一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置

摘要

本发明提供了一种基于眼底影像的糖尿病肾病‑非糖尿病肾病鉴别诊断装置，涉及生物检测技术领域，通过采用深度学习方法，包括图像采集模块(1)，所述图像采集模块(1)用于采集受试人群的眼底影像和待检测病人的眼底影像，还包括：自动鉴别模块(2)，所述图像采集模块(1)与所述自动鉴别模块(2)电信号连接，所述自动鉴别模块(2)根据所述图像采集模块(1)采集到的待检测病人的眼底影像进行糖尿病肾病‑非糖尿病肾病鉴别，能够减少病人痛苦、诊断结果准确、且适用范围广，对临床实践提供了良好的辅助诊断作用。

说明书

技术领域

本发明涉及生物检测技术领域，尤其是涉及一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置。

背景技术

对于糖尿病合并慢性肾脏病的患者来说，其慢性肾脏病引发的原因可能是糖尿病，即糖尿病肾病(Diabetic nephropathy，DN)。糖尿病肾病是糖尿病最严重的慢性微血管并发症之一，由糖尿病引起的微血管病变而导致的肾小球硬化，是本症的特点，并最终引起终末肾衰竭，是糖尿病患者死亡的主要原因之一。

但是还有一部分患者，其慢性肾脏病的病因是其它原因，统称为非糖尿病肾病(Non-diabetic renal disease，NDRD)。

糖尿病肾病是糖尿病全身微血管病性合并症之一，因此发生糖尿病肾病时也往往同时合并其他器官或系统的微血管病如糖尿病视网膜病变和外周神经病变。1型糖尿病病人发生糖尿病肾病多在起病10～15年左右，而2型糖尿病病人糖尿病肾病起病隐匿，与年龄大、同时合并较多其他基础疾病有关。

糖尿病病人临床上出现肾脏损害应考虑糖尿病肾病，家族中有肾脏病者、明显高血压、胰岛素抵抗，GFR明显过高或伴严重高血压者为发生糖尿病肾病的高危因素。微量白蛋白尿是诊断糖尿病肾病的标志。微量白蛋白尿指UAE 持续升高20～200μg/min，或尿白蛋白30～300mg/24h，尿肌酐为30～300μ g/mg。

由于微量白蛋白尿是临床诊断早期糖尿病肾病的主要线索，目前美国糖尿病协会建议，对于1型糖尿病病人，起病5年后就要进行尿微量白蛋白的筛查；而对于2型糖尿病则在确诊糖尿病时应同时检查。但一次检查阳性，还不能确诊为持续微量白蛋白尿，需要在3～6月内复查，如果3次检查中2次阳性，则可确诊；如为阴性，则应每年检查一次。

微量白蛋白尿还与糖尿病的其他多种并发症有关，包括高血压、高脂血症、动脉粥样硬化和心血管疾病等。因此出现微量白蛋白尿不一定就代表发生了糖尿病肾病，其出现以后是否必然进展到明显蛋白尿进而慢性肾衰退尚存在争议。在几个较大系列的长期观察中发现有微量白蛋白尿的糖尿病病人，10年中仅有 30％～45％转为临床显性蛋白尿，另有30％微量白蛋白尿消失，这在2型糖尿病中更明显。因此应多次检查、连续随访才可判定。

糖尿病肾病和非糖尿病肾病两类患者的临床特征相似。由于NDRD与DN 病因不同，病理特征不同，治疗方法不同，因此NDRD与DN的鉴别诊断具有重要意义，对进一步的治疗起决定性作用，与疾病预后直接相关。

现有的诊断方法是根据相应的诊断标准，即慢性肾脏病临床实践指南(KDOQI)。诊断糖尿病肾病DN的标准是：以下三条满足任意一条即可诊断为糖尿病肾病：(1)出现显性白蛋白尿；(2)出现微量白蛋白尿，且出现DR；(3)出现微量白蛋白尿，且T1DM病史大于10年。诊断非糖尿病肾病NDRD 的标准是：如果出现以下任意一条，则糖尿病合并CKD的患者应该诊断为非糖尿病肾病：(1)无糖尿病视网膜病变；(2)较低的GFR或较快的GFR下降；(3)快速增加的蛋白尿或者肾病综合征；(4)难治性高血压；(5)活性尿沉渣；(6)合并其它系统性疾病；(7)开始使用ACEI或者ARB药物后，在2-3个月内GFR下降大于30％。

但是慢性肾脏病临床实践指南(KDOQI)中的标准的信息获取来自于医生病史询问，常规检查，以及医生的自主判断。因所有的指标均为二分类变量，且很多指标的定义不清，诊断指标模糊，诊断标准的具体适用规则也不清楚，所以不同的人会对其有不同的理解。诊断标准的可实用性差，诊断结果精确度也并不权威。总之，传统糖尿病肾病-非糖尿病肾病鉴别诊断方法为二分类变量，诊断指标模糊，诊断过程和诊断结果不够准确，另外在中国人群中验证发现，此诊断方法对NDRD的诊断，虽然灵敏度较高，但特异度较低。因此慢性肾脏病临床实践指南(KDOQI)中的标准并不客观和统一，不适合作为诊断标准。

此外，通过传统肾穿刺活检技术虽可以明确临床糖尿病肾病鉴别诊断，但该技术的创伤性较大，术后会引起并发症，病人很痛苦，且技术难度较高，不能作为糖尿病肾病患者检查的常规项目。另外，在实际应用过程中，通常当临床确诊时，糖尿病肾病患者往往错过了最佳的治疗时机，致使疾病急剧恶化，不可逆转。

因此，迫切研究一种新的糖尿病肾病-非糖尿病肾病鉴别诊断装置，能够加快检查进程、减少病人痛苦。

发明内容

本发明的目的在于提供一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置，通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断模型，形成糖尿病肾病-非糖尿病肾病鉴别诊断装置，能够减少病人痛苦、诊断结果准确、且适用范围广，对临床实践提供了良好的辅助诊断作用。

为实现上述目的，本发明提供了以下技术方案：

本发明提供的基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置，包括：

图像采集模块，所述图像采集模块用于采集受试人群的眼底影像和待检测病人的眼底影像，还包括：

自动鉴别模块，所述图像采集模块与所述自动鉴别模块电信号连接，所述自动鉴别模块根据所述图像采集模块采集到的待检测病人的眼底影像进行糖尿病肾病-非糖尿病肾病鉴别。

可选地，所述自动鉴别模块包括预处理模块，所述预处理模块与所述图像采集模块电信号连接，所述预处理模块对所述受试人群的眼底影像进行数据预处理。

可选地，所述预处理模块包括用于进行数据扩充的数据扩充模块，所述数据扩充模块对所述受试人群的眼底影像进行数据扩充、以满足训练集的要求。

可选地，所述预处理模块还包括与所述数据扩充模块电信号连接的整合模块，对经过所述数据扩充处理后的眼底影像进行裁剪和缩放处理、以满足网络训练输入的要求。

可选地，所述预处理模块还包括归一化处理模块，所述数据扩充模块、所述整合模块和所述归一化处理模块依次电信号连接，归一化处理过程为：按照不同通道将原始像素0～255归一化至0～1，

X：每个像素点在每一个通道中对应的像素值；

μ：所有原始图像对应的该像素点在每个通道中的像素值的整体均值；

σ：所有原始图像对应的该像素点在每个通道中的像素值的标准差；

X

可选地，所述受试人群包括糖尿病肾病病人和非糖尿病肾病病人，按照第一预设比例从所述糖尿病肾病病人的眼底影像提取部分糖尿病肾病病人的眼底影像作为第一眼底影像，按照第二预设比例从所述非糖尿病肾病病人的眼底影像提取部分非糖尿病肾病病人的眼底影像作为第二眼底影像，所述数据扩充模块分别对第一眼底影像和第二眼底影像进行数据扩充。

可选地，所述数据扩充过程为镜像翻转增强、以使所述第一眼底影像和所述第二眼底影像数据增加一倍。

可选地，所述第一眼底影像477张，所述第二眼底影像176张，总计653 张。

可选地，所述裁剪和缩放处理过程为：所述第一眼底影像和所述第二眼底影像图像像素分为4496*3000和2144*1424两种，经过所述裁剪和放缩处理整体转化为224*224大小，以满足网络训练输入的要求。

可选地，还包括根据所述鉴别诊断装置输出鉴别报告的输出装置，所述自动鉴别模块与所述输出装置电信号连接。

可选地，所述自动鉴别模块中训练采用VGGNet模型和GPU的方式进行训练。

可选地，所述VGGNet模型为VGG16模型或VGG19模型。

可选地，所述VGGNet模型采用Cross Entropy Loss(交叉熵损失)和SoftMax 做二分类，采用Batch Size为16的小批次训练方式，共训练200个Epoch，优化器采用Adam自适应梯度优化器。

本发明提供的技术方案中，是一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置，包括：图像采集模块，图像采集模块用于采集受试人群的眼底影像和待检测病人的眼底影像，还包括：自动鉴别模块，所述图像采集模块与所述自动鉴别模块电信号连接，所述自动鉴别模块根据所述图像采集模块采集到的待检测病人的眼底影像进行糖尿病肾病-非糖尿病肾病鉴别。通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断模型，形成糖尿病肾病-非糖尿病肾病鉴别诊断装置，能够减少病人痛苦、诊断结果准确、且适用范围广，对临床实践提供了良好的辅助诊断作用。

总之，通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断，能够克服传统肾穿刺活检技术的创伤性较大，术后会引起并发症，病人很痛苦，且技术难度较高，不能作为糖尿病肾病患者检查的常规项目的弊端以及传统二分类变量诊断指标模糊，诊断过程和诊断结果不够准确的弊端，对临床实践提供了良好的辅助诊断作用。

在本发明的优选方案中，自动鉴别模块还包括预处理模块，所述预处理模块与所述图像采集模块电信号连接，所述预处理模块对所述受试人群的眼底影像进行数据预处理，数据预处理一般都包括数据扩充、数据裁剪及放缩等图像整合、归一化处理等步骤，由于受试人群的眼底影像眼底影像是大批量的、且清晰度、大小尺寸等都不一致，不能很好的满足模型对于数据的要求，因此，经过数据预处理后的指标能够更加精准、更加符合模型训练过程的要求，模型预测结果更加准确，对临床实践提供了较优的辅助诊断作用。

在本发明的优选方案中，所述预处理模块包括用于进行数据扩充的数据扩充模块，所述数据扩充模块对所述受试人群的眼底影像进行数据扩充、以满足训练集的要求。数据增强也叫数据扩充，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，深度学习需要依靠大量的数据作为训练集，由于原始图像数量较少，本发明的技术方案是在此基础上做了数据扩充，能够将有限的受试人群的眼底影像数据成倍甚至更多的进行扩充，使得影像数据得到大幅度提高，从而使得训练集得到的训练结果更精确。

在本发明的优选方案中，所述预处理模块还包括与所述数据扩充模块电信号连接的整合模块，对经过所述数据扩充处理后的眼底影像进行裁剪和缩放处理、以满足网络训练输入的要求。本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，应用的是图像深度学习方法，在训练之前，眼底影像数据经过裁剪及放缩整合至统一大小，以满足本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中训练处理过程。

(1)由于受试人群的眼底影像原始图像尺寸大小不同且卷积神经网络模型输入数据采用正方形图像作为输入，故对原始图像特征区域进行裁剪；

(2)由于卷积神经网络的网络层数较深，卷积计算量较大，而受试人群的眼底影像原始数据的尺寸比较大，为满足模型输入的要求进行了整体放缩。

在本发明的优选方案中，糖尿病肾病-非糖尿病肾病鉴别诊断装置中，所述预处理模块还包括归一化处理模块，图像归一化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，数据中心化符合数据分布规律，更容易取得训练之后的泛化效果。所述数据扩充模块、所述整合模块和所述归一化处理模块依次电信号连接，归一化处理过程为：按照不同通道将原始像素0～255归一化至0～1，

X：每个像素点在每一个通道中对应的像素值；

μ：所有原始图像对应的该像素点在每个通道中的像素值的整体均值；

σ：所有原始图像对应的该像素点在每个通道中的像素值的标准差；

X

本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，预处理模块中增添了归一化处理模块，将受试人群的眼底影像数据通过去均值实现中心化的处理方式，根据凸优化理论与数据概率分布相关知识，从而使得数据中心化符合数据分布规律，更容易取得训练之后的泛化效果。

在本发明的优选方案中，所述受试人群包括糖尿病肾病病人和非糖尿病肾病病人，按照第一预设比例从所述糖尿病肾病病人的眼底影像提取部分糖尿病肾病病人的眼底影像作为第一眼底影像，按照第二预设比例从所述非糖尿病肾病病人的眼底影像提取部分非糖尿病肾病病人的眼底影像作为第二眼底影像，所述数据扩充模块分别对第一眼底影像和第二眼底影像进行数据扩充。现有的肾穿刺活检技术的创伤性较大，术后会引起并发症，病人很痛苦，且技术难度较高，本发明的眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置技术方案中，采用深度学习的方法依靠大量的数据作为训练集，分别对第一眼底影像和第二眼底影像进行数据扩充，能够将有限的受试人群的眼底影像数据成倍甚至更多的进行扩充，在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，使得影像数据得到大幅度提高，从而使得训练集得到的训练结果更精确。

在本发明的优选方案中，所述数据扩充过程为镜像翻转增强、以使所述第一眼底影像和所述第二眼底影像数据增加一倍，即，采用深度学习的方法依靠大量的数据作为训练集，采用镜像翻转增强，分别对第一眼底影像和第二眼底影像进行数据扩充，能够将有限的受试人群的眼底影像数据增加一倍，在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，使得影像数据得到大幅度提高，从而使得训练集得到的训练结果更精确。

在本发明的优选方案中，按照第一预设比例从所述糖尿病肾病病人的眼底影像提取部分糖尿病肾病病人的眼底影像作为第一眼底影像，按照第二预设比例从所述非糖尿病肾病病人的眼底影像提取部分非糖尿病肾病病人的眼底影像作为第二眼底影像，其中选取之后，第一眼底影像477张，第二眼底影像 176张，总计653张。

在本发明的优选方案中，基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，裁剪和缩放处理过程为：所述第一眼底影像和所述第二眼底影像图像像素分为4496*3000和2144*1424两种，经过所述裁剪和放缩处理整体转化为224*224大小，以满足网络训练输入的要求，由于受试人群的眼底影像原始图像尺寸大小不同且卷积神经网络模型输入数据采用正方形图像作为输入，故对眼底影像原始图像特征区域进行裁剪，由于卷积神经网络的网络层数较深，卷积计算量较大，而受试人群的眼底影像原始数据的尺寸比较大，为满足模型输入的要求进行了整体放缩。总之，本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，应用的是图像深度学习方法，在训练之前，眼底影像数据经过裁剪及放缩整合至统一大小，以满足本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中训练处理过程。

在本发明优选的基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，还包括根据所述鉴别诊断装置输出鉴别报告的输出装置，所述自动鉴别模块与所述输出装置电信号连接，即，图像采集模块采集到待检测病人的眼底影像，自动鉴别模块根据所述图像采集模块采集到的待检测病人的眼底影像进行糖尿病肾病-非糖尿病肾病鉴别，从而通过输出装置输出鉴别报告以展示待检测病人是糖尿病肾病还是非糖尿病肾病，简单方便，能够初步对待检测病人进行分检，减少医生的工作压力、提高检查进度、减轻病人痛苦，能够更加快速、准确的为病人服务。

在本发明优选的基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，所述自动鉴别模块中训练采用VGGNet模型和GPU的方式进行训练。 GPU即图形处理器，是专为执行复杂的数学和几何计算而设计的，GPU特别适合于大规模并行运算，在深度学习领域一直发挥着巨大的作用，深度学习所依赖的是神经系统网络，就是要在高速的状态下分析海量的数据，GPU能够迅速高效地实现海量数据的快速处理。VGG卷积神经网络是牛津大学计算机视觉实验室参加ILSVRC比赛的网络结构，该模型以较深的网络结构，较小的卷积核和池化采样域，使得其能够在获得更多图像特征的同时控制参数的个数，避免过多的计算量以及过于复杂的结构。

在本发明优选的技术方案中，所述VGGNet模型为VGG16模型或 VGG19模型，训练速度更快，提高检查进度、减轻病人痛苦，能够更加快速、准确的为病人服务。

在本发明优选的技术方案中，所述VGGNet模型采用Cross Entropy Loss(交叉熵损失)和SoftMax做二分类，采用Batch Size为16的小批次训练方式，共训练200个Epoch，优化器采用Adam自适应梯度优化器，自适应梯度优化器的引入，能够避免因训练时的梯度下降算法会出现一些梯度停滞的情况，避免模型过早收敛，采用Drop Out(0.5)方法随机删除神经元，能够有效防止模型训练出现过拟合现象，且能够有效抵抗网络过拟合。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例中基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置图；

图2是本发明实施例中基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置中预处理模块结构图；

图3是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中 VGG网络结构图；

图4是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中VGG16模型详细结构图；

图5是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法结构图；

图6是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集1的loss曲线；

图7是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集2的loss曲线；

图8是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集3的loss曲线；

图9是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集4的loss曲线；

图10是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集5的loss曲线；

图11是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法得到的子数据集样本评估结果；

图12是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集1的Roc曲线；

图13是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集2的Roc曲线；

图14是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集3的Roc曲线；

图15是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集4的Roc曲线；

图16是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集5的Roc曲线；

图中：1、图像采集模块；2、自动鉴别模块；201、预处理模块；2001、数据扩充模块；2002、整合模块；2003、归一化处理模块；3、输出装置。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

本发明提供了一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置，如图1-图16所示，其结构，包括图像采集模块1，图像采集模块1用于采集受试人群的眼底影像和待检测病人的眼底影像，还包括：自动鉴别模块 2，图像采集模块1与自动鉴别模块2电信号连接，自动鉴别模块2根据图像采集模块1采集到的待检测病人的眼底影像像进行糖尿病肾病-非糖尿病肾病鉴别，更加简单、方便，也更加准确，检查效率更高。传统的糖尿病肾病-非糖尿病肾病诊断方法是根据相应的诊断标准，即慢性肾脏病临床实践指南(KDOQI)。但是慢性肾脏病临床实践指南(KDOQI)中的标准的信息获取来自于医生病史询问，常规检查，以及医生的自主判断。因所有的指标均为二分类变量，且很多指标的定义不清，诊断指标模糊，诊断标准的具体适用规则也不清楚，所以不同的人会对其有不同的理解。诊断标准的可实用性差，诊断结果精确度也并不权威。因此，本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置是根据眼底影像来进行判断，依据的是深度学习方法，通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断模型，形成糖尿病肾病-非糖尿病肾病鉴别诊断装置，能够减少病人痛苦、诊断结果准确、且适用范围广，对临床实践提供了良好的辅助诊断作用。总之，通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断，能够克服传统肾穿刺活检技术的创伤性较大，术后会引起并发症，病人很痛苦，且技术难度较高，不能作为糖尿病肾病患者检查的常规项目的弊端以及传统二分类变量诊断指标模糊，诊断过程和诊断结果不够准确的弊端，对临床实践提供了良好的辅助诊断作用。

于本发明的具体实施例中，如图2所示，自动鉴别模块2包括预处理模块201，预处理模块201与图像采集模块1电信号连接，预处理模块201对受试人群的眼底影像进行数据预处理。预处理模块对受试人群的眼底影像进行数据预处理，数据预处理一般都包括数据扩充、数据裁剪及放缩等图像整合、归一化处理等步骤，由于受试人群的眼底影像是大批量的、且清晰度、大小尺寸等都不一致，不能很好的满足模型对于数据的要求，因此，经过数据预处理后的指标能够更加精准、更加符合模型训练过程的要求，模型预测结果更加准确，对临床实践提供了较优的辅助诊断作用。

于本发明的具体实施例中，如图2所示，预处理模块201包括用于进行数据扩充的数据扩充模块2001，数据扩充模块2001对受试人群的眼底影像进行数据扩充、以满足训练集的要求。数据增强也叫数据扩充，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，深度学习需要依靠大量的数据作为训练集，由于原始图像数量较少，本发明用于区分糖尿病肾病和非糖尿病肾病的鉴别技术方案是在此基础上做了数据扩充，能够将有限的受试人群的眼底影像数据成倍甚至更多的进行扩充，使得影像数据得到大幅度提高，从而使得训练集得到的训练结果更精确。

需要说明的是，数据扩充的方式有很多，本发明不做具体限定，凡是能够实现数据扩充满足本发明训练集要求的数据扩充方式都在本发明的保护范围之内。

以医学影像中的眼底图像为例，在眼底图像中包括丰富的玻璃体、视网膜和脉络膜等的细节，如果眼底发生相关病变，则会在所获取的眼底图像中呈现出微血管瘤、出血、硬性渗出等病变目前世界上超过50％糖尿病患者并没有接受或者没有机会接受任何形式的眼部检查。因此，在眼底图像的病变识别的临床上，提供能够降低医生工作量，辅助医生帮助完成眼底图像判断的自动识别系统也变得极为迫切。通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断，能够克服传统肾穿刺活检技术的创伤性较大，术后会引起并发症，病人很痛苦，且技术难度较高，不能作为糖尿病肾病患者检查的常规项目的弊端以及传统二分类变量诊断指标模糊，诊断过程和诊断结果不够准确的弊端，对临床实践提供了良好的辅助诊断作用。

于本发明的具体实施例中，如图2所示，基于眼底影像的糖尿病肾病- 非糖尿病肾病鉴别诊断装置中的预处理模块201还包括与数据扩充模块2001 电信号连接的整合模块2002，对经过数据扩充处理后的眼底影像进行裁剪和缩放处理、以满足网络训练输入的要求。本发明具体实施例糖尿病肾病-非糖尿病肾病鉴别诊断装置中，应用的是图像深度学习方法，在训练之前，眼底影像数据经过裁剪及放缩整合至统一大小，以满足本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中训练处理过程，原因如下：

(1)由于受试人群的眼底影像原始图像尺寸大小不同且卷积神经网络模型输入数据采用正方形图像作为输入，故对原始图像特征区域进行裁剪；

(2)由于卷积神经网络的网络层数较深，卷积计算量较大，而受试人群的眼底影像原始数据的尺寸比较大，为满足模型输入的要求进行了整体放缩。总之，通过采用深度学习方法选取眼底影像数据构建糖尿病肾病和非糖尿病肾病的鉴别诊断模型，形成糖尿病肾病-非糖尿病肾病鉴别诊断装置，能够减少病人痛苦、诊断结果准确、且适用范围广，对临床实践提供了良好的辅助诊断作用，具有重要的研究价值和指导意义。

于本发明的具体实施例中，预处理模块201还包括归一化处理模块 2003，数据扩充模块2001、整合模块2002和归一化处理模块2003依次电信号连接，归一化处理过程为：按照不同通道将原始像素0～255归一化至0～1，

X：每个像素点在每一个通道中对应的像素值；

μ：所有原始图像对应的该像素点在每个通道中的像素值的整体均值；

σ：所有原始图像对应的该像素点在每个通道中的像素值的标准差；

X

本发明具体实施例的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，预处理模块中增添了归一化处理模块，将受试人群的眼底影像数据通过去均值实现中心化的处理方式，根据凸优化理论与数据概率分布相关知识，从而使得数据中心化符合数据分布规律，更容易取得训练之后的泛化效果。

于本发明的具体实施例中，受试人群包括糖尿病肾病病人和非糖尿病肾病病人，按照第一预设比例从糖尿病肾病病人的眼底影像提取部分糖尿病肾病病人的眼底影像作为第一眼底影像，按照第二预设比例从非糖尿病肾病病人的眼底影像提取部分非糖尿病肾病病人的眼底影像作为第二眼底影像，数据扩充模块2001分别对第一眼底影像和第二眼底影像进行数据扩充。现有的肾穿刺活检技术的创伤性较大，术后会引起并发症，病人很痛苦，且技术难度较高，本发明的眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置技术方案中，采用深度学习的方法依靠大量的数据作为训练集，分别对第一眼底影像和第二眼底影像进行数据扩充，能够将有限的受试人群的眼底影像数据成倍甚至更多的进行扩充，在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，使得影像数据得到大幅度提高，从而使得训练集得到的训练结果更精确。

于本发明的具体实施例中，数据扩充过程为镜像翻转增强、以使第一眼底影像和所述第二眼底影像数据增加一倍，即，采用深度学习的方法依靠大量的数据作为训练集，采用镜像翻转增强，分别对第一眼底影像和第二眼底影像进行数据扩充，能够将有限的受试人群的眼底影像数据增加一倍，在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值，使得影像数据得到大幅度提高，从而使得训练集得到的训练结果更精确。

需要说明的是，数据扩充的方式并不局限于镜像翻转增强，还可以为其他数据扩充方式，只要是使数据增强的结果和过程满足训练集的要求即可。还需要说明的是，镜像翻转增强也不局限于一倍，还可以为两倍、三倍，都是根据具体实际情况来自行设定和修改的。

于本发明的具体实施例中，按照第一预设比例从糖尿病肾病病人的眼底影像提取部分糖尿病肾病病人的眼底影像作为第一眼底影像，按照第二预设比例从所述非糖尿病肾病病人的眼底影像提取部分非糖尿病肾病病人的眼底影像作为第二眼底影像，其中选取之后，第一眼底影像477张，第二眼底影像176 张，总计653张。裁剪和缩放处理过程为：所述第一眼底影像和所述第二眼底影像图像像素分为4496*3000和2144*1424两种，经过裁剪和放缩处理整体转化为224*224大小，以满足网络训练输入的要求，由于受试人群的眼底影像原始图像尺寸大小不同且卷积神经网络模型输入数据采用正方形图像作为输入，故对眼底影像原始图像特征区域进行裁剪，由于卷积神经网络的网络层数较深，卷积计算量较大，而受试人群的眼底影像原始数据的尺寸比较大，为满足模型输入的要求进行了整体放缩。总之，本发明技术方案的糖尿病肾病-非糖尿病肾病鉴别诊断装置中，应用的是图像深度学习方法，在训练之前，眼底影像数据经过裁剪及放缩整合至统一大小，以满足本发明的糖尿病肾病-非糖尿病肾病鉴别诊断装置中训练处理过程。

通过裁剪和放缩处理，能够将眼底图像的尺寸调整至规定的尺寸(例如像素尺寸)例如224×224，256×256、512×512、1024×1024等。然而，本实施方式不限于此，根据特定需要，眼底影像的尺寸也可以是任意其他规格的大小(像素大小)例如128×128、768×768、2048×2048等。

需要说明的是，本发明中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本发明的下面描述中涉及的小标题等并不是为了限制本发明的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。

于本发明的具体实施例中，如图1所示，还包括根据鉴别诊断装置输出鉴别报告的输出装置3，自动鉴别模块2与输出装置3电信号连接。即，图像采集模块采集到待检测病人的眼底影像，自动鉴别模块根据所述图像采集模块采集到的待检测病人的眼底影像进行糖尿病肾病-非糖尿病肾病鉴别，从而通过输出装置输出鉴别报告以展示待检测病人是糖尿病肾病还是非糖尿病肾病，简单方便，能够初步对待检测病人进行分检，减少医生的工作压力、提高检查进度、减轻病人痛苦，能够更加快速、准确的为病人服务。

输出装置可以为是计算机硬件系统的终端设备，用于接收计算机数据的输出显示、打印、声音、控制外围设备操作等。也是把各种计算结果数据或信息以数字、字符、图像、声音等形式表现出来。常见的输出设备有显示器、打印机、绘图仪、影像输出系统、语音输出系统、磁记录设备等，需要说明的是，本发明中输出装置不局限于显示器、打印机，还可以为其他能够输出判定结果的设备。

自动鉴别模块中训练采用VGGNet模型和GPU的方式进行训练。GPU即图形处理器，是专为执行复杂的数学和几何计算而设计的，GPU特别适合于大规模并行运算，在深度学习领域一直发挥着巨大的作用，深度学习所依赖的是神经系统网络，就是要在高速的状态下分析海量的数据，GPU能够迅速高效地实现海量数据的快速处理。VGG卷积神经网络是牛津大学计算机视觉实验室参加ILSVRC比赛的网络结构，该模型以较深的网络结构，较小的卷积核和池化采样域，使得其能够在获得更多图像特征的同时控制参数的个数，避免过多的计算量以及过于复杂的结构。

VGGNet一共有六种不同的网络结构，每种网络结构都有自己的特征优势，其中，VGG16训练效果和VGG19相差无几，并且VGG16模型比VGG19网络的参数更少，训练速度更快，具体的VGG网络结构如图3所示。

于本发明的具体实施例中，VGGNet模型为VGG16模型或VGG19模型，训练速度更快，提高检查进度、减轻病人痛苦，能够更加快速、准确的为病人服务。

于本发明的具体实施例中，VGGNet模型采用Cross Entropy Loss(交叉熵损失)和SoftMax做二分类，采用Batch Size为16的小批次训练方式，共训练200个Epoch，优化器采用Adam自适应梯度优化器，自适应梯度优化器的引入，能够避免因训练时的梯度下降算法会出现一些梯度停滞的情况，避免模型过早收敛，采用Drop Out(0.5)方法随机删除神经元，能够有效防止模型训练出现过拟合现象，且能够有效抵抗网络过拟合。具体的，损失函数：在深度学习中，损失函数扮演着至关重要的角色。通过对最小化损失函数，使模型达到收敛状态，减少模型预测值的误差，本发明的具体实施例的模型输出层采用Cross EntropyLoss(交叉熵损失)+SoftMax做二分类；在深度学习模型中，构建的模型中包含很多层，Cross Entropy Loss(交叉熵损失)属于本发明的具体实施例的模型的最后一层，称之为输出层做分类使用。于本发明的具体实施例中，CNN卷积神经网络对原始糖网眼底图像进行卷积操作，再经过多个隐藏层的卷积之后，会将每个图像的核心特征提取转化成为一个一维向量，将该向量传入输出层之后，经过Cross Entropy Loss计算，得出预测类别与真实类别(该项目中分为阴性、阳性)之间的差异(loss)，进而将该loss反向传播求导，再经过大量训练之后，预测标签与真标签将逐渐逼近。

具体的交叉熵损失计算公式为：

交叉熵损失函数的引入能够让预测值逐渐逼近真实值，其最终产生的是每个分类标签对应的概率(该项目中为二分类)，其中最大概率的作为最终预测标签。于本发明的具体实施例中，为了防止模型训练出现过拟合现象，采用Drop Out(0.5)方法随机删除神经元，能够有效抵抗网络过拟合；关于批次训练，于本发明的具体实施例中，采用Batch Size为16的小批次训练方式，共训练200个Epoch，从而将数据拆分成很多小批次，每个批次都具有相同数量的数据，然后使用每个批次更新权重，使模型能力泛化并提升训练速度。BatchSize为16的小批次训练方式是根据经验加调参最终定的，一般针对于数据量较大的情况会选取64,128等，但是本发明具体实施例由于数据量相对较小，采用16。

需要说明的是，Batch Size小批次训练方式并不局限于16，还可以为其他数据，具体可以根据实际需求进行参数调整，都在本发明的保护范围之内。

于本发明的具体实施例中，采用Adam自适应梯度优化器，betas＝(0.9， 0.99)，能够针对训练时的梯度下降算法会出现一些梯度停滞的情况，避免模型过早收敛，关于学习率方面，于本发明的具体实施例中，采用WarmUp方式在模型训练初期动态调整梯度下降步长，能够防止在模型训练初期阶段由于学习率过大导致梯度爆炸等一系列问题。于本发明的具体实施例中，采用批归一化的方式，即，对于模型每一个中间层的输出进行归一化处理(Batch Normalization)，使得输出分布相同，避免特征分散导致模型收敛过慢问题。

如图5所示，本发明的具体实施例中，为了保证模型评估指标的稳定性，采用五折交叉检验，在原始数据集上，进行5次划分，其中划分的方式为打乱顺序，随机划分5份，每次划分进行一次训练、评估，最后得到5次划分后的评估结果。针对五折交叉检验，对每次划分的数据进行训练和测试，并绘制了每次训练集和测试集的loss变化曲线。图6是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集1的loss曲线；图7是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集2的loss曲线；图8是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集3的loss曲线；图9是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集4的loss曲线；图10是本发明实施例中糖尿病肾病 -非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集5的loss曲线；可以看到训练集的loss基本都处于稳步下降状态，在经过不同轮的迭代训练之后，测试集对应的loss开始上升，此时模型达到最好的训练状态，五折数据分别训练的loss曲线如图6、图7、图8、图9和图10所示。

其中，深度学习模型在各类任务中的表现都需要定量的指标进行评估，才能够体现模型的泛化能力，对于分类问题，常用的模型评估指标如下：

(1)Accuracy(准确率)：被分对的样本数除以所有的样本数；

(2)ReCall(召回率)：所有正例中被分对的比例，衡量了分类器灵敏程度；

(3)F1 Score：是对准确率和召回率加权调和平均结果，体现模型泛化能力；

(4)AUC：ROC曲线下方面积，衡量模型泛化能力。

关于建模评估结果，于本发明的具体实施例中，针对五折交叉检验数据，分别计算每一批次样本的评估结果，如图11所示。其中批次1，Accuracy 为0.9157，ReCall为0.9110，F1为0.9405，AUC为0.9467。批次2，Accuracy 为0.9425，ReCall为0.9650，F1为0.9626，AUC为0.9673。批次3，Accuracy 为0.9349，ReCall为0.9731，F1为0.9551，AUC为0.9720。批次4，Accuracy 为0.9655，ReCall为0.9831，F1为0.9749，AUC为0.9883。批次5，Accuracy 为0.9198，ReCall为0.9548，F1为0.9476，AUC为0.9237。

如图12、图13、图14、图15、图16所示，本发明的具体实施例中，针对五折交叉检验数据，分别绘制每一批次样本的ROC曲线。图12是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集1的Roc曲线；图13是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集2的Roc曲线；图14是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集3的Roc曲线；图15是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集4的Roc曲线；图16是本发明实施例中糖尿病肾病-非糖尿病肾病鉴别诊断装置中五折交叉检验方法中子数据集5的Roc曲线。于本发明的具体实施例中，由于原始眼底病变图像标注分散及标注区域与分类判别指标并无强关联性，因此本发明具体实施例中，尝试采用整张图像经过处理作为输入进行训练，根据模型在五折交叉数据分别对应的测试集上的评估指标看出每项指标均能达到0.9以上，说明不同分类标签中对应的图像存在一定差异性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。