[发明专利]视网膜OCT体数据识别方法及装置

权利要求书

1.一种视网膜OCT体数据识别方法，其特征在于，包括：

获取待识别图像，所述待识别图像为视网膜OCT体数据图像；对所述待识别图像进行处理，获得目标待识别图像，所述目标待识别图像为视网膜OCT体数据的多个二维切片图像；

根据目标卷积神经网络对所述目标待识别图像进行识别，获得所述目标待识别图像的识别结果；根据待识别图像的每个目标待识别图像的识别结果，给出待识别图像的识别结果；所述待识别图像的识别结果用于表征待识别图像为正常或异常，所述目标卷积神经网络是基于样本二维切片图像、对应的识别结果标签和基于自监督迭代学习的卷积神经网络训练算法预先训练得到；

其中，所述目标卷积神经网络的基于自监督迭代学习的训练过程包括：

获取训练样本集，所述训练样本集包括多个样本视网膜OCT体数据图像；

对所述训练样本集中的图像进行处理，获得目标训练样本集；所述目标训练样本集包括多个样本二维切片图像，所述样本二维切片图像具有初始标签；

利用自监督迭代学习的方法，利用训练样本图像和初始标签训练卷积神经网络，获得候选卷积神经网络；

利用候选卷积神经网络对训练样本图像进行重新分类，根据聚类或阈值过滤的方法，对训练样本图像进行重标签；

反复迭代训练与重标签的流程，直至满足训练终止条件，得到最终的目标卷积神经网络；

其中，训练条件包括：

与上一个迭代步相比，当前迭代步所得的候选卷积神经网络在目标训练样本集上的识别正确率的提高幅度小于阈值；其中，所述识别正确率是根据验证样本集中的图像的识别结果标签和验证样本集中的图像的识别结果获得的；所述验证样本集包括多个验证样本二维切片图像。

2.根据权利要求1所述的方法，其特征在于，所述根据待识别图像的每个目标待识别图像的识别结果，给出待识别图像的识别结果，之后还包括：

对于每个待识别图像，统计各个异常类别的识别结果对应的目标待识别图像的数量，获得数量最多的某一异常类别；

若所述异常类别所占的目标待识别图像数量占全部目标待识别图像的数量的比例超过一定上限，则将所述待识别图像的识别结果更新为所述异常类别，否则，将所述待识别图像的识别结果更新为正常。

3.根据权利要求1所述的方法，其特征在于，所述对所述训练样本集中的图像进行处理，获得目标训练样本集，包括：

对训练样本集中的图像进行预处理，获得预处理训练样本集；

对所述预处理训练样本集中的图像进行归一化处理，获得归一化训练样本集；

对所述归一化训练样本集中的各个图像设置对应的识别结果标签，获得所述目标训练样本集；

对应地，

所述对所述待识别图像进行处理，获得多个目标待识别图像，包括：

对所述待识别图像进行预处理，获得预处理图像；

对所述待识别图像进行归一化处理，获得归一化图像；

对所述归一化图像设置对应的识别结果标签，获得所述目标待识别图像。

4.根据权利要求1所述的方法，其特征在于，所述利用候选卷积神经网络对训练样本图像进行重新分类，根据聚类或阈值过滤的方法，对训练样本图像进行重标签，包括：

将所述目标训练样本集中的图像输入至候选卷积神经网络重新进行分类，获得识别结果标签类别的置信概率；

对于识别结果标签为异常的目标训练样本集图像，若所述置信概率超过预设阈值，则保持所述识别结果标签不变；否则，则将所述识别结果标签更新为正常；对于识别结果标签为正常的目标训练样本集图像不作处理。

5.根据权利要求4所述的方法，其特征在于，所述利用候选卷积神经网络对训练样本图像进行重新分类，根据聚类或阈值过滤的方法，对训练样本图像进行重标签，还包括：

将所述目标训练样本集中的图像分为两组，获取每组图像的平均置信概率；

对于平均置信概率较高的组，维持组内图像的识别结果标签不变；对于平均置信概率较低的组，将组内图像的识别结果标签更新为正常。

6.根据权利要求1所述的方法，其特征在于，所述训练过程还包括：预设卷积神经网络训练参数，包括预设分类器类型和预设训练终止条件；所述预设分类器类型为多分类。