一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法技术

本发明专利技术公开了一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法。使用两输入单输出集成融合网络结构，在网络训练过程中采用了Imagenet数据集的预训练模型参数，作为训练时特征提取的初始参数，并使用训练数据集进行整个网络参数的训练。另外学习率还采用cosine decay with warmup带预热的余弦衰减策略，在训练开始的时候先使用一个较小的学习率，等模型相对稳定后再选择预先设置的学习率进行训练,使得模型收敛速度变得更快，模型效果更佳。本发明专利技术有效地提高了分类准确率，为糖尿病足溃疡伤口的辅助诊断提供了新的思路，具有一定的临床应用价值。本发明专利技术适合应用于医学图像辅助诊断领域。诊断领域。诊断领域。

【技术实现步骤摘要】
一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法


[0001]本专利技术涉及图像分类方法，更具体而言，涉及一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法。

技术介绍

[0002]糖尿病是一种全球流行病，影响着约4.25亿人。预计到2045年，这一数字将上升至6.29亿。糖尿病足溃疡(DFU)是一种严重的糖尿病并发症。在过去几十年里，患有这种疾病的人数快速增长并成为了世界各地医疗保健系统面临的主要挑战。糖尿病足往往会向更严重的方向发展，如感染和缺血，这会显著延长治疗时间，更糟糕的情况是导致截肢，甚至会导致死亡。为了改善患者护理和减少医疗系统的压力，尽找发现患病情况以及由患者自己定期监测溃疡伤口的变化非常重要。准确评价糖尿病足的临床特点有利于判断预后并采取相应的措施，临床上较为常用的是Wager分级法和TEXAS分类法。TEXAS分类法结合溃疡深度分级和病因分期，评估溃疡深度及合并感染和缺血情况，目前倾向认为TEXAS大学分类法跟更为全面地反映糖尿病足的病情。本专利技术主要讨论溃疡伤口的分期：A期(无感染无缺血)、B期(有感染无缺血)、C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于，包括以下操作步骤：步骤S1：获取数据集，数据集包括糖尿病足伤口图片和每张图片对应的标签；标签的值为0、1、2或3；标签的值为0时表示对应糖尿病足图片的伤口既无感染也没有缺血现象；标签的值为1时表示对应的糖尿病足图片的伤口处于有感染无缺血的状况；标签的值为2时表示对应的糖尿病足图片的伤口处于有缺血无感染的状况；标签的值为3时表示对应的糖尿病足图片的伤口处于既感染又缺血得状况；步骤S2：通过组合式数据增强方式对糖尿病足溃疡伤口数据集进行增强，得到增强后的数据集；所述增强方式包括：左右翻转、360
°
随机角度旋转以及添加随机高斯噪声；步骤S3：搭建两输入单输出集成融合深度学习模型并进行训练；所述深度学习模型包含两个深度学习网络、两个GlobalAveragePooling层、一个全连接层和一个softMax分类器，其中两个深度网络分别是冻结输出层的DenseNet121和EfficientNet
‑
B0；步骤S4：将待预测的糖尿病足伤口图像输入训练后的深度学习模型，并对其进行分类分期。2.根据权利要求1所述基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于，在所述步骤S2中，通过组合式数据增强方式对糖尿病足溃疡伤口数据集进行增强的计算公式如下：I
noise
＝I*G(x，y)；其中，I表示原始图像矩阵，G(x，y)表示高斯噪声函数，G(x，y)中的x，y分别表示二维函数的横纵坐标，σ2表示方差值，取方差值等于0.3，I
noise
表示处理后的图像矩阵。3.根据权利要求1所述基于糖尿病足伤口缺血或感染图像的深度学习分期方法，其特征在于：在所述步骤S3中，将冻结了输出层的深度学习网络DenseNet121和EfficientNet
‑
B0分别连接一个GlobalAveragePooling层后，通过Concatenate拼接融合在一起后在连接全连接层...

【专利技术属性】
技术研发人员：陈瑜倩，吕东辉，冯国瑞，
申请(专利权)人：上海大学，
类型：发明
国别省市：