[发明专利]视盘图像分类模型的训练方法、装置、设备及存储介质

权利要求书

1.一种视盘图像分类模型的训练方法，其特征在于，包括：

基于MaskRCNN网络构建神经网络模型，并将所述MaskRCNN网络的Mask实例分割单元替换为图像质量检测单元；以及，

获取多个视盘图像样本，其中，所述视盘图像样本包括图像质量合格样本和图像质量不合格样本，所述图像质量合格样本包括视盘图像正常样本和视盘图像异常样本，所述视盘图像异常样本包括青光眼图像样本和视盘水肿图像样本；

将所述视盘图像样本输入至所述神经网络模型中进行迭代训练，直到所述神经网络模型训练完成，以得到所述视盘图像分类模型，其中，所述图像质量检测单元用于对基于所述视盘图像分类模型进行分类的视盘图像作图像质量判别，以使所述视盘图像分类模型分类出图像质量不合格的视盘图像。

2.如权利要求1所述的视盘图像分类模型的训练方法，其特征在于，所述神经网络模型采用的损失函数Loss为：

Loss＝0.4*L_Q+0.4*L_C+0.2*L_D

其中，所述L_Q为图像质量损失函数，所述L_C为目标分类损失函数，所述L_D为位置回归损失函数。

3.如权利要求2所述的视盘图像分类模型的训练方法，其特征在于，所述图像质量损失函数L_O为：

L_Q＝-[y*[log(P₁)+log(P₂)]+(1-y)*[log(1-P₁)]]

其中，所述y为图像质量标签，包括质量合格标签和质量不合格标签；所述P₁为图像质量分类的概率，包括图像质量合格的概率和/或图像质量不合格的概率；所述P₂为图像中有无视盘图像的标签，包括有视盘图像标签和无视盘图像标签。

4.如权利要求1所述的视盘图像分类模型的训练方法，其特征在于，所述将所述视盘图像样本输入至所述神经网络模型中进行迭代训练，直到所述神经网络模型训练完成，以得到所述视盘图像分类模型的步骤之后，还包括：

将所述视盘图像分类模型存储至区块链网络。

5.如权利要求1-4中任一项所述的视盘图像分类模型的训练方法，其特征在于，所述将所述视盘图像样本输入至所述神经网络模型中进行迭代训练，直到所述神经网络模型训练完成，以得到所述视盘图像分类模型的步骤之后，还包括：

当采集到视盘图像时，利用所述视盘图像分类模型对所述视盘图像进行分析，得到所述视盘图像的分类结果，其中，所述分类结果为图像质量不合格、视盘正常和视盘异常中的任一个。

6.如权利要求5所述的视盘图像分类模型的训练方法，其特征在于，所述当采集到视盘图像时，利用所述视盘图像分类模型对所述视盘图像进行分析，得到所述视盘图像的分类结果的步骤之后，还包括：

检测到所述分类结果为图像质量不合格时，输出提示信息，所述提示信息用于提示重新采集视盘图像。

7.如权利要求6所述的视盘图像分类模型的训练方法，其特征在于，所述视盘图像利用眼科OCT设备采集；所述检测到所述分类结果为图像质量不合格时，输出提示信息的步骤之后，还包括：

将所述分类结果对应的视盘图像作为第一视盘图像；

检测到所述眼科OCT设备重新采集第二视盘图像时，将所述第一视盘图像作为所述图像质量不合格样本。