本發(fā)明涉及眼科疾病圖像分類，涉及眼科疾病圖像分類系統(tǒng)。具體為一種基于大數(shù)據(jù)模型的眼科疾病圖像分類方法。
背景技術(shù)：
1、眼科疾病的圖像分類是近年來的研究熱點(diǎn)，既往所使用的圖像主要是由專業(yè)檢查設(shè)備獲取的眼科檢查照片，包括眼底照相、oct掃描圖像等；非專業(yè)檢查設(shè)備(如智能手機(jī))獲取的照片主要應(yīng)用于判斷疾病嚴(yán)重程度，尚缺乏眼科疾病分類的研究，圖像分類依賴于訓(xùn)練數(shù)據(jù)集，由于既往沒有合適的訓(xùn)練數(shù)據(jù)集(由智能手機(jī)拍攝各種眼科疾病的眼部照片，且標(biāo)注了準(zhǔn)確的分類標(biāo)簽)用于實(shí)現(xiàn)智能手機(jī)照片的眼科疾病分類，因此手機(jī)照相僅用于判斷疾病的嚴(yán)重程度，尚未用于眼科疾病的分類，因此，本發(fā)明提供一種基于大數(shù)據(jù)模型的眼科疾病圖像分類方法用以解決上述問題。
技術(shù)實(shí)現(xiàn)思路
1、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：一種基于大數(shù)據(jù)模型的眼科疾病圖像分類系統(tǒng)，包括：
2、數(shù)據(jù)集構(gòu)建模塊：用于收集眼科門診中不同眼科疾病患者由智能手機(jī)拍攝的眼部圖像，并進(jìn)行圖像標(biāo)記處理以構(gòu)建訓(xùn)練及測試數(shù)據(jù)集；
3、圖像分割模塊：采用yolov7對(duì)智能手機(jī)拍攝的圖像進(jìn)行圖像分割，得到僅包含眉毛以下、顴弓以上部分的眼部圖像；
4、模型訓(xùn)練模塊：采用五折交叉驗(yàn)證方法對(duì)圖像進(jìn)行模型訓(xùn)練，應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)、白平衡調(diào)整以及遷移學(xué)習(xí)算法，將在大規(guī)模通用圖像數(shù)據(jù)集上預(yù)訓(xùn)練的模型參數(shù)遷移至眼科疾病分類模型中，對(duì)模型進(jìn)行初始化，并根據(jù)眼科圖像數(shù)據(jù)集的特點(diǎn)對(duì)模型進(jìn)行微調(diào)；
5、臨床驗(yàn)證模塊：用于執(zhí)行臨床驗(yàn)證的兩個(gè)階段，包括收集病例、輸入圖像至模型以及以臨床分類為金標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)分析。
6、優(yōu)選的，所述模型訓(xùn)練模塊中的數(shù)據(jù)增強(qiáng)技術(shù)包括以0.2概率進(jìn)行隨機(jī)水平翻轉(zhuǎn)、-5到5度之間的隨機(jī)旋轉(zhuǎn)以及以0.2概率進(jìn)行自動(dòng)對(duì)比度調(diào)整。
7、優(yōu)選的，所述臨床驗(yàn)證模塊在第一階段按照固定數(shù)量收集各類眼科疾病病例。
8、優(yōu)選的，所述臨床驗(yàn)證模塊在第二階段按照設(shè)定的時(shí)間范圍在不同中心分別進(jìn)行研究人員收集數(shù)據(jù)和患者自行采集數(shù)據(jù)。
9、一種基于大數(shù)據(jù)模型的眼科疾病圖像分類方法，包括如下步驟：
10、構(gòu)建訓(xùn)練及測試數(shù)據(jù)集：收集眼科門診中不同眼科疾病患者用智能手機(jī)拍攝的眼部圖像，由四位專家獨(dú)立地將圖像標(biāo)記為四個(gè)類別，當(dāng)三位或以上專家對(duì)同一分類達(dá)成一致時(shí)，則該分類確定為該圖片的標(biāo)簽，若至少兩位專家無法達(dá)成一致，則排除該圖像，針對(duì)同時(shí)分類兩種或多種疾病的患者，對(duì)照片相應(yīng)添加兩個(gè)或多個(gè)標(biāo)簽；
11、圖像分割：采用yolov7目標(biāo)檢測算法對(duì)智能手機(jī)拍攝的圖像進(jìn)行圖像分割訓(xùn)練，自動(dòng)將眉毛以下、顴弓以上的部分分割出來，以聚焦于眼部區(qū)域；
12、模型訓(xùn)練：采用五折交叉驗(yàn)證方法訓(xùn)練圖像模型，將數(shù)據(jù)集隨機(jī)分成五部分，每部分20％，在每次迭代中使用其中的四部分進(jìn)行訓(xùn)練，剩余一部分進(jìn)行測試，選擇測試準(zhǔn)確率最高的模型作為最終模型，訓(xùn)練階段，每張圖像最初被調(diào)整為224x224像素大小，應(yīng)用隨機(jī)水平翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)及自動(dòng)對(duì)比度調(diào)整的數(shù)據(jù)增強(qiáng)技術(shù)，并進(jìn)行白平衡調(diào)整，在此基礎(chǔ)上，運(yùn)用遷移學(xué)習(xí)算法，將在大規(guī)模通用圖像數(shù)據(jù)集上預(yù)訓(xùn)練的模型參數(shù)遷移至眼科疾病分類模型中，對(duì)模型進(jìn)行初始化，并根據(jù)眼科圖像數(shù)據(jù)集的特點(diǎn)對(duì)模型進(jìn)行微調(diào)，測試階段，圖像同樣被調(diào)整為224x224像素并進(jìn)行白平衡調(diào)整；
13、臨床驗(yàn)證：包括兩個(gè)階段，第一階段計(jì)劃性地收集白內(nèi)障、角膜炎和翼狀胬肉各25例及另外25例其他疾病，將患者由智能手機(jī)拍攝的面部照片輸入模型，并以臨床分類為金標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)分析，第二階段在三家中心進(jìn)行橫斷面式病例收集，包括本中心作為內(nèi)部驗(yàn)證和兩家其他中心作為外部驗(yàn)證，各家中心均采用研究人員收集數(shù)據(jù)和患者自行采集兩種圖像采集方式，在患者自行采集數(shù)據(jù)階段，研究人員指導(dǎo)用戶完成照片采集，獲取高質(zhì)量眼部照片，且不論何種數(shù)據(jù)收集方式，均以臨床分類為金標(biāo)準(zhǔn)進(jìn)行數(shù)據(jù)分析。
14、優(yōu)選的，所述數(shù)據(jù)增強(qiáng)技術(shù)中，隨機(jī)水平翻轉(zhuǎn)的概率為0.2，隨機(jī)旋轉(zhuǎn)角度在-5到5度之間，自動(dòng)對(duì)比度調(diào)整的概率為0.2。
15、優(yōu)選的，在臨床驗(yàn)證的第一階段，收集的病例總數(shù)為100例，且各類別病例數(shù)量固定。
16、優(yōu)選的，在臨床驗(yàn)證的第二階段，研究人員收集數(shù)據(jù)的時(shí)間在內(nèi)部中心為2023年7月21日到2023年8月20日，在外部中心為2023年8月21日到2023年10月31日；患者自行采集數(shù)據(jù)的時(shí)間在內(nèi)部中心為2023年11月10日到2024年1月10日，在外部中心為2024年1月20日到2024年3月10日。
17、優(yōu)選的，所述模型訓(xùn)練中運(yùn)用遷移學(xué)習(xí)算法的具體步驟如下：
18、選擇resnet50模型并將resnet50模型的參數(shù)加載到眼科疾病分類模型中，以此對(duì)眼科疾病分類模型進(jìn)行初始化；
19、根據(jù)眼科圖像數(shù)據(jù)集的特點(diǎn)對(duì)模型進(jìn)行微調(diào)；
20、所述微調(diào)的具體過程如下：
21、調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)：根據(jù)眼科圖像的特性和分類需求，對(duì)預(yù)訓(xùn)練模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行適當(dāng)調(diào)整，發(fā)現(xiàn)預(yù)訓(xùn)練模型的最后幾層全連接層對(duì)于眼科疾病的分類任務(wù)不太合適時(shí)，修改這些層的節(jié)點(diǎn)數(shù)量和結(jié)構(gòu)，適應(yīng)眼科疾病的有限類別；
22、重新定義損失函數(shù)：基于眼科疾病分類的準(zhǔn)確性要求，定義專門適用于眼科圖像分類任務(wù)的損失函數(shù)，采用交叉熵?fù)p失函數(shù)來衡量模型預(yù)測結(jié)果與真實(shí)標(biāo)簽之間的差異，通過最小化該損失函數(shù)來優(yōu)化模型參數(shù)，使得模型在眼科圖像分類上的表現(xiàn)越來越好；
23、調(diào)整訓(xùn)練參數(shù)：根據(jù)眼科圖像數(shù)據(jù)集的規(guī)模和復(fù)雜性，調(diào)整訓(xùn)練過程中學(xué)習(xí)率、迭代次數(shù)；由于預(yù)訓(xùn)練模型已經(jīng)具有一定的基礎(chǔ)，初始學(xué)習(xí)率可以設(shè)置得相對(duì)較小，以避免在微調(diào)過程中對(duì)已經(jīng)學(xué)習(xí)到的通用特征造成過大的擾動(dòng)，同時(shí)根據(jù)模型在驗(yàn)證集上的性能表現(xiàn)，逐步調(diào)整學(xué)習(xí)率，如采用學(xué)習(xí)率衰減策略。迭代次數(shù)也會(huì)根據(jù)模型在訓(xùn)練集和驗(yàn)證集上的收斂情況進(jìn)行調(diào)整，確保模型在不過擬合的前提下充分學(xué)習(xí)到眼科圖像中的特征和分類模式；
24、數(shù)據(jù)增強(qiáng)適配：在應(yīng)用數(shù)據(jù)增強(qiáng)技術(shù)時(shí)，考慮眼科圖像的特殊性。例如，在隨機(jī)旋轉(zhuǎn)角度的選擇上，由于眼部結(jié)構(gòu)的相對(duì)對(duì)稱性和方向性，旋轉(zhuǎn)角度范圍可能會(huì)更謹(jǐn)慎地設(shè)置，以避免因過度旋轉(zhuǎn)導(dǎo)致眼部關(guān)鍵特征的扭曲或丟失，確保增強(qiáng)后的數(shù)據(jù)仍然能夠有效地反映眼科疾病的特征信息，從而更好地輔助模型學(xué)習(xí)。
25、本發(fā)明提供了一種基于大數(shù)據(jù)模型的眼科疾病圖像分類系統(tǒng)。具備以下有益效果：
26、該基于大數(shù)據(jù)模型的眼科疾病圖像分類系統(tǒng)，在開發(fā)階段測試集以及不同臨床評(píng)估階段，白內(nèi)障、角膜炎和翼狀胬肉等疾病均展現(xiàn)出較高的分類準(zhǔn)確率，采用yolov7進(jìn)行圖像分割訓(xùn)練，能夠自動(dòng)將眉毛以下、顴弓以上的眼部區(qū)域精準(zhǔn)分割出來，去除大量非眼部區(qū)域的干擾信息，使模型訓(xùn)練和分類過程能更專注于眼部特征，有助于提高分類的準(zhǔn)確性和可靠性，臨床驗(yàn)證分為兩個(gè)階段且在多家中心進(jìn)行，包括本中心的內(nèi)部驗(yàn)證和其他中心的外部驗(yàn)證，并采用研究人員收集數(shù)據(jù)和患者自行采集兩種圖像采集方式，全面地模擬了不同場景下的應(yīng)用情況，充分驗(yàn)證了分類模型在不同條件下的準(zhǔn)確性和穩(wěn)定性，有利于模型的廣泛推廣和應(yīng)用，在模型訓(xùn)練階段采用五折交叉驗(yàn)證方法，有效防止過擬合，確保數(shù)據(jù)集的獨(dú)立性和模型的泛化能力，應(yīng)用多種數(shù)據(jù)增強(qiáng)技術(shù)多樣化訓(xùn)練數(shù)據(jù)，進(jìn)一步提升模型對(duì)不同情況眼部圖像的識(shí)別能力，使模型能夠更好地適應(yīng)實(shí)際應(yīng)用中的各種圖像變化，基于智能手機(jī)拍攝圖像進(jìn)行分類，方便患者在居家環(huán)境下自行采集眼部圖像，結(jié)合較高的分類準(zhǔn)確率，提高眼科醫(yī)療服務(wù)的可及性和便捷性，減輕患者前往醫(yī)院就診的負(fù)擔(dān)，同時(shí)也有助于早期疾病的發(fā)現(xiàn)和干預(yù)。