[发明专利]一种眼底图像质量增强模型的训练方法及装置

说明书

本申请适用于图像处理技术领域，提供了一种眼底图像质量增强模型的训练方法及装置，该方法包括：获取用于模型训练的第一眼底图像和第二眼底图像；对第一眼底图像进行质量退化处理，获得与第一眼底图像对应的第三眼底图像；采用第一眼底图像、第二眼底图像和第三眼底图像，对预设的眼底图像质量增强网络进行半监督训练；采用预设的对抗网络对半监督训练后的眼底图像质量增强网络进行对抗训练；基于预设的损失函数，计算眼底图像质量增强网络的损失值；当损失值满足预设条件时，停止对眼底图像质量增强网络的训练，得到最终的眼底图像质量增强模型。通过上述方法，能够获得性能更好的眼底图像质量增强模型。

技术领域

本申请属于图像处理技术领域，尤其涉及一种眼底图像质量增强模型的训练方法及装置。

背景技术

眼底图像对于眼底疾病的诊断有着重要意义，凭借着其成本低廉、易推广的优势，被广泛运用于各层级医疗机构。然而，由于眼底相机的传感器限制以及临床拍摄中光照等因素，眼底图像质量不均，而低质量眼底图像将会严重影响自动诊断算法(如：神经网络)的性能以及医生的判断。对于深度学习模型来说，其诊断及预测性能极度依赖训练数据的样本量及质量，低质量眼底图像无疑会严重干扰深度学习模型的准确性。而另一方面，眼底图像的获取成本非常高，在临床上很难对同一个病人进行多次拍摄以追求高质量眼底图像。

目前，针对眼底图像质量增强的算法主要有两种思路，第一种是依据眼底图像成像原理，使用传统计算机视觉中的滤波和卷积操作，结合先验知识，实现对某种特定低质量特征的增强；第二种方法是基于数据驱动，通过训练深度学习模型，学习低质量眼底图像到高质量眼底图像的映射。

但是第一种方法的技术方案依赖先验知识，且主要针对低对比度图像，适用性不够广泛，针对复杂诱因所导致的低质量(诸如伪影、失焦等)图像无法很好地增强。第二种方法的技术方案中采用的CycleGAN及其变种算法，假设高低质量眼底图像的配对唯一且可逆，不符合实际情况。此外，在完全的无监督不配对学习下，最终得到的增强模型可解释性差且不稳定，倾向于修改原始信息。同时，CycleGAN由四个网络组成，训练成本极高。

发明内容

本申请实施例提供了一种眼底图像质量增强模型的训练方法及装置，可以解决传统的图像质量增强算法得到的眼底图像质量稳定性不高和泛化性不足的问题。

第一方面，本申请实施例提供了一种眼底图像质量增强模型的训练方法，包括：

获取用于模型训练的第一眼底图像和第二眼底图像，所述第一眼底图像的图像质量优于所述第二眼底图像的图像质量；

对所述第一眼底图像进行质量退化处理，获得与所述第一眼底图像对应的第三眼底图像；

采用所述第一眼底图像、所述第二眼底图像和所述第三眼底图像，对预设的眼底图像质量增强网络进行半监督训练；

采用预设的对抗网络对半监督训练后的所述眼底图像质量增强网络进行对抗训练；

基于预设的损失函数，计算所述眼底图像质量增强网络的损失值；

当所述损失值满足预设条件时，停止对所述眼底图像质量增强网络的训练，得到最终的眼底图像质量增强模型。

第二方面，本申请实施例提供了一种眼底图像质量增强模型的训练装置，包括：

获取模块，用于获取用于模型训练的第一眼底图像和第二眼底图像，所述第一眼底图像的图像质量优于所述第二眼底图像的图像质量；

退化模块，用于对所述第一眼底图像进行质量退化处理，获得与所述第一眼底图像对应的第三眼底图像；

半监督模块，用于采用所述第一眼底图像、所述第二眼底图像和所述第三眼底图像，对预设的眼底图像质量增强网络进行半监督训练；

对抗模块，用于采用预设的对抗网络对半监督训练后的所述眼底图像质量增强网络进行对抗训练；