[發明專利]視盤圖像分類模型的訓練方法、裝置、設備及存儲介質

在審

• 申請號: 202011549433.4
• 申請日: 2020-12-24
• 公開（公告）號: CN112651938A
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 王關政;范棟軼;王瑞;王立龍
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝;羅志強

1.一種視盤圖像分類模型的訓練方法，其特征在于，包括：

基于MaskRCNN網絡構建神經網絡模型，并將所述MaskRCNN網絡的Mask實例分割單元替換為圖像質量檢測單元；以及，

獲取多個視盤圖像樣本，其中，所述視盤圖像樣本包括圖像質量合格樣本和圖像質量不合格樣本，所述圖像質量合格樣本包括視盤圖像正常樣本和視盤圖像異常樣本，所述視盤圖像異常樣本包括青光眼圖像樣本和視盤水腫圖像樣本；

將所述視盤圖像樣本輸入至所述神經網絡模型中進行迭代訓練，直到所述神經網絡模型訓練完成，以得到所述視盤圖像分類模型，其中，所述圖像質量檢測單元用于對基于所述視盤圖像分類模型進行分類的視盤圖像作圖像質量判別，以使所述視盤圖像分類模型分類出圖像質量不合格的視盤圖像。

2.如權利要求1所述的視盤圖像分類模型的訓練方法，其特征在于，所述神經網絡模型采用的損失函數Loss為：

Loss＝0.4*L_Q+0.4*L_C+0.2*L_D

其中，所述L_Q為圖像質量損失函數，所述L_C為目標分類損失函數，所述L_D為位置回歸損失函數。

3.如權利要求2所述的視盤圖像分類模型的訓練方法，其特征在于，所述圖像質量損失函數L_O為：

L_Q＝-[y*[log(P₁)+log(P₂)]+(1-y)*[log(1-P₁)]]

其中，所述y為圖像質量標簽，包括質量合格標簽和質量不合格標簽；所述P₁為圖像質量分類的概率，包括圖像質量合格的概率和/或圖像質量不合格的概率；所述P₂為圖像中有無視盤圖像的標簽，包括有視盤圖像標簽和無視盤圖像標簽。

4.如權利要求1所述的視盤圖像分類模型的訓練方法，其特征在于，所述將所述視盤圖像樣本輸入至所述神經網絡模型中進行迭代訓練，直到所述神經網絡模型訓練完成，以得到所述視盤圖像分類模型的步驟之后，還包括：

將所述視盤圖像分類模型存儲至區塊鏈網絡。

5.如權利要求1-4中任一項所述的視盤圖像分類模型的訓練方法，其特征在于，所述將所述視盤圖像樣本輸入至所述神經網絡模型中進行迭代訓練，直到所述神經網絡模型訓練完成，以得到所述視盤圖像分類模型的步驟之后，還包括：

當采集到視盤圖像時，利用所述視盤圖像分類模型對所述視盤圖像進行分析，得到所述視盤圖像的分類結果，其中，所述分類結果為圖像質量不合格、視盤正常和視盤異常中的任一個。

6.如權利要求5所述的視盤圖像分類模型的訓練方法，其特征在于，所述當采集到視盤圖像時，利用所述視盤圖像分類模型對所述視盤圖像進行分析，得到所述視盤圖像的分類結果的步驟之后，還包括：

檢測到所述分類結果為圖像質量不合格時，輸出提示信息，所述提示信息用于提示重新采集視盤圖像。

7.如權利要求6所述的視盤圖像分類模型的訓練方法，其特征在于，所述視盤圖像利用眼科OCT設備采集；所述檢測到所述分類結果為圖像質量不合格時，輸出提示信息的步驟之后，還包括：

將所述分類結果對應的視盤圖像作為第一視盤圖像；

檢測到所述眼科OCT設備重新采集第二視盤圖像時，將所述第一視盤圖像作為所述圖像質量不合格樣本。