本发明涉及一种糖尿病视网膜病变分期预测方法,属于图像处理分析技术领域。
背景技术:
基于眼底彩照的糖尿病视网膜病变(简称糖网)图像的分期具有重要的临床意义。目前的糖网分期方法存在以下几方面的局限性:基于人工的方法通常依赖于医生的临床经验,对于同样的眼底图像,不同的医生可能给出不同的分期诊断结果,因此对于医生的水平有较高的要求;耗费时间较长,病患和医生数量的不对等导致病人需要花费大量时间在等待医生诊断上。同时,目前已有的基于眼底彩照的糖尿病视网膜病变的自动分类方法无法有效获取并利用糖网疾病的各种病灶信息,算法的准确率和鲁棒性都不够理想。
技术实现要素:
本发明的目的在于提供一种糖尿病视网膜病变分期预测方法,以解决现有技术中存在的上述多项缺陷或缺陷之一。
为达到上述目的,本发明采用如下技术方案:
一种糖尿病视网膜病变分期预测方法,包括以下步骤:
采集糖尿病患者的眼底彩照图像;
将眼底彩照图像输入已训练好的单纯分期网络模型,获取糖网分期结果特征;
将眼底彩照图像输入已训练好的病灶分割网络模型,获取糖网病灶分割结果特征;
将糖网分期结果特征与糖网病灶分割结果特征进行组合,获得分割分期组合特征;
根据预判定的各分期最佳分类器和各最佳分类器的优先级,结合所述分割分期组合特征预测糖尿病视网膜病变分期类别。
进一步,所述单纯分期网络模型的训练方法包括:
采用resnet-50网络模型作为训练模型,采集不同病变程度的眼底彩照图像作为训练样本;
将不同病变程度的眼底彩照图像按照样本占比的倒数进行重采样,保证各期的图像样本数一致;
随着训练的进行将重采样比例恢复到接近真实的数据集中的比例,重采样比例:wi=rt-1wo+(1-rt-1)wf,wo表示训练开始时的重采样比例,保证重采样后各类样本的数量相等;wf表示训练epoch数接近正无穷时的重采样比例,取经验值1:2:2:2:2;t表示当前的epoch计数;r表示衰减因子。
采用均方误差作为损失函数,adam算法作为优化算法,训练获得单纯分期网络模型。
进一步,所述单纯分期网络模型的训练方法还包括:
对训练样本中的眼底彩照图像进行预处理,包括:裁剪黑边、尺寸缩放、旋转、平移、归一化。
进一步,所述病变程度包括正常、轻微病变、中度病变、重度非增殖病变和增殖期病变。
进一步,所述病灶分割网络模型的训练方法包括:
采用maskrcnn网络模型作为训练模型;
采用糖网病灶分割数据训练所述maskrcnn网络模型。
进一步,所述糖网病灶分割结果特征的获取方法包括:
计算微血管瘤、硬性渗出、棉绒斑和出血四类病灶的统计特征,所述统计特征包括:像素点面积、在眼底彩照图像上的连通域数量和各个连通域的轮廓周长总和;
分别取各统计特征的自然对数作为糖网病灶分割结果特征。
进一步,各分期最佳分类器和各最佳分类器的优先级判定方法包括:
采用训练所述单纯分期网络模型的训练集数据独立训练梯度提升树、k-近邻、随机梯度下降线性逻辑回归分类、支持向量机4个机器学习模型;
根据4个机器学习模型在验证集上的准确率筛选出默认模型;
根据各分期类别上4个机器学习模型的查准率高低顺序确定各分期最佳分类器;
根据各分期最佳分类器的查准率的高低顺序排出最佳分类器的优先级。
进一步,所述糖尿病视网膜病变分期类别的预测方法包括:
从最高优先级的最佳分类器开始,判断是否满足条件
如果满足则预测分期类别直接为i,否则,进入低一级优先级的最佳分类器的判断条件;
如果所有优先级下的判断条件都不满足,则选用默认模型的输出作为预测分期类别。
与现有技术相比,本发明具有的有益技术效果为:采用糖网分期结果特征与糖网病灶分割结果特征相组合,采用多种分类器对分割分期组合特征进行糖网分期类别的拟合,并充分利用不同分类器的优势,组合得到更加准确和鲁棒的分期结果。
附图说明
图1是本发明实施例的一种糖尿病视网膜病变分期预测方法的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种糖尿病视网膜病变分期预测方法,包括以下步骤:
采集糖尿病患者的眼底彩照图像;
将眼底彩照图像输入已训练好的单纯分期网络模型,获取糖网分期结果特征;
将眼底彩照图像输入已训练好的病灶分割网络模型,获取糖网病灶分割结果特征;
将糖网分期结果特征与糖网病灶分割结果特征进行组合,获得分割分期组合特征;
根据预判定的各分期最佳分类器和各最佳分类器的优先级,结合所述分割分期组合特征预测糖尿病视网膜病变分期类别。
进一步,所述单纯分期网络模型的训练方法包括:
采用resnet-50网络模型作为训练模型,采集不同病变程度的眼底彩照图像作为训练样本;所述不同病变程度的眼底彩照图像数据来源于数据建模和分析平台(kaggle)中的diabeticretinopathydetection(糖尿病视网膜病变检测)比赛,根据病变程度将所述图像分为正常、轻微病变、中度病变、重度非增殖病变和增殖期病变共5个分期类别;作为本发明的进一步优选,对所述图像进行裁剪黑边、尺寸缩放、旋转、平移、归一化等预处理操作;
在训练开始时,将上述5个分期类别的眼底彩照图像按照样本占比的倒数进行重采样,保证各期的图像样本数一致;
随着训练的进行将重采样比例恢复到接近真实的数据集中的比例,重采样比例:wi=rt-1wo+(1-rt-1)wf,wo表示训练开始时的重采样比例,保证重采样后各类样本的数量相等;wf表示训练epoch数接近正无穷时的重采样比例,取经验值1:2:2:2:2;t表示当前的epoch计数;r表示衰减因子。
采用回归形式的损失函数,具体的,采用均方误差(mse)作为损失函数,并采用adam算法作为优化算法,训练获得单纯分期网络模型;
进一步,所述病灶分割网络模型的训练方法包括:采用maskrcnn网络模型作为训练模型,采用眼底彩照图像的糖网病灶分割数据训练所述maskrcnn网络模型,获取基于maskrcnn网络模型的糖网病灶分割结果,根据糖网病灶分割结果计算各个病灶分割的统计特征;在训练病灶分割网络模型时,分割的病灶包括微血管瘤、硬性渗出、棉绒斑、出血;分别计算这4类病灶的像素点面积、病灶在图像上的连通域数量和各个连通域的轮廓周长的总和,将这些统计特征取自然对数作为糖网病灶分割结果特征。
作为本发明的进一步优选,对用于训练所述maskrcnn网络模型的眼底彩照图像进行旋转、归一化等预处理操作。
进一步,各分期最佳分类器和各最佳分类器的优先级判定方法包括:将用于训练所述单纯分期网络模型的数据以8:2比例进行数据划分,得到训练集与验证集。采用所述数据集数据独立训练梯度提升树、k-近邻、随机梯度下降线性逻辑回归分类、支持向量机4个机器学习模型;根据验证集上4个模型在各分期类别上的查准率(precision),判定各个分期的最佳分类器,以及各最佳分类器的优先级:设
进一步,模型决策时的判定条件是:从最高优先级的最佳分类器开始,判断是否满足条件
最终得到的自动预测眼底彩照图像的糖网分期类别,是根据训练完成的4个机器学习模型进行图像的分期类别预测,并根据已确定的各分期的最佳分类器和各最佳分类器的判定优先级,确定最终的图像糖网分期的所属类别。
本发明的方法通过采用糖网分期结果特征与糖网病灶分割结果特征相组合,采用多种分类器对分割分期组合特征进行糖网分期类别的拟合,并充分利用不同分类器的优势,组合得到更加准确和鲁棒的分期结果。
以上已以较佳实施例公布了本发明,然其并非用以限制本发明,凡采取等同替换或等效变换的方案所获得的技术方案,均落在本发明的保护范围内。