[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

说明书

本发明的实施例提供一种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，涉及计算机视觉信息领域，可以提高检测的速度和准确度。一种用于检测眼底图片的模型训练方法，包括：将眼底图片训练集的N个眼底图片中的每个眼底图片，分割为M个超像素；N和M均为正整数；根据M×N个超像素，训练得到第一网络模型；第一网络模型用于将输入的每个超像素，在输出时标识为关键像素或背景像素；根据M×N个超像素中属于关键像素的超像素，训练得到第二网络模型；第二网络模型用于将输入的每个超像素，在输出时标识为病变或非病变。

技术领域

本发明涉及计算机视觉信息领域，尤其涉及一种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。

背景技术

眼底是眼球内后部的组织，眼底的图片即眼底图片。眼底图片可用于诊断诸如青光眼、眼底黄斑性病变等眼底疾病，也可以为诊断糖尿病、高血压等疾病提供参考依据。

目前，医生对眼底病变的识别诊断过程较长，并且对于初期的微小病变，也容易误诊或漏诊。而通过计算机视觉技术对眼底图片进行分析，不仅可以为协助医生快速诊断，也可以降低误诊、漏诊的概率。

发明内容

本发明的实施例提供一种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，可以提高检测的速度和准确度。

为达到上述目的，本发明的实施例采用如下技术方案：

一方面，本发明的实施例提供了一种用于检测眼底图片的模型训练方法，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。

可选地，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。

进一步可选地，所述深层神经网络为深度信念网络。

可选地，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，包括：构建卷积神经网络；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。

进一步可选地，所述卷积神经网络为残差网络和Inception网络的结合。

可选地，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。