【技术实现步骤摘要】
一种基于深度学习的2型糖尿病肾脏病变图像分类方法
本专利技术涉及深度学习
,更具体地说,涉及一种基于深度学习的2型糖尿病肾脏病变图像分类方法。
技术介绍
近年,以深度学习为代表的人工智能技术得到了显著的发展,其在病理学,医学影像诊断领域等应用也越来越得到关注。深度学习是一种实现机器学习的技术,是一种基于对数据进行表征学习的方法。它的技术核心是通过一种模拟人脑进行分析学习的人工神经网络,通过不同层级的特征分析和提取,最终完成数据的分类过程。在图像识别领域,深度卷积神经网络是深度学习的代表算法,它是由高级动物视觉认知模型延伸出的网络计算模式。因此,这种人工神经网络具有优异的特征学习能力,学习得到的特征对数据有更本质的刻画,从而有利于可视化或分类。目前,深度学习等已经在乳腺癌病理检查、肺癌检测、心血管成像等医学成像领域得到了广泛的研究。糖尿病是一种以长期高血糖为主要特征的代谢性疾病,可能会引起微血管病变、视网膜病变、肾脏病变和末梢神经病变等多种并发症,甚至有可能会导致死亡。糖尿病不仅会严重影响患者身体健康和生活质量,还会给其家庭和社会带来巨大的经济负担,因此,对糖尿病的准确检测与治疗已成为当前的一个热点话题。糖尿病性肾脏病变的发病率在全球范围内逐渐增加,肾脏病理图像是医生诊断糖尿病处于哪个阶段的重要标准,并且对肾脏图像进行准确无误的分类是医生制定最佳治疗方案的重要依据。目前基于人工提取特征的分类方法,主要有以下几个局限:1)图像的质量。采集的肾脏图像的质量容易受到光照、镜头、机器设备和图像采集 ...
【技术保护点】
1.一种基于深度学习的2型糖尿病肾脏病变图像分类方法,其特征在于,包括:/n提取标记肾脏病变的糖尿病患者肾脏病变图像,进行图像预处理后,划分训练集和测试集;/n在AlexNet卷积神经网络模型的基础上,每一个卷积层和全连接层前引入一个批归一化层,得到深度卷积神经网络BNnet,并将作为训练集的糖尿病患者肾脏病变图像输入深度卷积神经网络BNnet中进行训练,调节网络参数与函数,至输出的结果为准确分类结果为止,训练完成后将作为测试集的糖尿病患者肾脏病变图像输入训练好的深度卷积神经网络BNnet,验证深度卷积神经网络BNnet的准确性;/n将实时拍摄的糖尿病患者肾脏病变图像输入训练完成的深度卷积神经网络BNnet,通过网络模型的计算,输出的结果作为对输入的糖尿病患者肾脏病变图像是否发生病变的分类结果。/n
【技术特征摘要】
1.一种基于深度学习的2型糖尿病肾脏病变图像分类方法,其特征在于,包括:
提取标记肾脏病变的糖尿病患者肾脏病变图像,进行图像预处理后,划分训练集和测试集;
在AlexNet卷积神经网络模型的基础上,每一个卷积层和全连接层前引入一个批归一化层,得到深度卷积神经网络BNnet,并将作为训练集的糖尿病患者肾脏病变图像输入深度卷积神经网络BNnet中进行训练,调节网络参数与函数,至输出的结果为准确分类结果为止,训练完成后将作为测试集的糖尿病患者肾脏病变图像输入训练好的深度卷积神经网络BNnet,验证深度卷积神经网络BNnet的准确性;
将实时拍摄的糖尿病患者肾脏病变图像输入训练完成的深度卷积神经网络BNnet,通过网络模型的计算,输出的结果作为对输入的糖尿病患者肾脏病变图像是否发生病变的分类结果。
2.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法,其特征在于,在将作为训练集的糖尿病患者肾脏病变图像输入深度卷积神经网络BNnet中进行训练的步骤中,包括步骤:
采用迁移学习的策略利用ILSVRC2012数据集对深度卷积神经网络BNnet进行预训练;
将预训练得到的模型迁移到糖尿病患者肾脏病变图像上再学习,提取用于糖尿病患者肾脏病变图像分类的深度特征;
将提取的糖尿病患者肾脏病变图像分类的深度特征输入由全连接层组成的深度分类器,对糖尿病患者肾脏病变图像进行分类。
3.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法,其特征在于,在将作为测试集的糖尿病患者肾脏病变图像输入训练好的深度卷积神经网络BNnet,验证深度卷积神经网络BNnet的准确性的步骤中,令Ntotal代表测试集中图像的总数量,Nrec代表其中被正确分类的图像数量,则分类准确率表示为R=Nrec/Ntotal。
4.根据权利要求1所述的基于深度学习的2型糖尿病肾脏病变图像分类方法,其特征在于,标记肾脏病变的糖尿病患者肾脏病变...
【专利技术属性】
技术研发人员:邱士军,谭欣,梁艺,覃春红,李伊凡,
申请(专利权)人:广州中医药大学第一附属医院,
类型:发明
国别省市:广东;44
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。