【技术实现步骤摘要】
一种基于深度神经网络的图像识别方法
[0001]本专利技术涉及图像识别
，具体涉及一种基于深度神经网络的图像识别方法。
技术介绍
[0002]伴随着国民经济的不断发展提升以及民众用眼方式的改变，眼底病也在发在显著的变化，目前有超过4000万的眼底疾病患者。但是由于视网膜中血管图像对比度低，而且过程中常常伴有许多随机噪声，导致眼科医生识别效率低，对难分辨的眼底疾病(如糖尿病视网膜病变)识别效果差。所以，对于眼底病变图像识别已经成为了当今研究的重点和前沿热点。
[0003]传统的眼底病变识别方式是眼科专家凭借多年经验进行识别眼底病变类别及程度，并且由于传统眼底彩照因呈像有限不能提供眼底周围视网膜，导致眼底疾病漏诊率大大提高的问题，为减轻医务工作者压力和负担，越来越多研究者开始将神经网络应用于医学诊断及生物特征识别。例如提出了基于Hessian矩阵的多尺度视网膜图像增强方法；通过深入研究眼底图像预处理中图像去噪和眼底视场提取方法，实现了基于自适应中值滤波的眼底图像平滑方法和基于HSV空间模型的眼底视场提取方法；提出基于支持向量机(SVM)的检测方法克服光照不均、对比度低、软渗出干扰等给眼底图像中硬性渗出检测带来的困难。
[0004]目前国内外对眼底病变识别研究主要集中于图像血管分割、血管增强、眼底病变识别三方面。且大多模型基于传统的眼底彩照进行识别对视网膜图像周围提取有限，由于眼底两侧噪声较大出现黑色空间、晶体状模糊、光线过强或过弱导致无法准确识别眼底病变对罕见眼底病变识别速度慢、准确率较低。>
技术实现思路
[0005]针对现有技术的上述不足，本专利技术提供了一种解决了对眼底病变识别不准确、耗时高等问题的基于深度神经网络的图像识别方法。
[0006]为达到上述专利技术目的，本专利技术所采用的技术方案为：
[0007]提供一种基于深度神经网络的图像识别方法，其包括以下步骤：
[0008]S1：建立不同程度眼底病变的超广角图像数据集，超广角图像数据集内包含若干不同眼底病变种类及眼底病变严重程度的病人眼底超广角图像；
[0009]S2：对超广角图像进行膨胀和腐蚀处理，使眼部的血管和病灶进行保留和放大，得到强化血管和病灶的眼底病变图像，再对眼底病变图像进行归一化处理；完成对超广角图像数据集内的超广角图像预处理与增强：
[0010]S3：输入预处理和增强后的超广角图像，使用优化后的U
‑
Net眼底血管图像分割算法对血管进行分割；
[0011]S4：将经过血管分割处理后的超广角图像输入CompactNet卷积网络特征分类模型，对眼底病变特征进行分类并提取，使用softmax分类器对提取到的特征图像进行分类，
得到分类结果，输出眼底病变结果。
[0012]进一步地，步骤S1包括：
[0013]S11：根据Kaggle数据科学官网的眼底公共图像数据集、医院眼科或体检中心患者拍摄的眼底彩照收集不同程度眼底病变超广角图像，形成超广角图像数据集；
[0014]S12：基于眼底病变的种类及眼底病变的严重程度对超广角图像数据集内的超广角图像进行标记：
[0015]23种不同种类眼底病变标签图像30000张，根据视网膜色素变性、视网膜动血管阻塞程度及静脉阻塞程度的特征标记3种不同眼底病变严重程度图像10000张，并根据实际严重情况分为4个等级，从症状轻重对应0～3进行编号，疾病严重程度包括正常、轻度、中度和重度，分别对应级别编号0、1、2和3。
[0016]进一步地，步骤S2包括：
[0017]S21：将病人眼底的超广角图像进行超广角技术处理，使眼底彩超的成像范围扩大到200
°
，覆盖眼底82％的视网膜；
[0018]S22：对超广角技术处理后的超广角图像与有效图像对比，找到噪点准确位置，避开含血管部分找到噪点准确范围对图像进行腐蚀处理，得到去噪后的超广角图像；
[0019]S23：去噪后的超广角图像与有效图像进行对比，找到视网膜血管和病灶的准确位置，对去噪后的超广角图像进行若干次膨胀处理，进而对血管和病灶进行保留和放大，得到强化血管和病灶的眼底病变图像；
[0020]S24：对强化血管和病灶的眼底病变图像进行归一化处理：
[0021][0022]其中，F(X)为归一化处理后的输出图像，X为原始眼底病变图像，X
min
为超广角图像数据集内的图像最小值，X
max
为超广角图像数据集内的图像最大值；
[0023]S25：完成对超广角图像数据集内的超广角图像预处理与增强。
[0024]进一步地，步骤S3包括：
[0025]S31：输入预处理和增强后的超广角图像，收集血管与视网膜背景的多个图像，提取图像函数运算符，导入二值化后黑白模型进行深度训练：
[0026]S32：使用优化后的U
‑
Net分割算法，分别将浅层特征与深层特征进行融合，使更深的U型网络充分利用浅层特征对血管进行学习分割；
[0027]S33：首块U
‑
Net网络输入图像时采用1
×
1卷积操作，进行输出和特征提取，最大池化层池化后和下一个模块进行连接，最终形成下一个模块的输入，
[0028]S34：沿着两个残差路径Res Path分别使用包含四个3
×
3卷积的滤波器、1
×
1卷积的残差连接Res Path1以及两个3
×
3卷积的滤波器、1
×
1卷积的残差连接Res Path2，且为使编码器与解码器中的特征数量平衡，设置与编码器相同的滤波器，根据视网膜经过预处理后像素小的特点在每一个模块输入之前ReLU激活函数将非线性特征引入U
‑
Net网络；
[0029]S35：将MbResU
‑
Net损失函数引入U
‑
Net网络，加快U
‑
Net网络的融合，并经过若干次数的迭代后，U
‑
Net网络的网络模型参数收敛到最佳值，达到最优的血管分割效果。
[0030]进一步地，步骤S31中二值化的方法为：
[0031]S311：将血管与视网膜背景的图像每个像素坐标设为(x，y)、中心领域为r*r，用g(x，y)表示像素点的灰度值；
[0032]S312：计算中心领域r*r范围内的灰度均值m(x,y)：
[0033][0034]其中，x，y分别为像素坐标的横坐标和纵坐标，r为中心领域的半径，i和j分别为r*r图像范围内任意灰度值点的横坐标和纵坐标。
[0035]S313：计算中心领域r*r范围内的标准方差s(x,y)：
[0036][0037]S314：利用标准方差s(x,y)计算像素点的阈值T(x,y)：
[0038][0039]其中，K为修正系数，R为像素深度的一半。
[0040]进一步本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度神经网络的图像识别方法，其特征在于，包括以下步骤：S1：建立不同程度眼底病变的超广角图像数据集，超广角图像数据集内包含若干不同眼底病变种类及眼底病变严重程度的病人眼底超广角图像；S2：对超广角图像进行膨胀和腐蚀处理，使眼部的血管和病灶进行保留和放大，得到强化血管和病灶的眼底病变图像，再对眼底病变图像进行归一化处理；完成对超广角图像数据集内的超广角图像预处理与增强：S3：输入预处理和增强后的超广角图像，使用优化后的U
‑
Net眼底血管图像分割算法对血管进行分割；S4：将经过血管分割处理后的超广角图像输入CompactNet卷积网络特征分类模型，对眼底病变特征进行分类并提取，使用softmax分类器对提取到的特征图像进行分类，得到分类结果，输出眼底病变结果。2.根据权利要求1所述的基于深度神经网络的图像识别方法，其特征在于，所述步骤S1包括：S11：根据Kaggle数据科学官网的眼底公共图像数据集、医院眼科或体检中心患者拍摄的眼底彩照收集不同程度眼底病变超广角图像，形成超广角图像数据集；S12：基于眼底病变的种类及眼底病变的严重程度对超广角图像数据集内的超广角图像进行标记：23种不同种类眼底病变标签图像30000张，根据视网膜色素变性、视网膜动血管阻塞程度及静脉阻塞程度的特征标记3种不同眼底病变严重程度图像10000张，并根据实际严重情况分为4个等级，从症状轻重对应0～3进行编号，疾病严重程度包括正常、轻度、中度和重度，分别对应级别编号0、1、2和3。3.根据权利要求1所述的基于深度神经网络的图像识别方法，其特征在于，所述步骤S2包括：S21：将病人眼底的超广角图像进行超广角技术处理，使眼底彩超的成像范围扩大到200
°
，覆盖眼底82％的视网膜；S22：对超广角技术处理后的超广角图像与有效图像对比，找到噪点准确位置，避开含血管部分找到噪点准确范围对图像进行腐蚀处理，得到去噪后的超广角图像；S23：去噪后的超广角图像与有效图像进行对比，找到视网膜血管和病灶的准确位置，对去噪后的超广角图像进行若干次膨胀处理，进而对血管和病灶进行保留和放大，得到强化血管和病灶的眼底病变图像；S24：对强化血管和病灶的眼底病变图像进行归一化处理：其中，F(X)为归一化处理后的输出图像，X为原始眼底病变图像，X
min
为超广角图像数据集内的图像最小值，X
max
为超广角图像数据集内的图像最大值；S25：完成对超广角图像数据集内的超广角图像预处理与增强。4.根据权利要求1所述的基于深度神经网络的图像识别方法，其特征在于，所述步骤S3包括：
S31：输入预处理和增强后的超广角图像，收集血管与视网膜背景的多个图像，提取图像函数运算符，导入二值化后黑白模型进行深度训练：S32：使用优化后的U
‑
Net分割算法，分别将浅层特征与深层特征进行融合，使更...
【专利技术属性】
技术研发人员：颜琪，陈智超，郭涛，袁丁，宋世家，李维欣，罗新，
申请(专利权)人：四川吉利学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。