【技术实现步骤摘要】
一种基于数据增强与模型融合的病理性近视识别方法
本专利技术属于图像处理
,涉及人工智能技术在医学影像领域的应用,特别涉及一种基于数据增强与模型融合的病理性近视识别方法。
技术介绍
病理性近视(pathologicalmyopia,PM)是指屈光度多在-8.00D以上。近视度数持续加深,且常伴发眼后极部的变形改变,包括巩膜变薄、脉络膜萎缩变薄及眼轴的增长,可伴有弱视、青光眼、白内障、玻璃体混浊、视网膜脱落等多种并发症的眼病。病理性近视相关并发症是现今人们视觉损害及失明的主要原因之一,这种情况在东亚地区尤为严峻。病理性近视可以引起黄斑、视网膜外周以及视神经的多种病变,从而导致视觉损害。眼球结构畸形、包括后巩膜葡萄肿,会加速这些病的进展。有关病理性近视的流行病学调查很多,尽管它们在对病理性近视的定义上可能有所不同。在亚洲人群中的调查显示,病理性近视的发病率为0.9%~3.1%;对澳洲人群的调查显示,病理性近视的发病率为1.2%。此外,研究显示,病理性近视已经成为7%的欧洲人口失明及视力低下的首要原因。由于环境因素和生活方式的变化,高度近视及病理性近视的发病率还在逐年上升。因此,在未来的几十年中,病理性近视相关并发症造成的视力损害问题很可能会变得更为严峻。我国眼科医师数量与发达国家相比差距甚大,但国内医患需求本就巨大且近年来随着社会老龄化的发展,其数量呈现逐年递增的趋势。当前医疗领域的主要矛盾是人民日益增长的医疗需求同日趋紧张的医疗资源之间的矛盾。一方面,“看病难、看病贵”的问题仍然存在,主要是现有优秀 ...
【技术保护点】
1.一种基于数据增强与模型融合的病理性近视识别方法,其特征在于包括如下步骤:/n步骤1,获取待识别的眼底图像;/n步骤2,将待识别的眼底图像送入深度学习模型进行识别,输出识别结果;/n其中,深度学习模型的训练方法是:/n步骤a,确定数据集,并将数据集按照7:2:1的比例划分训练集、验证集和测试集;/n步骤b,对训练集的数据采用多种数据增强方式进行数据增强,得到相对应的增强后的数据集;/n步骤c,将步骤b增强后的数据集分别送入AlexNet、GooLeNet、VGG-16、ResNet-50进行训练,并以各网络在验证集上的验证准确率来衡量各种数据增强方式在该网络上的学习质量,保存各网络在验证数据集上对应准确率最高的网络模型并记录其对应的数据增强策略,将此时的AlexNet、GooLeNet、VGG-16、ResNet-50作为深度学习模型的一级模型;/n步骤d,记录一级模型在验证集上的所有识别结果,作为二级模型,即硬投票模型的输入数据集,通过众数选择的方式对一级模型的识别结果做出再次判断,并得到最终的识别结果。/n
【技术特征摘要】
1.一种基于数据增强与模型融合的病理性近视识别方法,其特征在于包括如下步骤:
步骤1,获取待识别的眼底图像;
步骤2,将待识别的眼底图像送入深度学习模型进行识别,输出识别结果;
其中,深度学习模型的训练方法是:
步骤a,确定数据集,并将数据集按照7:2:1的比例划分训练集、验证集和测试集;
步骤b,对训练集的数据采用多种数据增强方式进行数据增强,得到相对应的增强后的数据集;
步骤c,将步骤b增强后的数据集分别送入AlexNet、GooLeNet、VGG-16、ResNet-50进行训练,并以各网络在验证集上的验证准确率来衡量各种数据增强方式在该网络上的学习质量,保存各网络在验证数据集上对应准确率最高的网络模型并记录其对应的数据增强策略,将此时的AlexNet、GooLeNet、VGG-16、ResNet-50作为深度学习模型的一级模型;
步骤d,记录一级模型在验证集上的所有识别结果,作为二级模型,即硬投票模型的输入数据集,通过众数选择的方式对一级模型的识别结果做出再次判断,并得到最终的识别结果。
2.如权利要求1所述的基于数据增强与模型融合的病理性近视识别方法,其特征在于:所述步骤2中,所有一级模型均在学习率0.001,损失函数采用logisticloss损失函数,优化器采用SSD优化器,batch_size全部设置为10,每个epoch是30个batch,每个模型均进行30个epoch训练,并且保存,作为一级模型;
冻结以上所有模型的卷积层,全连接层,BN层以及其他层,将输出层接入硬投票模型,进而构建成为结果融合后的深度学习模型。
3.如权利要求3所述的基于数据增强与模型融合的病理性近视识别方法,其特征在于:所述步骤b中,对数据集进行数据增强,具体包括如下内容:
①对图...
【专利技术属性】
技术研发人员:张晓云,崔建峰,黄建玉,吴万庆,熊飞兵,韦程琳,蒋明哲,陈浩,徐飞翔,刘琳,
申请(专利权)人:厦门理工学院,
类型:发明
国别省市:福建;35
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。