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

本发明专利技术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，针对糖尿病肾脏病变智能化分类统计的迫切需求，通过采集糖尿病患者肾脏病变图像，对糖尿病患者肾脏病变图像进行标记，归一化等预处理，利用神经网络方法对糖尿病患者肾脏病变图像进行处理，自动检测糖尿病患者肾脏病变类别并输出检测结果。本发明专利技术能够辅助医生对糖尿病肾脏进行病变识别的诊断，大幅度地提高识别效率，而且特别适用于大范围的糖尿病肾脏病变识别，筛查以及统计，有助于减轻检验人员的工作压力和负担，降低人力资源的消耗，可以更好地为医疗资源紧缺的地区服务。

【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人员的经验等其他许多不可控因素的影响；2)医生的个人经验。医生通常通过视觉检查图像来评估判定病变程度，但是在病变图像中人眼识别出来的特征是有限的，而且由于医生的临床经验不同，对于同一幅图像，不同的医生可能给出不同的临床诊断结果；3)病理图像自身的特点。图像不同阶段之间的差异性很小，给特征提取和分类工作带来了一定困难。因此，对肾脏图像的分类是一项非常具有挑战性的工作。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的缺陷，提供一种基于深度学习的2型糖尿病肾脏病变图像分类方法。本专利技术解决其技术问题所采用的技术方案是：构造一种基于深度学习的2型糖尿病肾脏病变图像分类方法，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。其中，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。其中，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。其中，标记肾脏病变的糖尿病患者肾脏病变图像的步骤包括：糖尿病患者肾脏病变图像数据传输到标签软件中，由专业医师对图像中的糖尿病肾脏病变打上唯一对应的类别标签；标注完成后，对标注后的糖尿病患者肾脏病变图像数据进行图像去噪、归一化，数据增强操作进行预处理。其中，在对数据增强操作的步骤中，包括：数据量增强：对图像进行旋转45°/90°/180°、裁剪、往上下左右4个方向各平移30％、水平方向做镜像及上述操作的组合。其中，进行图像预处理的步骤包括：剔除ILSVRC2012数据集中前10个时间点数据；时间层校正；一般选择中间层作为参照层，由于每个被试数据的时间层均为33层，故选择第33层作为参考层；图像校正，以平动2mm或在X、Y、Z轴方向上旋转3°为标准，超过上述规定的两个范围的被试数据将被排除；空间标准化，对不同的个体肾脏在形状、大小方面存在明显的差异进行比较时需进行标准化处理；平滑处理，以使残差项更接近符合高斯分布，提高信噪比和减小标准化之后还剩余的部分个体之间的差异。其中，深度卷积神经网络BNnet是在AlexNet网络的基础上对每个卷积层和全连接层前引入批归一化层得到，其中在每个归一化层后紧跟一个ReLU层以保证神经网络在训练过程中的非线性；深度卷积神经网络BNnet由卷积层、批归一化层、全连接层及一个1000类的softmax层组成；为了使深度卷积神经网络BNnet在视网膜数据不足的情况下依旧能提取到对分类任务有效的深度特征，采用ILSVRC2012数据集对BNnet网络进行预训练，再将经过100000次迭代后保存的模型迁移到糖尿病肾脏图像上进行微调学习从而实现糖尿病肾脏图像深度特征的提取。本专利技术提供了一种基于深度学习的2型糖尿病肾脏病变图像分类方法，针对糖尿病肾脏病变智能化分类统计的迫切需求，通过采集糖尿病患者肾脏病变图像，对糖尿病患者肾脏病变图像进行标记，归一化等预处理，利用神经网络方法对糖尿病患者肾脏病变图像进行处理，自动检测糖尿病患者肾脏病变类别并输出检测结果。本专利技术能够辅助医生对糖尿病肾脏进行病变识别的诊断，大幅度地提高识别效率，而且特别适用于大范围的糖尿病肾脏病变识别，筛查以及统计，有助于减轻检验人员的工作压力和负担，降低人力资源的消耗，可以更好地为医疗资源紧缺的地区服务。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术提供的一种基于深度学习的2型糖尿病肾脏病变图像分类方法的流程示意图。图2是本专利技术提供的一种基于深度学习的2型糖尿病肾脏病变图像分类方法中图像数据预处理的流程示意图。图3是本专利技术提供的一种基于深度学习的2型糖尿病肾脏病变图像分类方法中构建的深度卷积神经网络BNnet的网络框架示意图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。如图1所示，本专利技术提供了一种基于深度学习的2型糖尿病肾脏病变图像分类方法，包括：提取标记肾脏病变的糖本文档来自技高网...

【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