[发明专利]模型训练方法、杯盘比确定方法、装置、设备及存储介质

权利要求书

1.一种视杯视盘分割模型训练方法，其特征在于，包括：

获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；

将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；

对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；

分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；

根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。

2.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述分别计算分割损失函数的数值和投影损失函数的数值，包括：

基于所述预测的视杯视盘分割图像和对应的图像标签，利用分割损失函数公式计算分割损失函数的数值；

所述分割损失函数公式为：

L_seg＝-[y_truelogy_pred+(1-y_true)log(1-y_pred)]

其中，L_seg表示分割损失函数的数值，y_pred表示预设的神经网络根据样本图像预测出的视杯视盘分割图像，y_true表示所述样本图像对应的图像标签。

3.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述分别计算分割损失函数的数值和投影损失函数的数值，包括：

基于所述标签投影值和所述图像投影值，利用投影损失函数公式计算投影损失函数的数值；

所述投影损失函数公式为：

L_proj＝||p_true-p_pred||₂

其中，L_proj表示投影损失函数的数值，p_true表示标签投影值，p_pred表示图像投影值。

4.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述预设的神经网络包括特征提取层、卷积层和解码层；所述将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像，包括：

通过所述特征提取层对所述样本图像进行特征提取，以得到所述样本图像对应的第一特征图像；

通过所述卷积层对所述第一特征图像进行卷积操作，以得到代表视杯视盘分割图像的第二特征图像；

将所述第二特征图像输入所述解码层，以得到预测的视杯视盘分割图像。

5.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，在所述将所述样本数据输入预设的神经网络之前，所述方法包括：

对所述样本图像进行预处理，所述预处理包括伸缩处理。

6.一种基于神经网络的杯盘比确定方法，其特征在于，包括：

获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域；

将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，所述视杯视盘分割模型为采用权利要求1至5中任一项所述的视杯视盘分割模型训练方法训练得到的模型；

基于所述视杯视盘分割图像确定杯盘比。