[发明专利]基于迁移学习的青光眼眼底图像识别方法

权利要求书

1.一种基于迁移学习的青光眼眼底图像识别方法，其特征在于，包括如下步骤：

步骤S1、获取青光眼数据集,并对青光眼眼底图像进行预处理，以达到训练模型要求；

步骤S2、构建卷积神经网络R-VGGNet；

步骤S3、将预处理后的训练数据集加载到R-VGGNet卷积神经网络模型中进行模型的迭代训练和特征提取；

步骤S4、将提取到的特征输入softmax分类器，完成对青光眼的分类识别，得到最终的识别模型；

步骤S5、载入测试数据集到最终的识别模型中，输出对应的分类准确率。

所述步骤S1中对青光眼眼底图像进行预处理包括如下步骤：

步骤S101、删除污染严重以及无使用价值的图像；

步骤S102、对数据集进行标注，分为健康人的眼底图像和青光眼患者的眼底图像；

步骤S103、对获取的眼底图像进行裁剪，去除多余的图像背景；

步骤S104、对于一些曝光不足的图像进行直方图均匀化，去除图像的噪声；

步骤S105、提取ROI：采用python的pillow库中crop操作，设定固定的裁剪区域，即视盘和视杯部分，将所有图像的尺寸都裁剪为224x224，作为卷积神经网络的输入；

步骤S106、采用数据增强手段：在原数据集的基础上采取水平、竖直两个方向平移、旋转、比例缩放、以及翻转，实现对样本的扩充；其中旋转的度数分别为：30°、60°、90°、180°；

步骤S107、构建训练数据集和验证数据集：将数据集按照样本比例为9:1分成训练集与测试集两部分；

所述步骤S2构建卷积神经网络R-VGGNet包括如下步骤：

步骤S201、分类器设置两个全连接层Fc1和Fc2，同时在全连接层之后加入Dropout层，并且设置Dropout率为0.5；同时在每个全连接层之后引入线性修正单元，用来解决梯度弥散问题；

步骤S202、设置第1个全连接层输出神经元个数为1024个，第2个全连接层输出神经元个数为2个；将VGG16原有模型中第1个全连接层输出神经元个数为4096设置成1024，同时将包含1000个节点的Softmax层用一个包含2个节点的Softmax层代替；

所述步骤S3将预处理后的训练数据集加载到R-VGGNet卷积神经网络模型中进行模型的迭代训练和特征提取，包括如下步骤：

步骤S301、识别网络模型R-VGGNet以VGG16网络模型作为基本网络结构；VGG16网络由3×3的卷积核和2×2的最大池化层构成，共13个卷积层和3个全连接层；在每组卷积层之后都连接一层最大池化层，并且每个卷积层之后紧跟Relu激活函数，其抑制特性使得神经元具有稀疏激活性，有效解决了梯度弥散问题，同时加速网络收敛；对于任意第i层，0＜i＜16：

Zⁱ＝Wⁱv^i-1+bⁱ (1)；

vⁱ＝f(zⁱ) (2)；

其中，为激励向量，为激活向量，为权值，为偏置，N_i∈R为第i层的神经元个数；f(·)为激活函数Relu，其数学表达式为：

Relu(z)＝max(0,z) (3)；

步骤S302、优化网络模型，使损失函数尽可能的小：采用随机梯度下降法和Momentum相结合，设定动量参数为默认值0.9，迭代次数为100次，Batch_size设定为32，初始学习率设定为0.001。学习率采用指数衰减法的更新策略；指数衰减法更新学习率的表达式为：

式中lr为衰减后的学习率，lr₀为初始学习率，dr为衰减系数，gs为当前的迭代次数，ds为衰减步长，即每迭代指定次数更新一次学习率；表示向下取整；在训练过程中代价函数采用交叉熵损失函数Softmax计算损失；为了避免过拟合现象，在损失函数中附加L2正则化项，最终的损失函数表达式为：

式中θ为权重，x为批次训练样本，λ为正则化项系数，p为期望的类别概率，q为模型预测的类别概率；在训练过程中,当损失函数的loss值趋于稳定时将学习率再次调小,直至达到最小值时获得最优识别模型，最终设定学习率为0.0005。