[发明专利]一种基于云端计算的糖尿病视网膜病变的识别方法及装置

权利要求书

1.一种基于云端计算的糖尿病视网膜病变的识别方法，其特征在于，包括：

获取标注好眼底图像病变区域的视网膜图像；

将所述标注好眼底图像病变区域的视网膜图像输入到基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中训练直至模型收敛；

获取待诊断的眼底图片；

将所述待诊断的眼底图片输入到训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到诊断结果。

2.如权利要求1所述的识别方法，其特征在于，所述基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型的骨架网络采用的是 Resnet-101，在所述骨架网络中的Res4部分的最后一个模块前加入Non-local模块；

所述Non-local模块的表达式如下式所示：

其中，C(x)是标准化函数，用于归一化；而i是响应输出位置的索引，j是枚举所有可能位置的索引；x表示输入信息，y表示与x相同尺寸的输出信息；而f是计算相关性的函数，主要计算每个像素与其所有关联像素的关系；而一元函数g用于计算输入信息在位置j处的特征值。

3.如权利要求2所述的识别方法，其特征在于，还包括：

在所述基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，将原先的分类交叉熵损失替换成 focal loss ；；其中，FL表示focal loss损失函数，p_t表示预测样本属于正确类的概率；α_t是权重因子，γ是聚焦参数。

4.如权利要求1所述的识别方法，其特征在于，所述将所述待诊断的眼底图片输入到训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到诊断结果，包括：

将所述待诊断的眼底图片输入到所述训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到处理时间、病变的最大置信度、图像id和病变分割结果图。

5.如权利要求4所述的识别方法，其特征在于，在得到所述病变分割结果图之后，还包括：

将所述病变分割结果图转换成二进制图像；

将所述二进制图像先用base64库编码，再解码成utf-8格式，以字符串的形式放在json格式中传输。

6.一种基于云端计算的糖尿病视网膜病变的识别装置，其特征在于，包括：

视网膜图像获取模块，用于获取标注好眼底图像病变区域的视网膜图像；

网络模型训练模块，用于将所述标注好眼底图像病变区域的视网膜图像输入到基于Mask RCNN 的视网膜眼底图像多病变分类网络模型中训练直至模型收敛；

眼底图片获取模块，用于获取待诊断的眼底图片；

诊断模块，用于将所述待诊断的眼底图片输入到训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到诊断结果。

7.如权利要求6所述的识别装置，其特征在于，所述基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型的骨架网络采用的是 Resnet-101，在所述骨架网络中的Res4部分的最后一个模块前加入Non-local模块；

所述Non-local模块的表达式如下式所示：

其中，C(x)是标准化函数，用于归一化；而i是响应输出位置的索引，j是枚举所有可能位置的索引；x表示输入信息，y表示与x相同尺寸的输出信息；而f是计算相关性的函数，主要计算每个像素与其所有关联像素的关系；而一元函数g用于计算输入信息在位置j处的特征值。

8.如权利要求7所述的识别装置，其特征在于，还包括：

在所述基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，将原先的分类交叉熵损失替换成 focal loss ；；其中，FL表示focal loss损失函数，p_t表示预测样本属于正确类的概率；α_t是权重因子，γ是聚焦参数。