1.一种基于深度残差网络的糖尿病性视网膜病变检测的方法，其特征在于包括如下步骤：

步骤1：数据集的筛选；

步骤2：眼底图像的预处理，

步骤3：数据集扩充，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；

步骤4：数据集标签的制作；

步骤5：训练集和测试集的构建；

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％；

步骤6：卷积神经网络的搭建；

步骤7：网络训练；

步骤8：网络测试；

步骤1所述的数据集的筛选，具体实现如下：数据集的来源是糖尿病视网膜病变检测竞赛中使用的测试集；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；该数据集中，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；

步骤2所述的眼底图像的预处理，具体步骤如下：

2‑1.加载眼底图像并估计眼球的半径；

2‑2.将较大的半径作为目标半径，根据目标半径对原图像进行剪裁；

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；

2‑4.消除图像模糊的边界效应，移除眼底图像10％的外圆；

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；

步骤2‑1中眼球半径的估计实现如下：(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；

(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；

(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；

(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；

步骤4所述的数据集标签的制作，具体实现如下：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；

步骤6所述的卷积神经网络的搭建，具体步骤如下：

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层以及1个跳跃连接层组成，最后有1个激活函数层；

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；

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、一个卷积层、BN层、一个激活函数层和一个最大池化层；然后紧跟1个具有升维功能的残差模块Ⅰ、2个基本的残差模块、1个具有升维功能的残差模块Ⅱ、3个基本的残差模块、1个具有升维功能的残差模块Ⅲ、5个基本的残差模块、1个具有升维功能的残差模块Ⅳ以及2个基本的残差模块构成，最后由一个激活函数层和一个平均池化层构成，网络前端输出的尺寸为1*1*2048；

其中补零层参数为3*3；卷积层中滤波器个数为64，卷积核尺寸为7*7，步长为2*2；BN层中axis值为3，momentum值为0.99，epsilon值为0.001；最大池化层中卷积核尺寸为3*3，步长为2*2，补零为valid，输出尺寸为128*128*64；残差模块Ⅰ的输出尺寸为63*63*256；残差模块Ⅱ的输出尺寸为32*32*512；残差模块Ⅲ的输出尺寸为16*16*1024；残差模块Ⅳ的输出尺寸为8*8*2048；平均池化层的卷积核尺寸为7*7，步长为7*7，补零为valid；

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Ⅰ，1个Dropout层，1个全连接层Ⅱ以及1个全连接层Ⅲ，网络最终输出的尺寸为3*1；

全连接层Ⅰ的节点数为36，激活函数为relu；Dropout层的rate为0.25；全连接层Ⅱ的节点数为26，激活函数为relu；全连接层Ⅲ的节点数为3，激活函数为softmax；

步骤7所述的网络训练，网络使用的损失函数为交叉熵CrossEntropy，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；

步骤8所述的网络测试，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。