[發(fā)明專利]一種視盤黃斑聯(lián)合定位模型的確定方法、裝置及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201910959317.0
• 申請日: 2019-10-10
• 公開（公告）號: CN110739071B
• 公開（公告）日: 2022-05-31
• 發(fā)明（設計）人: 楊焯雅;何希僖
• 申請（專利權(quán)）人: 北京致遠慧圖科技有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N20/00;G06N3/08;G06N3/04
• 代理公司: 北京辰權(quán)知識產(chǎn)權(quán)代理有限公司 11619
• 代理人: 孫瑞峰

1.一種視盤黃斑聯(lián)合定位模型的確定方法，其特征在于，包括：

將樣本眼底圖像輸入至機器學習模型中，確定樣本眼底圖像中的一個或多個視盤ROI區(qū)域和一個或多個黃斑ROI區(qū)域；

基于所述一個或多個視盤ROI區(qū)域的位置信息和所述一個或多個黃斑ROI區(qū)域的位置信息，確定聯(lián)合損失，包括：

基于所述一個或多個視盤ROI區(qū)域?qū)囊粋€或多個中心，確定所述一個或多個視盤ROI區(qū)域的平均中心，基于所述一個或多個黃斑ROI區(qū)域?qū)囊粋€或多個中心，確定所述一個或多個黃斑ROI區(qū)域的平均中心；

確定所述兩個平均中心的距離值和兩個平均中心的連線與水平方向的夾角值；

基于所述距離值和所述夾角值，確定空間損失；

將空間損失按一定比例加入原有損失中，確定聯(lián)合損失；

基于所述聯(lián)合損失，迭代訓練所述機器學習模型。

2.如權(quán)利要求1所述的方法，其特征在于，所述一個或多個視盤ROI區(qū)域為概率大于閾值K的一個或多個視盤ROI區(qū)域，所述一個或多個黃斑ROI區(qū)域為概率大于閾值K的一個或多個黃斑ROI區(qū)域。

3.如權(quán)利要求1所述的方法，其特征在于，所述基于所述一個或多個視盤ROI區(qū)域的位置信息和所述一個或多個黃斑ROI區(qū)域的位置信息，確定聯(lián)合損失，包括：

確定所述一個或多個視盤ROI區(qū)域中的任意一個視盤ROI區(qū)域，作為第一區(qū)域，確定所述第一區(qū)域的中心，作為第一中心，以及確定所述一個或多個黃斑ROI區(qū)域中的任意一個黃斑ROI區(qū)域，作為第二區(qū)域，確定所述第二區(qū)域的中心，作為第二中心；

確定所述第一中心與所述第二中心的距離值和所述第一中心與所述第二中心的連線與水平方向的夾角值；

基于所述確定的一個或多個距離值，確定平均距離值，基于所述確定的一個或多個夾角值，確定平均夾角值；

基于所述平均距離值和所述平均夾角值，確定空間損失，所述空間損失包括所述平均距離值和所述平均夾角值；

將空間損失按一定比例加入原有損失中，確定聯(lián)合損失。

4.如權(quán)利要求2所述的方法，其特征在于，所述空間損失包括距離損失和角度損失，其特征在于，所述基于所述距離值和所述夾角值，確定空間損失，包括：

當所述距離值小于預設的距離下界時，將所述距離下界與所述距離值的差值作為距離損失；

當所述距離值大于預設的距離上界時，將所述距離值與所述距離上界的差值作為距離損失；

當所述夾角值大于預設的角度上界時，將所述夾角值與所述角度上界的差值作為角度損失。

5.如權(quán)利要求3所述的方法，其特征在于，所述空間損失包括距離損失和角度損失，其特征在于，所述基于所述平均距離值和所述平均夾角值，確定空間損失，包括：

當所述平均距離值小于預設的距離下界時，將所述距離下界與所述平均距離值的差值作為距離損失；

當所述平均距離值大于預設的距離上界時，將所述平均距離值與所述距離上界的差值作為距離損失；

當所述平均夾角值大于預設的角度上界時，將所述平均夾角值與所述角度上界的差值作為角度損失。

6.如權(quán)利要求1-5任一所述的方法，其特征在于，所述機器學習模型為深度神經(jīng)網(wǎng)絡模型。

7.一種視盤黃斑聯(lián)合定位模型的確定裝置，其特征在于，包括：

ROI確定單元，用于將樣本眼底圖像輸入至機器學習模型中，確定樣本眼底圖像中的一個或多個視盤ROI區(qū)域和一個或多個黃斑ROI區(qū)域；

聯(lián)合損失確定單元，用于基于所述一個或多個視盤ROI區(qū)域的位置信息和所述一個或多個黃斑ROI區(qū)域的位置信息，確定聯(lián)合損失，包括：基于所述一個或多個視盤ROI區(qū)域?qū)囊粋€或多個中心，確定所述一個或多個視盤ROI區(qū)域的平均中心，基于所述一個或多個黃斑ROI區(qū)域?qū)囊粋€或多個中心，確定所述一個或多個黃斑ROI區(qū)域的平均中心；確定所述兩個平均中心的距離值和兩個平均中心的連線與水平方向的夾角值；基于所述距離值和所述夾角值，確定空間損失；將空間損失按一定比例加入原有損失中，確定聯(lián)合損失；

迭代單元，用于基于所述聯(lián)合損失，迭代訓練所述機器學習模型。