[发明专利]一种基于眼底图像进行疾病分类的方法

说明书

本发明涉及一种基于眼底图像进行疾病分类的方法。该方法包括：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。本发明能够同时提取两只眼睛的图片特征进行训练，提高疾病分类的精度。

技术领域

本发明涉及医疗图像处理技术领域，尤其是涉及一种基于眼底图像进行疾病分类的方法。

背景技术

目前，随着人工智能技术的飞速发展，如何将最先进的技术有效的应用于临床领域，获得了更多的关注。数据、算法、计算力、专业性四大要素促进着医疗人工智能的发展。

上工医信提供了一个结构化的眼科数据库，其中包括5000名患有年龄的患者，双眼的彩色眼底照片和医生的诊断关键词(ODIR-5K)。该数据集是上工医疗技术有限公司从中国不同医院/医疗中心收集的“真实”患者信息。在这些机构中，眼底图像由市场上的各种相机捕获，例如Canon，Zeiss和Kowa，因此导致各种各样的图像分辨率。病人的识别信息会被移除。注释由经过培训的人类读者进行标记，并具有质量控制管理。将患者分为8个标签，包括正常(N)，糖尿病(D)，青光眼(G)，白内障(C)，AMD(A)，高血压(H)，近视(M)和其他疾病/异常(O)。

由于该数据集的标签只有左右眼的同时的明确标注，且其为多标签分类问题，因此需要使用多任务同时优化的手段对其进行优化，因此目前已有的深度学习模型如resnet50，resnet101，resnext50，resnext101，efficient net(b0-b7)等都无法很好地适应该任务的要求。同时由于距离数据库提出时间较短，目前市面上暂时没有针对眼底图像的多标签分类的深度学习方法，因此本发明提出的方法使用的多任务训练方法较为新颖。

发明内容

本发明所要解决的技术问题是提供一种基于眼底图像进行疾病分类的方法。本发明能够使得模型同时提取两只眼睛的图片特征进行训练，获得更高精度的模型，提高模型的分类精度。

通过本发明可以实现的技术目的不限于上文已经特别描述的内容，并且本领域技术人员将从下面的详细描述中更加清楚地理解本文中未描述的其他技术目的。

本发明解决上述技术问题的技术方案如下：

根据本公开的一方面，本发明提供一种基于眼底图像进行疾病分类的方法，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。

可选地，所述基础模型是resnet、resnext、efficient net之一。

可选地，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。

可选地，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。