[发明专利]基于迁移学习的青光眼眼底图像识别方法

说明书

本发明披露一种基于迁移学习的青光眼眼底图像识别方法，包括以下步骤：1、获取青光眼数据集,并对青光眼眼底图像进行预处理；2、构建卷积神经网络R‑VGGNet；3、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；4、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；5、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。本发明引入迁移学习思想，利用VGG16网络在ImageNet数据集上的训练所获得的权重参数，冻结前13层并释放后3层的权重，利用青光眼数据集训练全连接层和Softmax分类器，微调后进行特征提取和分类；满足深度学习要求，有效提高了青光眼眼底图像的识别率。

技术领域

本发明涉及眼睛疾病图像识别，具体为一种基于迁移学习的青光眼眼底图像识别方法。

背景技术

青光眼是一种慢性、渐进性视觉损伤的眼科疾病，其主要病理特征为视网膜神经节细胞(Retinal Ganglion Cells，RGC)的凋亡和轴突的丧失，从而导致视力逐渐下降甚至失明，严重威胁患者的健康。由于该病具有较高的隐蔽性，患病初期不易被发现，导致患者得不到及时的治疗。数字眼底图像(DFI)是目前检测青光眼的主要工具之一，因而可以利用眼底图像对青光眼进行前期检测，以免病情的进一步恶化。但眼底图像结构性复杂，采用人工识别方法耗时费力且很难得到客观准确的医疗诊断，近年来，随着深度学习的发展，可应用到图像识别领域，因此很多学者尝试采用人工智能技术对眼底图像进行患者筛查。

2017年丁蓬莉等人提出基于紧凑的神经网络CompactNet对视网膜图像进行识别分类,但由于实验样本有限，网络在训练的过程中并没有充分提取到相关特征，因此分类准确率并不高。T.Balasubramanian等人利用方向梯度直方图(HOG)进行提取特征，并结合支持向量机(SVM)实现对青光眼的分类，但该方法预处理步骤过于繁琐，并且识别准确率并不高。U Raghavendra等人提出一种利用深度学习技术准确检测青光眼的新型计算机辅助诊断(CAD)系统，设计一个18层的卷积神经网络，经过有效训练提取特征之后进行测试分类，虽然识别率较高，但训练样本达到了几千张，在缺乏大量青光眼眼底图像的前提下，其实用价值并不高。

发明内容

为了解决现有技术的缺陷，本发明采用迁移学习策略，解决小样本学习能力不足，分类精度低的问题，提高小样本下青光眼患者的识别率。

一般来说，训练一个神经网络需要大量的样本，而目前在医学领域却缺乏大型公开已标记的数据集。在没有足够多训练样本的情况下，如果网络足够深，可能网络在训练过程中会不收敛或者训练出来的模型泛化能力差。而如果采用浅层的神经网络，网络在训练的过程中又不能够充分提取到相关特征，从而导致分类精度不高等问题。为了解决上述问题，本发明借助迁移学习思想，将VGG16网络在ImageNet数据集上预训练得到的模型迁移到青光眼眼底图像识别任务中，迁移学习相对于传统的神经网络主要的优势在于不需要大量的训练样本。

采用改进后的卷积神经网络R-VGGNet完成识别模型的训练与特征提取，减少网络训练参数，提高识别率。

现有的VGG结构采用三层连接的全连接层，这三层全连接层占了训练参数的绝大部分，对于本发明来说，识别任务仅仅只有两类，即识别健康人和青光眼患者的眼底图像，三层的全连接层相对冗余，因此，对VGG16全连接层进行了重新设计，即R-VGGNet，提出用2个全连接层替换原有的3个全连接层，其中设置第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，这样得到的网络相对于之前的网络，训练参数大大减少，提升了网络的训练速度，训练时间也得到缩短。

将提取ROI后的子图像作为识别模型的输入，降低了CNN网络训练和分类的信息处理量，加快识别速度。