[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

本申請涉及人工智能技術領域，公開了一種視盤圖像分類模型的訓練方法，包括：基于MaskRCNN網絡構建神經網絡模型，并將MaskRCNN網絡的Mask實例分割單元替換為圖像質量檢測單元；獲取多個視盤圖像樣本，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，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，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；將視盤圖像樣本輸入至神經網絡模型中進行迭代訓練，以得到所述視盤圖像分類模型。本申請還涉及區塊鏈技術領域。本申請還公開了一種視盤圖像分類模型的訓練裝置、計算機設備以及計算機可讀存儲介質。本申請方便提高了對視盤圖像檢測的準確率。

技術領域

本申請涉及人工智能技術領域，尤其涉及一種視盤圖像分類模型的訓練方法、視盤圖像分類模型的訓練裝置、計算機設備以及計算機可讀存儲介質。

背景技術

青光眼、視盤水腫等病變會嚴重的影響視力，甚至造成失明等嚴重后果。由于青光眼、視盤水腫等病變隱匿性較強，初期無明顯癥狀，早期篩查具有很大困難性。青光眼、視盤水腫等病變會導致視盤出現異常，例如青光眼患者視盤形態會出現異常的凹陷，視盤水腫患者的視盤會出現明顯的隆起，視乳頭炎患者的視盤會出現出血或腫脹。

目前，雖然深度學習已應用在對視盤圖片的檢測，在一定程度上提高了檢測效率，但也存在因圖像拍攝質量不好而導致對視盤圖片檢測的結果產生誤判的情況。

上述內容僅用于輔助理解本申請的技術方案，并不代表承認上述內容是現有技術。

發明內容

本申請的主要目的在于提供一種視盤圖像分類模型的訓練方法、視盤圖像分類模型的訓練裝置、計算機設備以及計算機可讀存儲介質，旨在解決如何避免因圖像質量不合格而影響視盤圖像的檢測結果的情況發生，從而提高對視盤圖像檢測的準確率的問題。

為實現上述目的，本申請提供一種視盤圖像分類模型的訓練方法，包括以下步驟：

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，其中，所述圖像質量檢測單元用于區分所述圖像質量合格樣本和所述圖像質量不合格樣本；訓練完成的所述神經網絡模型用于對視盤圖像進行分類。

進一步地，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。

進一步地，所述圖像質量損失函數L_Q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。