[發明專利]高度近視眼底病變圖像識別裝置

有效

• 申請號: 202011429632.1
• 申請日: 2020-12-07
• 公開（公告）號: CN112545452B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 楊衛華;李晗;萬程;蔣沁;曹國凡;張杰
• 申請（專利權）人: 南京醫科大學眼科醫院
• 主分類號: A61B3/12
• 分類號: A61B3/12
• 代理公司: 北京中知法苑知識產權代理有限公司 11226
• 代理人: 李明;趙吉陽

1.一種電子設備，其特征在于，包括：

至少一個處理器；以及，

與所述至少一個處理器通信連接的存儲器；其中，

所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行基于卷積神經網絡及知識蒸餾的高度近視眼底病變圖像識別；所述基于卷積神經網絡及知識蒸餾的高度近視眼底病變圖像識別包括：

獲取眼底圖像，隨機劃分訓練集和測試集數據；

對訓練集進行預處理，以達到數據增廣的目的，對測試集進行歸一化預處理；

利用知識蒸餾方法進行分類網絡模型的訓練，將訓練數據分別送入在ImageNet上預訓練好的教師網絡和待訓練的學生網絡；

將所述教師網絡輸出的軟標簽值與真實標簽值作為監督信息，分別與所述學生網絡輸出的預測值計算KL Loss和Focal Loss；

將兩種不同的Loss值加權求和，作為最終的損失函數，用于學生網絡的參數更新；

訓練好的學生網絡作為分類網絡模型，對眼底圖像測試集進行識別。

2.根據權利要求1所述的電子設備，其特征在于，所述預處理包括：對所述訓練集眼底圖像進行變換，將所述眼底圖像縮放到統一大小，在隨機方向上旋轉，并修改亮度、對比度和飽和度以實現色彩擾動，再對數據增廣后的所述訓練集眼底圖像進行標準化。

3.根據權利要求1或2所述的電子設備，其特征在于，還包括對所述測試集眼底圖像進行縮放和標準化的歸一化預處理。

4.根據權利要求1所述的電子設備，其特征在于：所述利用知識蒸餾方法進行分類網絡模型的訓練包括：先在數據庫ImageNet上訓練好教師網絡，所述教師網絡是多個深度卷積神經網絡的集成模型。

5.根據權利要求1或4所述的電子設備，其特征在于：所述學生網絡是主要由卷積模塊組成的卷積神經網絡。

6.根據權利要求5所述的電子設備，其特征在于：通過知識蒸餾，將教師網絡包含的知識轉移給學生網絡。

7.根據權利要求1所述的電子設備，其特征在于：所述計算KL Loss和Focal Loss的具體操作包括：引入所述教師網絡的輸出結果作為額外的監督信息，以KL Loss作為損失函數，訓練所述學生網絡使其輸出的預測值接近所述教師網絡輸出的軟標簽值（softlabels）。

8.根據權利要求1所述的電子設備，其特征在于：所述學生網絡的參數更新的具體操作包括：使用對KL Loss和Focal Loss加權求和后的損失函數作為網絡更新指標，每次迭代只需要更新學生網絡的參數，加權求和后的損失函數為：

其中，α為加權系數，q為教師網絡輸出的軟標簽值，p為學生網絡輸出的預測標簽值，y為輸入眼底圖像的真實標簽值，KL和FL分別代表所述KL Loss和Focal Loss兩種不同的損失計算函數。