[发明专利]基于多任务深度学习的青光眼诊断装置

权利要求书

1.一种基于多任务深度学习的青光眼诊断装置，其特征在于，包括：

获取模块，用于获取待检测眼底图像；所述待检测眼底图像的分辨率为第一分辨率；

超分辨特征获取模块，用于根据所述待检测眼底图像以及超分辨网络模型，获取第一特征图像；所述第一特征图像的分辨率为第二分辨率；所述第二分辨率大于所述第一分辨率；

病灶特征获取模块，用于根据所述第一特征图像以及病灶分割网络模型，获取第二特征图像；所述第二特征图像用于表征病灶语义特征；

青光眼诊断模块，用于根据所述第一特征图像、所述第二特征图像以及青光眼分级网络模型，获取青光眼分级结果，并根据所述青光眼分级结果获取所述待检测眼底图像的诊断结果。

2.根据权利要求1所述的装置，其特征在于，所述超分辨网络模型依次包括：卷积层、激活层、至少一个特征提取层以及至少一个上采样层。

3.根据权利要求1所述的装置，其特征在于，所述病灶分割网络模型包括：由多级串联结构的编码器组成的编码器组件、由多级串联结构的解码器组成的解码器组件、特征传递组件、以及多尺度分析组件；

所述编码器组件用于对所述第一特征图像进行处理，获取每一级编码器输出的第一特征；

所述解码器组件用于对所述第一特征进行处理，获取每一级解码器输出的第二特征；

所述特征传递组件用于对所述第二特征进行处理，获取每一级特征传递卷积层输出的第三特征；

所述多尺度分析组件用于对所述第一特征、所述第二特征以及所述第三特征进行处理，获取病灶分割特征。

4.根据权利要求1所述的装置，其特征在于，所述青光眼分级网络模型依次包括：卷积层、最大池化层、至少一个残差块、全局池化层、空间金字塔池化层以及全连接层。

5.根据权利要求1所述的装置，其特征在于，所述装置还包括：

训练样本获取模块，所述训练模块用于获取眼底图像训练样本；所述眼底图像训练样本包括：至少一张第一图像，至少一张所述第一图像对应的第二图像，至少一张所述第二图像对应的具有病灶分割特征的第三图像，至少一张所述第二图像以及所述第三图像对应的具有青光眼分类特征的第四图像；所述第一图像的分辨率为第一分辨率，所述第二图像的分辨率为第二分辨率，所述第一分辨率小于所述第二分辨率；

第一模型获取模块，用于构建预设超分辨网络模型，并根据超分辨率损失函数和所述第二图像对所述预设超分辨网络模型进行训练，获取训练后的超分辨网络模型；

第二模型获取模块，用于构建预设病灶分割网络模型，并根据第一预设损失函数和所述第三图像对所述预设病灶分割网络模型进行训练，获取训练后的病灶分割网络模型；

第三模型获取模块，用于构建预设青光眼分级网络模型，并根据第二预设损失函数和所述第四图像对所述预设青光眼分级网络模型进行训练，获取训练后的青光眼分级网络模型。

6.根据权利要求5所述的装置，其特征在于，所述装置还包括：

训练模块，用于根据分割感知损失函数、所述第三图像以及所述病灶分割网络模型的输出结果对所述超分辨网络模型进行训练，获取训练后的超分辨率图像。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

可视化图像生成模块，用于将所述超分辨网络模型的输出结果和所述病灶分割网络模型的输出结果输入到所述青光眼分级网络模型中，基于梯度的多尺度网络可视化算法获取青光眼分级可视化图像。

8.根据权利要求7所述的装置，其特征在于，所述训练模块还用于：

根据分类感知损失函数、所述青光眼分级可视化图以及所述病灶分割网络模型的输出结果对所述超分辨网络模型进行训练，获取训练后的超分辨率图像。

9.根据权利要求7所述的装置，其特征在于，所述分割感知损失函数，包括：

其中，所述L_seg-aware代表病灶分割感知损失，代表超分辨率图像的分割结果，代表真实高分辨率图像的分割结果。

10.根据权利要求8所述的装置，其特征在于，所述分类感知损失函数，包括：

其中，所述L_seg-aware代表分类诊断感知损失，为超分辨率图像，Y为真实高分辨率图像，代表基于梯度的多尺度网络可视化算法可视化的过程，设定阈值φ_vis将可视化结果Vis(Y)转化为二值化掩膜。