dropout层，以指定比例保留及其暂时从架构中丢弃部分的神经元。在一些优选的实施方式中，所述预训练模型为ResNet-50的预训练模型。在第二方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质中存储有程序指令，所述程序指令被计算机的处理器执行时使所述处理器执行上述方法。与现有技术相比，本专利技术的实施例的有益效果包括：本专利技术的实施例能提高对眼底图像识别的准确率，并能实现动静脉严重程度的分级。附图说明图1为本专利技术一个实施例的基于迁移卷积网络对眼底图像进行血管病变分级识别方法的流程示意图。具体实施方式为了使本专利技术的实施例所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。在本专利技术实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。迀移学习主要是将先前已经学习好的模型应用到新任务中，并且模拟人类所采用的一种认知学习方式。在许多应用场景之下，通过迁移学习的深度模型性能上已经超过了人类。迁移学习主要使用图像数据作为输入的预测性分类建模进行迁移学习、并常见于处理医疗领域的图像判断分类预测任务。本实施例基于迁移学习，提出一种基于迁移学习的眼底图像分级识别方法，具体为一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法，实现判断眼底图像动静脉局部狭窄分级。本实施例基于预训练好的深度眼底图模型进行改进并解决医疗应用中的识别血管病变及对血管病变分级的方法。参考图1，本实施例的方法包括步骤A1至步骤A9。其中步骤A1至步骤A5为数据集的预训练处理。数据处理遵循网络模型本身的数据处理方式。本实施例选择Resnet-50模型，并使用开源深度学习框架PyTorch。步骤A1、对眼底图像数据集进行随机数据增广。数据增广能够克服医学图像中缺少已标签数据集的情况。数据增广对数据进行随机变化，从而增加数据量的可变性、泛化性。本实施例将原始标注的医学数据进行垂直和水平的反转、随机旋转。本文档来自技高网...

【技术保护点】
1.一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法，其特征在于，包括：/nA1、对眼底图像数据集进行随机数据增广；/nA2、将眼底图像数据集标注为是否患有血管病变；/nA3、将眼底图像数据集划分为不同动静脉狭窄严重程度的等级；/nA4、将眼底图像数据集划分为训练集与测试集；/nA5、对眼底图像数据集进行裁剪；/nA6、在预训练模型结构的基础上，保持所述预训练模型的初始层的权重不变，修改网络架构的深层，从而适应所述眼底图像数据集；/nA7、对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重，得到血管病变识别模型；/nA8、通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果；/nA9、基于所述血管病变识别模型，将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断，并产生分级结果。/n

【技术特征摘要】
1.一种基于迁移卷积网络对眼底图像进行血管病变分级识别方法，其特征在于，包括：
A1、对眼底图像数据集进行随机数据增广；
A2、将眼底图像数据集标注为是否患有血管病变；
A3、将眼底图像数据集划分为不同动静脉狭窄严重程度的等级；
A4、将眼底图像数据集划分为训练集与测试集；
A5、对眼底图像数据集进行裁剪；
A6、在预训练模型结构的基础上，保持所述预训练模型的初始层的权重不变，修改网络架构的深层，从而适应所述眼底图像数据集；
A7、对所述预训练模型进行特征提取并使用所述训练集重新训练得到新的权重，得到血管病变识别模型；
A8、通过所述血管病变识别模型使用所述测试集产生识别血管病变的结果；
A9、基于所述血管病变识别模型，将分类器调整为多分类器算法进行动静脉局部狭窄严重程度的分级判断，并产生分级结果。


2.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法，其特征在于，所述A4具体为：将眼底图像数据集以指定的比例随机划分为训练集与测试集。


3.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法，其特征在于，所述A5具体包括：将训练分类器及测试分类器的图像裁剪为指定像素大小的图像作为输入，并对图像进行归一化处理，由图像转换为张量。


4.根据权利要求1所述基于迁移卷积网络对眼底图像进行血管病变分级识别方法，其特征在于，所述A9包括：通过模型修改分类器的层进行反向传播。


5.根据权利要...

【专利技术属性】
技术研发人员：董宇涵，罗叡，张凯，高瞻，
申请(专利权)人：清华大学深圳国际研究生院，北京好医生云医院管理技术有限公司，
类型：发明
国别省市：广东;44