[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

说明书

本申请涉及人工智能技术领域，公开了一种视盘图像分类模型的训练方法，包括：基于MaskRCNN网络构建神经网络模型，并将MaskRCNN网络的Mask实例分割单元替换为图像质量检测单元；获取多个视盘图像样本，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，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，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；将视盘图像样本输入至神经网络模型中进行迭代训练，以得到所述视盘图像分类模型。本申请还涉及区块链技术领域。本申请还公开了一种视盘图像分类模型的训练装置、计算机设备以及计算机可读存储介质。本申请方便提高了对视盘图像检测的准确率。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种视盘图像分类模型的训练方法、视盘图像分类模型的训练装置、计算机设备以及计算机可读存储介质。

背景技术

青光眼、视盘水肿等病变会严重的影响视力，甚至造成失明等严重后果。由于青光眼、视盘水肿等病变隐匿性较强，初期无明显症状，早期筛查具有很大困难性。青光眼、视盘水肿等病变会导致视盘出现异常，例如青光眼患者视盘形态会出现异常的凹陷，视盘水肿患者的视盘会出现明显的隆起，视乳头炎患者的视盘会出现出血或肿胀。

目前，虽然深度学习已应用在对视盘图片的检测，在一定程度上提高了检测效率，但也存在因图像拍摄质量不好而导致对视盘图片检测的结果产生误判的情况。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明内容

本申请的主要目的在于提供一种视盘图像分类模型的训练方法、视盘图像分类模型的训练装置、计算机设备以及计算机可读存储介质，旨在解决如何避免因图像质量不合格而影响视盘图像的检测结果的情况发生，从而提高对视盘图像检测的准确率的问题。

为实现上述目的，本申请提供一种视盘图像分类模型的训练方法，包括以下步骤：

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，其中，所述图像质量检测单元用于区分所述图像质量合格样本和所述图像质量不合格样本；训练完成的所述神经网络模型用于对视盘图像进行分类。

进一步地，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。

进一步地，所述图像质量损失函数L_Q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。