【技術實現步驟摘要】
本專利技術屬于醫學圖像處理領域，尤其涉及一種面向小樣本的糖尿病視網膜病變分類方法及系統。
技術介紹
1、糖尿病視網膜病變(diabetic?retinopathy,dr)是糖尿病的一種嚴重并發癥，在老年人群中較為常見。隨著年齡的增長，糖尿病患者發生dr的風險顯著增加。隨著病情的發展，患者可能會出現視力模糊、視野縮小、對比敏感度降低等癥狀。在更嚴重的情況下，可能會出現視網膜新生血管、玻璃體出血、視網膜前出血、牽拉性視網膜脫離，最終可能導致失明。
2、在老年人群中，定期的眼科檢查對dr的篩查和早期診斷尤為重要。定期的眼科檢查，是發現dr的關鍵。目前，我國dr篩查工作也面臨嚴峻挑戰。
3、在醫學領域，由于對患者隱私的保護需求，標記有個人隱私信息的醫學數據往往不能公開使用，這導致了醫學數據在某種程度上的孤立。此外，醫學數據標注的成本較高，且需要專業知識，這限制了醫學數據集的大規模擴充。
4、在治療方面，除了傳統的激光治療和藥物治療，新興的醫療技術，如深度學習算法在醫學圖像中的應用，為dr的檢測和診斷提供了新的可能。深度學習在醫學圖像處理和疾病輔助診斷中得到了廣泛應用，但通常需要大量的醫學數據支持。然而，對大量數據進行完整的標注既困難又不現實，而且圖像樣本的采集也存在挑戰。針對醫學數據的這些特點，小樣本學習中的遷移學習方法為醫學圖像處理提供了新的解決思路。
5、根據國際臨床糖尿病視網膜病變疾病嚴重程度量表(international?clinicaldiabetic?retinopathy?
6、糖尿病視網膜病變檢測系統的出現，對于促進健康老齡化和跨越基層醫療資源“鴻溝”，有著明顯的效果，可以輔助進行早期dr的發現和診斷。因此，需要考慮一種面向小樣本的糖尿病視網膜病變分類方法及系統，通道配置優化的輕量級模型rexnet與數據增強結合，通過遷移學習的方式，主要解決醫學圖像數據樣本少，基層社區dr診斷能力不足的問題。
技術實現思路
1、本專利技術的目的是提供一種面向小樣本的糖尿病視網膜病變分類方法及系統，以解決醫學圖像數據樣本少和患者隱私問題，打破基層社區dr診斷能力不足的壁壘。同時結合遷移學習，在imagenet進行預訓練，得到預訓練模型。對數據進行增強，提高糖尿病視網膜病變分類檢測系統的準確度，降低計算成本，輔助基層社區針對糖尿病視網膜病變臨床診斷，進行糖尿病視網膜病的預防篩查診斷。
2、本專利技術提出的技術方案包含基于輕量級rexnet通道優化的預訓練階段，眼底圖像數據預處理，數據增強階段，基于遷移學習的模型微調訓練階段，系統實現階段。
3、基于輕量級rexnet通道優化的預訓練階段：
4、引入倒殘差結構(inverted?residual?structure)和線性瓶頸(linearbottleneck)，在mobilenetv2的基礎上，優化網絡通道設計：①漸進式遞增各層通道數②采用非線性激活函數swish-1升秩。在大型圖像數據集imagenet上進行預訓練，得到強大的預訓練模型。
5、眼底圖像數據預處理階段：
6、對aptos數據集進行預處理，眼底圖像數據集來源于印度的aravind醫院發布在kaggle公開平臺的aptos2019blindness?detection數據集。眼底照片是在不同的條件和環境中收集的，有的圖像很黑，難以視覺化。為了減少光照條件的影響。采用灰度處理和裁剪，嘗試將圖像轉換為灰度，減少顏色干擾。裁剪信息不豐富的區域，進行自動裁剪。
7、數據增強階段：
8、對預處理后aptos數據集進行數據增強，包括隨機的對圖像進行縮放、裁剪和插值，隨機地對圖像進行水平翻轉，自動對比度調整，直方圖均衡化，圖像翻轉，旋轉，增加圖像的色調分離，增加圖像的曝光，增加曝光效果，增加圖像的色彩飽和度，對比度，亮度，銳度；在xy軸上相對應用剪切變換和相對平移；歸一化處理；對圖像進行隨機擦除操作。
9、對預處理后aptos數據集進行數據增強，包括mixup和cutmix，通過組合不同的圖像和標簽來生成新的樣本，提高泛化能力。mixup通過在兩個圖像之間線性插值來創建新的圖像，同時標簽相應的混合。cutmixup在圖像的特定區域(一般是矩形區域)進行剪切和替換，增加模型對圖像局部特征的魯棒性，通過設置不同的參數控制增強的效果。
10、基于遷移學習的模型微調訓練階段：
11、將數據預處理和數據增強后的圖像數據作為輸入，基于遷移學習調用預訓練模型rexnet，進行模型微調，采用最適合視網膜疾病應用的反向線性殘差塊內的激活函數relu6和adamp優化器對所述通道配置優化的輕量級rexnet進行優化，自適應調整步長；使用交叉熵損失來訓練所有的模型，訓練1000個ecpoches，批大小為32。采用余弦退火調度率將原始學習率為0.001,并進行20次線性預熱。為了防止過擬合，采用0.05的權值衰減率，得到所述dr分類模型。
12、與現有專利技術相比，本專利技術的有益效果是：
13、(1)本專利技術提出的方法基于輕量級框架rexnet，在imagenet上訓練，形成強大的預訓練模型。rexnet通過優化通道配置，在保持較低計算成本的同時有助于提高對糖尿病性視網膜病變分類預測的準確性。
14、(2)本專利技術提出的方法中通過大量的數據增強，找到最具判別性的局部特征表示來提取dr病變。通過組合不同的圖像和標簽來生成新的樣本，提高泛化了能力，從而進行輔助診斷預測治療。
15、(3)本專利技術提出的方法基于遷移學習的模型微調，輸入預處理和數據增強后的圖像數據，基于強大的預訓練模型，可以解決醫學圖像數據樣本少，基層社區dr診斷能力不足的問題，促進健康老齡化和跨越基層醫療資源“鴻溝”，輔助進行早期dr的發現和診斷。
本文檔來自技高網...【技術保護點】
1.一種面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，所述分類方法包括：
2.根據權利要求1所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟S1中，引入倒殘差結構和線性瓶頸，在MobileNetV2的基礎上，優化網絡通道設計；在大型圖像數據集ImageNet上進行預訓練，得到預訓練模型；其中，優化網絡通道設計包括漸進式遞增各層通道數，以及采用非線性激活函數Swish-1升秩。
3.根據權利要求2所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟S2中，眼底圖像數據來源于印度的Aravind醫院發布在Kaggle公開平臺的APTOS2019Blindness?Detection數據集；對眼底照片存在多余黑邊和不規則的情況分別進行預處理。
4.根據權利要求3所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，
5.根據權利要求4所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟S3包括隨機的對圖像進行縮放、裁剪和插值，隨機地對圖像進行水平翻轉，自動對比度調整，直方圖均衡化，圖像翻轉，旋轉
6.根據權利要求5所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟S3還包括Mixup和cutmix，通過組合不同的圖像和標簽來生成新的樣本，提高泛化能力；Mixup通過在兩個圖像之間線性插值來創建新的圖像，同時標簽相應的混合；Cutmixup在圖像的特定區域進行剪切和替換，增加模型對圖像局部特征的魯棒性，通過設置不同的參數控制增強的效果。
7.根據權利要求6所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于：步驟S3具體包括以下步驟：
8.根據權利要求1所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟S4中，用步驟S1中基于輕量級RexNet通道優化的預訓練模型，以及步驟2和3完成APOTS數據集的預處理和數據增強，將數據預處理和數據增強后的圖像數據作為輸入，基于遷移學習調用預訓練模型RexNet，進行模型微調，得到一種面向小樣本的糖尿病視網膜病變的分類模型。
9.一種面向小樣本的糖尿病視網膜病變的分類系統，其特征在于，所述系統包括：
...【技術特征摘要】
1.一種面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，所述分類方法包括：
2.根據權利要求1所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟s1中，引入倒殘差結構和線性瓶頸，在mobilenetv2的基礎上，優化網絡通道設計；在大型圖像數據集imagenet上進行預訓練，得到預訓練模型；其中，優化網絡通道設計包括漸進式遞增各層通道數，以及采用非線性激活函數swish-1升秩。
3.根據權利要求2所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟s2中，眼底圖像數據來源于印度的aravind醫院發布在kaggle公開平臺的aptos2019blindness?detection數據集；對眼底照片存在多余黑邊和不規則的情況分別進行預處理。
4.根據權利要求3所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，
5.根據權利要求4所述的面向小樣本的糖尿病視網膜病變的分類方法，其特征在于，步驟s3包括隨機的對圖像進行縮放、裁剪和插值，隨機地對圖像進行水平翻轉，自動對比度調整，直方圖均衡化，圖像翻轉，旋轉，增加圖像的色調分離，增加圖像的曝光，增加曝光效果，增...
【專利技術屬性】
技術研發人員：葉寧，王子薇，肖甫，郭政鑫，王甦，王娟，汪瑩，
申請(專利權)人：南京郵電大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。