[0004] 本发明提出一种基于深度残差网络的糖尿病性视网膜病变检测的方法。该方法可以用来对糖尿病性视网膜病变的患病程度进行检测。
[0005] 传统的糖尿病性视网膜病变的患病程度检测采用的是图像特征提取的方法，将患者的眼底图采用图像处理的方式，分别检测微动脉瘤、小出血点、白色“软性渗出”以及出血斑等症状，统计每种不同病变的个数再使用一个多层感知器进行分类给出检测结果，采用传统的检测方法的缺点在于得出的准确率普遍不高。
[0006] 一种基于深度残差网络的糖尿病性视网膜病变检测的方法，本发明特征在于只需将拍得的眼底图进行裁剪统一图片的大小，然后进行巴特沃滋模糊提取细节特征，将简单处理后的图像作为卷积神经网络的输入进行训练，该方法具体包括以下步骤：
[0007] 步骤1：数据集的筛选，数据集的来源是Kaggle在2014年举行的糖尿病视网膜病变检测竞赛中使用的测试集；在该数据集中，竞赛的主办方根据患者症状的不同将糖尿病性视网膜病变分为5类，分别是：正常、轻度病变、中度病变、重度病变以及增殖性病变。考虑到竞赛中眼底图像大多拍的较模糊，部分照片甚至没有很好的对焦，因此先进行简单的筛选，删除测试集中部分过曝、欠曝以及没有很好对焦的样本图像。
[0008] 步骤2：眼底图像的预处理，具体步骤如下：
[0009] 2‑1.加载眼底图像并估计眼球的半径；
[0010] (1)估计眼球横向半径，假设眼底图的尺寸为M*N，提取眼底图的N个横向量；
[0011] (2)横向量上对应的像素值取平均然后除以10后，与原像素值比较大小；
[0012] (3)若原像素值大于计算后的值，则计为1，统计值为1的个数后除以2的值即为眼球横向半径估计值；
[0013] (4)以相同的方法计算眼球纵向半径估计值，选择横纵向较大的值作为眼球半径最终的估计值。
[0014] 2‑2.根据眼球半径最终的估计值对原图像进行剪裁；
[0015] 2‑3.对剪裁后的图像进行模糊处理，然后用原图像减去模糊后的图像，得到眼底的简单特征提取图；
[0016] 2‑4.消除图像模糊的边界效应，移除眼底图像10％的外圆；
[0017] 2‑5.对图像做进一步裁减，裁减后的图像为256*256尺寸的RGB图像。
[0018] 步骤3：数据集扩充，由于重度病变以及增殖性病变的患者本身就不多，因此在Kaggle的数据集中这两者的样本数量就很少，考虑到训练样本均衡的问题，将部分样本较少的类中的图像做图像扩充处理，具体操作包括将图像镜像和旋转。
[0019] 步骤4：数据集标签的制作，由于该卷积神经网络采用的是监督学习，因此要给出进行数据扩充后数据集中每张图像所对应的类别，在该方法中，将轻度病变、中度病变以及重度病变视为未增殖性病变，因此对图像标记的标签分别是：正常图像对应的标签编号为0，未增殖性病变图像对应的标签编号为1以及增殖性病变图像对应的标签编号为2；在神经网络训练时，将对应的标签编号进行one‑hot编码，即将0编码为001，1编码为010，以及2编码为100。
[0020] 步骤5：训练集和测试集的构建
[0021] 使用sklearn中的train_test_split()函数，将数据集分为训练集和测试集，其中训练集占数据集的80％，测试集占20％。
[0022] 步骤6：卷积神经网络的搭建，具体步骤如下：
[0023] 6‑1.构建基本的残差模块，一个基本的残差模块由3个卷积层、2个激活函数层、3个BN(Batch Normalization)层以及1个跳跃连接层组成，最后有1个激活函数层；
[0024] 6‑2.构建具有升维功能的残差模块，一个具有升维功能的残差模块由2个卷积层、3个激活函数层、3个BN(Batch Normalization)层以及1个跳跃连接层组成，在跳跃连接层中包含1个卷积层和1个激活函数层，最后有1个激活函数层；
[0025] 6‑3.卷积神经网络的前端构建，网络的前端使用多个残差模块对图像进行特征提取，网络输入尺寸为256*256*3，接着为1个补零层(参数为3*3)、一个卷积层(滤波器个数为64，卷积核尺寸为7*7，步长为2*2)、BN层(axis值为3，momentum值为0.99，epsilon值为
0.001)、一个激活函数层(使用的函数为relu)和一个最大池化层(卷积核尺寸为3*3，步长为2*2，补零为valid，输出尺寸为128*128*64)，然后紧跟1个具有升维功能的残差模块(输出尺寸为63*63*256)、2个基本的残差模块、1个具有升维功能的残差模块(输出尺寸为32*
32*512)、3个基本的残差模块、1个具有升维功能的残差模块(输出尺寸为16*16*1024)、5个基本的残差模块、1个具有升维功能的残差模块(输出尺寸为8*8*2048)以及2个基本的残差模块构成，最后由一个激活函数层(使用的函数为relu)和一个平均池化层(卷积核尺寸为
7*7，步长为7*7，补零为valid)构成，网络前端输出的尺寸为1*1*2048；
[0026] 6‑4.卷积神经网络的后端构建，网络的前端使用多个全连接层对图像进行分类，首先使用一个Fatten层对图像进行降维，接着为1个全连接层(节点数为36，激活函数为relu)，1个Dropout层(rate为0.25)，1个全连接层(节点数为26，激活函数为relu)以及1个全连接层(节点数为3，激活函数为softmax)，网络最终输出的尺寸为3*1。
[0027] 步骤7：网络训练，网络使用的损失函数为交叉熵Cross Entropy，使用的梯度优化算法为Stochastic Gradient Descent，算法设定的学习率为0.01，使用训练集对网络进行训练，网络训练的迭代次数为250，批样本数为4；
[0028] 步骤8：网络测试，使用model.save()函数对训练好的模型进行保存，生成.h5的模型权重文件，使用测试集对网络进行测试。
[0029] 本发明有益效果如下：
[0030] 本发明采用的是Kaggle在2014年举行的糖尿病视网膜病变检测竞赛中的数据集，对数据集中的眼底图进行预处理之后，采用50层的ResNet网络前端加上一个全连接网络进行分类，分类的准确性和检测所用的时间较之于传统的检测方法有了很大的提升。
[0031] 利用本发明能够获得更高的检测病变的准确性，同时进行检测的时间也可以大大缩短。
[0032] 本发明在进行数据扩充后的7240张眼底图像上进行训练和测试，其中训练图像数量为5792，网络使用的损失函数为交叉熵Cross Entropy，使用的梯度优化算法为Stochastic Gradient Descent，算法设定的学习率为0.01，使用训练集对网络进行训练，网络训练的迭代次数为250，批样本数为4，在1448张图像上进行测试，获得最大的测试精度为0.9427。
