[发明专利]基于眼底图像的异常识别方法、装置、设备及存储介质

权利要求书

1.一种基于眼底图像的异常识别方法，其特征在于，包括：

获取眼底图像；

将所述眼底图像输入到预先训练好的二分类模型，获取所述二分类模型响应所述眼底图像而输出的是否为高度近视的眼底图像的判断结果；

将判断结果确认为高度近视的眼底图像输入到预先训练好的异常检测模型中，获取所述异常检测模型响应所述高度近视的眼底图像而输出的识别结果，所述识别结果包括所述高度近视的眼底图像中包含异常或不包含异常；

基于所述识别结果，输出检测结论。

2.根据权利要求1所述的基于眼底图像的异常识别方法，其特征在于，所述将所述眼底图像输入到预先训练好的二分类模型，获取所述二分类模型响应所述眼底图像而输出的是否为高度近视的眼底图像的判断结果的步骤具体包括：

将所述眼底图像输入到预先训练好的二分类模型，进行特征提取和特征分类；

基于所述特征提取和特征分类，输出所述眼底图像属于高度近视类别的概率；

将输出所述眼底图像属于高度近视类别的概率与预设阈值进行比较；

若概率高于预设阈值，则判断结果为高度近视的眼底图像；

若概率小于或等于预设阈值，则判断结果为非高度近视的眼底图像。

3.根据权利要求1所述的基于眼底图像的异常识别方法，其特征在于，所述方法还包括：

获取标记有高度近视的样本图像和非高度近视的样本图像；

将所述标记有高度近视的样本图像和非高度近视的样本图像分别按预设比例随机组成训练样本集和测试样本集，所述训练样本集和测试样本集中均包含至少一个高度近视的样本图像和至少一个非高度近视的样本图像，其中，训练样本集的高度近视样本图像和非高度近视样本图像的比例大于测试样本集的高度近视样本图像和非高度近视样本图像的比例；

将训练样本集和测试样本集分别输入到设置好初始参数的二分类模型进行训练，记录训练样本集每一个训练回合的损失函数值，并基于训练样本集中的训练回合个数和损失函数值绘制训练损失函数曲线图，记录测试样本集每一个训练回合的损失函数值，并基于测试样本集中训练回合个数和损失函数值绘制测试损失函数曲线图；

确定训练损失函数是否收敛；

在训练损失函数收敛时，选取训练损失函数曲线图和测试损失函数曲线图相交的交点中训练损失函数值最小、且确保所述交点后的测试损失函数值维持平稳所对应的训练回合下的参数模型作为训练好的二分类模型。

4.根据权利要求3所述的基于眼底图像的异常识别方法，其特征在于，所述确定训练损失函数是否收敛的步骤具体包括：

当训练损失函数曲线图逐渐降低直到基本保持平稳不再降低时，确定训练损失函数收敛；

当达到预设训练回合个数，训练损失函数仍无法收敛时，增加训练回合个数至训练损失函数收敛为止。

5.根据权利要求1所述的基于眼底图像的异常识别方法，其特征在于，所述预先训练好的异常检测模型通过以下步骤进行训练：

获取标注有异常区域的高度近视眼底图像样本；

将眼底图像样本按照预设比例随机分成训练集和验证集，其中训练集中的眼底图像的数量比验证集的眼底图像的数量多；

将训练集输入到YOLOv3模型进行训练，直到达到预设的迭代次数停止训练；

记录训练集每一次迭代的损失函数值，并基于训练集中的迭代次数和损失函数值绘制训练损失函数曲线图，确定损失函数收敛时所对应的迭代次数的合格范围；

将验证集的每一张图像输入迭代次数在合格范围内的每一个YOLOv3网络模型；

选取识别效果最好的迭代次数值对应的YOLOv3网络模型作为训练好的异常检测模型。

6.根据权利要求5所述的基于眼底图像的异常识别方法，其特征在于，所述获取标注有异常区域的高度近视眼底图像样本的步骤之前，还包括：

获取有异常的高度近视眼底图像作为训练样本；

利用图像标注工具在每个图像中框选出异常区域，得到VOC格式的xml文件；

将xml文件转换为YOLO格式的txt文件。