[发明专利]视网膜图像分类模型训练方法、系统、存储介质及设备

说明书

本发明涉及视网膜图像分类模型训练方法、系统、存储介质及设备，其中，视网膜图像分类模型训练方法包括，获取糖尿病视网膜病变图像的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集；从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务；构建卷积神经网络模型；元训练阶段，基于构建的模型利用至少一个元训练任务训练，获取模型的最优初始化参数；元测试阶段，构建的模型基于最优初始化参数执行元测试任务获得糖尿病视网膜病变图像的分类结果利用任务增强元学习的方式对模型进行训练，可在样本数量较少的情况下实现糖尿病视网膜病变图像的分类。

技术领域

本发明涉及图像处理领域，具体为视网膜图像分类模型训练方法、系统、存储介质及设备。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

糖尿病视网膜病变是由糖尿病引起的微血管并发症，是目前世界上造成视力损害和失明的主要原因之一。利用计算机的辅助分类技术能够将视网膜病变图像中因糖尿病引发的病变图像识别出来并进行分类。

针对糖尿病视网膜病变图像的计算机辅助分类技术在可以归纳为两类。一是传统方法，主要根据图像中病变的类型、大小、数量等特征来识别糖尿病视网膜图像中的病变，该方法不需要大量的训练数据，但容易受到图像中反映的特征因子的影响，使得图像分类的准确度不高。二是深度学习方法，通常在图像预处理后使用深度卷积神经网络进行训练，提取视网膜图像中有关糖尿病的高级特征进行分类，而深度学习方法会依赖大量带病变类型标签的图像数据来训练模型，使得实现分类所需的数据成本较高。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供视网膜图像分类模型训练方法、系统、存储介质及设备，获取糖尿病视网膜病变图像的数据集，并将子集一作为元训练集，子集二作为元测试集，从元训练集和元测试集中随机采样数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集。在元学习的框架下训练模型，模型在元训练过程中，利用任务增强方法优化模型的初始化参数，在元测试阶段利用最优模型初始化参数在少量样本上即可实现糖尿病视网膜病变五分类。有效降低了模型对样本数量的依赖，提高了糖尿病视网膜病变的分类准确度。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供视网膜图像分类模型训练方法，包括以下步骤：

获取糖尿病视网膜病变图像的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集；

从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务；

构建卷积神经网络模型；

元训练阶段，基于构建的模型利用至少一个元训练任务训练，获取模型的最优初始化参数；

元测试阶段，构建的模型基于最优初始化参数执行元测试任务获得糖尿病视网膜病变图像的分类结果。

本发明的第二个方面提供视网膜病变图像分类模型训练系统，包括：

元任务构建模块，被配置为：获取糖尿病视网膜病变图像分类的数据集，数据集具有两个子集，子集一为元训练集，子集二为元测试集，从元训练集和元测试集中随机获取图像数据分别构建元训练任务和元测试任务，每个元任务又被划分成支持集和查询集；

元训练模块，被配置为：在元训练阶段，构建的卷积神经网络模型在多个元训练任务上训练，并获取模型的最优初始化参数。

元测试模块，被配置为：在元测试阶段，构建的卷积神经网络模型基于最优初始化参数执行元测试任务，实现糖尿病视网膜病变图像的分类。

卷积神经网络模型包括至少四组分别连接在一起的卷积层和最大池化层，最后一组卷积层和最大池化层通过全连接层与输出层连接，卷积层和最大池化层之间具有批归一化层。