用AI助力医疗诊断：基于昇思MindpSore实现角膜溃疡类型识别

由于各种电子产品的大量使用，现如今近视的群体不断扩大，向着低龄化发展，由于未成年人正处于身体发育期，所以近视度数增长较快，市场上除了框架眼镜，还有角膜接触镜，而对于角膜接触镜佩戴者，会有角膜溃疡的发生风险。本次案例将基于昇思MindSpore AI框架来对角膜溃疡的类型进行识别，根据荧光素染色后表现的形状分为点状、点片混合和片状角膜溃疡。

项目代码：https://xihe.mindspore.cn/projects/G_washington/mindspore_corn

案例实践

1、神经网络模型介绍：ResNet50

本次案例使用的是ResNet50，该模型是2015年由微软实验室的何恺明提出，在该网络模型提出之前，传统的神经网络随着网络层数的不断叠加，出现了网络退化问题，而残差网络提出的残差网络结构(Residual Network)，主要就是用来减轻退化问题。

ResNet系列的网络结构

残差网络结构由两个分支构成：一个主分支，一个shortcuts（图中弧线表示）。主分支通过堆叠一系列的卷积操作得到，shotcuts从输入直接到输出，主分支输出的特征矩阵$F(x)$加上shortcuts输出的特征矩阵$x$得到$F(x)+x$，通过Relu激活函数后即为残差网络最后的输出。该残差网络结构主要由两种，一种是Building Block，适用于较浅的ResNet网络；另一种是Bottleneck，适用于层数较深的ResNet网络。

残差网络结构

2、案例简介

首先要导入mindspore模块库，需要用到dataset、vision和download。

设置超参，包括学习率，动量、训练批次、训练周期数等等。

数据集是自己构建的，官方并没有直接的接口加载，需要将数据集创建为树状结构，然后使用dataset.ImageFolderDataset接口来加载数据集，MindSpore框架采用dataset.transforms接口来进行数据增强，可以进行各种数据处理操作。

ResNet50使用的残差结构是Bottleneck，该结构使用的参数数量更少，该结构的主分支有三层卷积结构，分别为1*1的卷积层、3*3卷积层和1*1的卷积层，其中1*1的卷积层分别起降维和升维的作用。

重写ResNet类的init和construct函数，将各种结构和层级堆积在一起，构成resnet50网络。

模型训练结果如下:

项目总结

角膜溃疡的形状识别，能够帮助眼科医生做出初步的筛选，减轻工作量，更好的帮助医生做出诊断，其他用户可以在此基础上，进行优化，然后可以将分类更加的细化，也可以基于数据，将角膜溃疡进行其他的分类，做出更加准确的判断。