基于残差网络的E2LSH眼角膜疾病分类方法技术

本发明专利技术提供了一种基于残差网络的E2LSH眼角膜疾病分类方法，包括以下步骤：S1、将预训练的权重和参数载入到新模型的卷积层中；S2、删除原始残差网络ResNet中传统的全连接层，设计新的全连接模块，减少残差网络深度的同时增加特征映射的通道数；S3、在卷积层之间引入Dropout有效地防止过拟合；S4、将最后一组残差块的输出特征被提取作为特征描述符。本发明专利技术通过从常规ResNet架构中去除不必要的模块，使模型更紧凑，还采用方差计算构建动态哈希索引，能够选择合适的桶宽参数，动态调整桶宽的大小，使得每个哈希桶中的数据相对均匀，进一步提高了模型的性能。改进后的Resnet

【技术实现步骤摘要】
基于残差网络的E2LSH眼角膜疾病分类方法


[0001]本专利技术涉及一种分类算法，特别涉及一种基于残差网络的E2LSH眼角膜疾病分类方法，属于眼角膜疾病分类方法


技术介绍

[0002]随着年龄的增长，人们可能就会患有各种各样的眼类疾病，圆锥角膜是一种以局限性角膜呈圆锥样突起扩张及高度不规则近视散光为特征的原发性角膜变形疾病。常染色体隐性或显性遗传，多青春期发现，双眼发病。病理表现为前弹力层断裂，角膜细胞变形，后弹力层破裂等这是后弹力层破裂所致并发症，可由揉搓眼引起。以往对圆锥角膜的诊断，主要依靠裂隙灯等常规检查，临床上典型的裂隙灯表现Fleischer环和角膜瘢痕等。如果出现以上这些典型的临床症状及体征，诊断较容易，但是对于较早期的圆锥角膜（亚临床期：无症状、矫正视力较好、临床检查阴性），诊断非常困难。尽管已经有许多方法被提出，但识别圆锥角膜图像仍然是一个具有挑战性的问题。
[0003]近年来，随着技术的进步和发展，计算机技术已经融入人们的日常生活当中，卷积神经网络作为人工智能的分支，因其自身能够提取图像特征，已经应用到了在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络的E2LSH眼角膜疾病分类方法，其特征在于，包括以下步骤：S1、将预训练的权重和参数载入到新模型的卷积层中；S2、删除原始残差网络ResNet中传统的全连接层，设计新的全连接模块，减少残差网络深度的同时增加特征映射的通道数；S3、在卷积层之间引入Dropout有效地防止过拟合；S4、将最后一组残差块的输出特征被提取作为特征描述符，结合改进后的E2LSH局部敏感哈希算法，替换标准残差函数中的ReLU层和softmax分类器的组合；S5、将提取到的特征描述符计算对应的方差矩阵得到特征向量，构建动态哈希索引，选择合适的桶宽参数从而实现动态调整桶宽的大小，改善每个哈希桶中数据分布的均衡程度，分类器依据此向量计算获得各类别概率；S6、连接平均池化层得到分类的输出。2.根据权利要求1所述的基于残差网络的E2LSH眼角膜疾病分类方法，其特征在于：在所述S1中，模型输入图像为224
×
224
×
3，将输入中设置为三层3
×
3的卷积核，可以得到感受也为5的特征图。3.根据权利要求2所述的基于残差网络的E2LSH眼角膜疾病分类方法，其特征在于：在所述S1中，三层卷积核中第一个和第二个3
×
3卷积层的输出通道大小为32，步幅大小是2，第三个卷积层的输出通道大小为64。4.根据权利要求1所述的基于残差网络的E2LSH眼角膜疾病分类方法，其特征在于：在所述S2中，全连接模块一共分为5个模块，每个Resnet模块有五组卷积。5.根据权利要求1所述的基于残差网络的E2LSH眼角膜疾病分类方法，其特征在于：在所述S3中，在卷积层之间引入P值为0.5的Dropout层。6.根据权利要求1所述的基于残差网络的E2L...

【专利技术属性】
技术研发人员：张雨辰，贾子琪，王小丽，任留杰，马思豪，袁嘉晨，吴申奥，沙元臻，
申请(专利权)人：南阳理工学院，
类型：发明
国别省市：