[发明专利]基于眼底图像的糖尿病分类方法及设备

说明书

本发明提供一种基于眼底图像的糖尿病分类方法及设备，所述方法包括获取用户的眼底图像；利用机器学习模型对所述眼底图像进行识别，至少输出糖尿病分类结果。本发明的机器学习模型在训练过程中引入多种糖尿病相关信息对分类性能进行优化，所使用的样本数据包括眼底图像、多种糖尿病相关信息和糖尿病类型信息，训练过程中模型根据输出的评估结果与样本数据中的多种糖尿病相关信息和糖尿病类型信息调整自身的参数，由此使其输出的分类结果更加准确。

技术领域

本发明涉及医疗图像分析领域，具体涉及一种基于眼底图像的糖尿病分类方法及设备。

背景技术

近年来机器学习技术在医学领域得到了广泛的应用，尤其以深度学习为代表的机器学习技术在医疗影像领域被广泛关注。在眼底图像检测方面，深度学习技术可以较为准确的检测出眼底图像某一特征，如利用大量糖尿病患者的眼底图像样本对深度学习模型进行训练，利用训练后的模型即可对眼底图像进行糖尿病检测。

申请号201810387302.7的中国专利公开了一种基于机器学习的眼底图像检测方法,该方法先对眼底图像的整体区域进行显著度较高的特征检测，由此完成明显的疾病特征识别，再对特定区域进行显著度较低的特征检测，完成进一步的疾病特征识别。该方法将特征种类繁多的眼底图像先进行大分类，对于不存在明显特征的图像中再进行分区的精细检测，分步串联检测，独立输出检测结果，可以实现同时精确的检测明显的特征和微小的特征。该方案适用于同时对多个病种进行识别，比如检测眼底图像是否具有青光眼、黄斑裂孔、糖尿病等多个可能不相关的疾病特征而得到相应的分类，并不适合单一疾病的分类。

发明内容

有鉴于此，本发明提供一种糖尿病分类模型构建方法，包括：

获取样本数据，包括眼底图像、多种糖尿病相关信息和糖尿病类型信息；利用大量所述样本数据对机器学习模型进行训练，使其输出评估结果，所述评估结果至少包括对应于所述糖尿病类型信息的糖尿病分类结果，所述机器学习模型包括特征提取网络和至少一个输出网络，其中所述特征提取网络用于从所述眼底图像中提取特征信息，所述至少一个输出网络用于分别根据所述特征信息输出所述评估结果；所述机器学习模型根据输出的所述评估结果与样本数据中的多种糖尿病相关信息和糖尿病类型信息调整自身的参数。

可选地，所述机器学习模型只有一个输出网络，用于根据所述特征信息和所述多种糖尿病相关信息输出所述糖尿病分类结果。

可选地，所述输出网络有多个，其中一个输出网络用于输出所述糖尿病分类结果，其它输出网络用于分别输出与所述多种糖尿病相关信息相应的识别结果；

所述机器学习模型根据输出的所述评估结果与样本数据中的多种糖尿病相关信息和糖尿病类型信息调整自身的参数，包括：

根据所述糖尿病分类结果与样本数据中的糖尿病类型信息的差异确定第二损失值；

根据所述识别结果与样本数据中的糖尿病相关信息的差异确定第三损失值；

根据所述第二损失值和所述第三损失值确定第一损失值；

所述机器学习模型根据所述第一损失值调整自身参数。

可选地，所述其它输出网络包括分类网络和/或回归网络；

所述分类网络输出的识别结果为分类结果，所述分类结果与所述样本数据中相应的糖尿病相关信息的差异通过交叉熵函数进行表示；

所述回归网络输出的识别结果为数值，所述回归结果与所述样本数据中相应的糖尿病相关信息的差异通过误差函数进行表示。

可选地，所述机器学习模型至少根据所述第一损失值调整所述特征提取网络的参数。

可选地，所述机器学习模型还根据所述第二损失值调整相应的输出网络的参数，以及分别根据所述第三损失值调整相应的输出网络的参数。