[发明专利]一种基于眼底图像进行疾病分类的方法

权利要求书

1.一种基于眼底图像进行疾病分类的方法，其特征在于，所述方法包括：

步骤1：使用基于种群算法的增强策略，对输入的图像进行数据增强；

步骤2：利用双路的基础模型对数据增强后的图像进行特征提取，以获得提取后的图像的特征；

步骤3：使用基于多梯度下降算法对提取后的图像的特征进行优化；

步骤4：结合多种损失函数进行训练。

2.根据权利要求1所述的方法，

其特征在于，所述基础模型是resnet、resnext、efficient net之一。

3.根据权利要求1所述的方法，

其特征在于，在步骤1中，基于种群算法的增强策略将在由8种图像增强方法构成的参数空间中进行策略搜索，所述8种图像增强方法包括曝光、色调分离、对比度增强、均衡化、明亮度变化、裁剪、旋转、锐化。

4.根据权利要求1所述的方法，

其特征在于，在步骤1中，首先实例化n个模型对象，对n个模型对象中的每个模型对象通过多进程的方式进行一次训练，在训练p代后，进行一侧筛选，通过筛选获得得分最高的模型，保存得分最高的模型的参数，并给得分最低的模型赋值，并进行一次策略更改，得到新的策略，用于后续的学习，其中，n和p通过计算模型参数大小和所使用的显存空间决定。

5.根据权利要求1所述的方法，

其特征在于，在步骤2中，使用权重标准化和分组归一化进行训练，将两种维度为1000的特征向量连接到一起，得到最后的维度为2000的特征向量，通过全连接层将特征向量处理成为最后的8个分类，通过sigmoid函数得到8个分类的标签。

6.根据权利要求5所述的方法，

其特征在于，在步骤3中，首先，在反向传播时将基础模型分成第一部分和第二部分，第一部分为所有标签的共享参数，第二部分为将维度为2000的特征向量处理成为8个分类的全连接层，更新每个标签特有的参数和更新所有标签共享的参数来进行优化。

7.根据权利要求1所述的方法，

其特征在于，所述多种损失函数包括二元交叉熵损失函数、Kappa损失函数。

8.根据权利要求7所述的方法，

其特征在于，所述Kappa损失函数用于衡量标签和预测之间的吻合程度。

9.一种基于眼底图像进行疾病分类的设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的一种基于眼底图像进行疾病分类的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的一种基于眼底图像进行疾病分类的方法的步骤。