[发明专利]用于检测眼底图片的模型训练方法、眼底图片的检测方法及装置有效
申请号: | 201910320422.X | 申请日: | 2019-04-19 |
公开(公告)号: | CN110070531B | 公开(公告)日: | 2021-05-07 |
发明(设计)人: | 张梦蕾 | 申请(专利权)人: | 京东方科技集团股份有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/10;G06K9/00 |
代理公司: | 北京中博世达专利商标代理有限公司 11274 | 代理人: | 申健 |
地址: | 100015 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 检测 眼底 图片 模型 训练 方法 装置 | ||
1.一种用于检测眼底图片的模型训练方法,其特征在于,包括:
将眼底图片训练集的N个眼底图片中的每个所述眼底图片,分割为M个超像素;N和M均为正整数;
根据M×N个所述超像素,训练得到第一网络模型;所述第一网络模型用于将输入的每个所述超像素,在输出时标识为关键像素或背景像素;
根据M×N个所述超像素中属于关键像素的所述超像素,训练得到第二网络模型;所述第二网络模型用于将输入的每个所述超像素,在输出时标识为病变或非病变;
其中,根据M×N个所述超像素,训练得到第一网络模型,包括:
构建深层神经网络;
每次选取M×N个所述超像素中的至少一个所述超像素,输入所述深层神经网络中;其中,M×N个所述超像素中的每个所述超像素已预先被标记为关键像素或背景像素;
将所述深层神经网络的输出结果与所述超像素预先的标记结果进行比较,训练所述深层神经网络的网络参数,直至所述深层神经网络在输出时,将所述超像素标识为关键像素或者背景像素的正确率达到第一阈值,得到所述第一网络模型;
其中,根据M×N个所述超像素,训练得到第二网络模型,包括:
构建卷积神经网络;所述卷积神经网络为残差网络和Inception网络的结合;
每次选取M×N个所述超像素中,属于关键像素的所有所述超像素中的至少一个所述超像素,输入所述卷积神经网络中;其中,属于关键像素的每个所述超像素已预先被标记为病变或非病变;将所述卷积神经网络的输出结果与属于关键像素的所述超像素预先的标记结果进行比较,训练所述卷积神经网络的网络参数,直至所述卷积神经网络的损失值减小到第二阈值,得到所述第二网络模型;所述卷积神经网络的输出结果包括将所述超像素标识为病变或非病变。
2.根据权利要求1所述的用于检测眼底图片的模型训练方法,其特征在于,所述深层神经网络为深度信念网络。
3.根据权利要求1所述的用于检测眼底图片的模型训练方法,其特征在于,将眼底图片训练集的N个眼底图片中的每个所述眼底图片,分割为M个超像素之前,所述用于检测眼底图片的模型训练方法还包括:
对所述眼底图片进行第一预处理;
所述第一预处理,包括:旋转、剪切、扭曲、缩放、调整色差、降低分辨率中的至少一种。
4.一种眼底图片的检测方法,其特征在于,包括:
将待检测眼底图片分割为P个超像素,并获取P个所述超像素一一对应的地址;
将该P个所述超像素输入由权利要求1-3任一项所述的用于检测眼底图片的模型训练方法得到的第一网络模型中,获取标识为关键像素的所述超像素;
将标识为关键像素的所述超像素输入由权利要求1-3任一项所述的用于检测眼底图片的模型训练方法得到的第二网络模型中,获取标识为关键像素且病变的所述超像素;
根据标识为关键像素且病变的所述超像素对应的地址,在所述待检测眼底图片找到该超像素的位置,并在所述待检测眼底图片上标识出该位置。
5.根据权利要求4所述的眼底图片的检测方法,其特征在于,将待检测眼底图片分割为P个超像素,并获取P个所述超像素一一对应的地址之前,所述眼底图片的检测方法还包括:
对所述待检测眼底图片进行第二预处理;
所述第二预处理,包括:剪切和缩放中的至少一种。
6.一种计算机设备,其特征在于,包括存储单元和处理单元;所述存储单元中存储可在所述处理单元上运行的计算机程序;所述处理单元执行所述计算机程序时实现如权利要求1-3任一项所述的用于检测眼底图片的模型训练方法或如权利要求4-5任一项所述的眼底图片的检测方法。
7.一种计算机可读介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-3任一项所述的用于检测眼底图片的模型训练方法或如权利要求4-5任一项所述的眼底图片的检测方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于京东方科技集团股份有限公司,未经京东方科技集团股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910320422.X/1.html,转载请声明来源钻瓜专利网。