【技术实现步骤摘要】
眼底图片中病变特征的识别方法和装置、存储介质
本专利技术涉及互联网领域，具体而言，涉及一种眼底图片中病变特征的识别方法和装置、存储介质。
技术介绍
糖尿病性视网膜病变(DR)是糖尿病性微血管病变中最重要的表现，是一种具有特异性改变的眼底病变，是糖尿病的严重并发证之一。包括非增殖性糖尿病性视网膜病变(NPDR)(或称单纯型或背景型)和增殖性糖尿病性视网膜病变(PDR)等类型。据世界卫生组织(WHO)预测，到2030年，全球DR患者人数将增加到3.66亿，己成为四大致盲眼病之一，糖网病防治将成为一个严重的世界性问题。研究表明，对DR患者进行早期诊断和治疗能有效防止视觉的损失以及失明，而防治的关键则是通过眼底照相检查，定期随访发现病情的进展，及时进行激光干预治疗。但是目前世界上超过50％的糖尿病患者没有接受任何形式的眼部检查，基于眼底影像的糖尿病视网膜病变的筛查工作基本还是依靠眼科医生的肉眼观察进行。但当面临大规模筛查时，需要医生分析和处理的数据量非常大，人工判读方法既费时又费力，人工筛查无法实施。而且人工筛查主观性强，数据分析复杂并且难以量化，很难做到定量随访。针对相...
【技术保护点】
1.一种病变特征的识别方法，其特征在于，包括：获取识别请求，其中，所述识别请求用于请求对眼底图片中的病变特征进行识别；通过第一神经网络模型对所述眼底图片中的病变特征进行识别，其中，所述第一神经网络模型是通过第一训练集合和第二训练集合对第二神经网络模型中的参数进行训练后得到的，所述第一训练集合中训练图片的病变特征已经被标记、且所述第二训练集合中训练图片的病变特征未被标记，使用所述第一训练集合训练后的所述第一神经网络模型用于识别所述第二训练集合中的训练图片的病变特征，所述第二训练集合中被识别出病变特征的训练图片用于继续训练所述第一神经网络模型；返回所述第一神经网络模型的第一识别...
【技术特征摘要】
1.一种病变特征的识别方法，其特征在于，包括：获取识别请求，其中，所述识别请求用于请求对眼底图片中的病变特征进行识别；通过第一神经网络模型对所述眼底图片中的病变特征进行识别，其中，所述第一神经网络模型是通过第一训练集合和第二训练集合对第二神经网络模型中的参数进行训练后得到的，所述第一训练集合中训练图片的病变特征已经被标记、且所述第二训练集合中训练图片的病变特征未被标记，使用所述第一训练集合训练后的所述第一神经网络模型用于识别所述第二训练集合中的训练图片的病变特征，所述第二训练集合中被识别出病变特征的训练图片用于继续训练所述第一神经网络模型；返回所述第一神经网络模型的第一识别结果，其中，所述第一识别结果至少用于指示在所述眼底图片中识别出的病变特征。2.根据权利要求1所述的方法，其特征在于，在通过第一神经网络模型对所述眼底图片中的病变特征进行识别之前，所述方法还包括：依次使用所述第一训练集合中的训练图片和所述第二训练集合中的训练图片对所述第二神经网络模型进行训练，并将训练完后的所述第二神经网络模型作为所述第一神经网络模型，其中，用于对所述第二神经网络模型进行训练的所述第二训练集合中的训练图片已使用预先被所述第二神经网络模型识别出的病变特征标记。3.根据权利要求2所述的方法，其特征在于，依次使用所述第一训练集合中的训练图片和所述第二训练集合中的训练图片对所述第二神经网络模型进行训练，并将训练完后的所述第二神经网络模型作为所述第一神经网络模型包括：使用所述第一训练集合中的训练图片对所述第二神经网络模型中的参数进行训练初始化，并将参数初始化后的所述第二神经网络模型作为第三神经网络模型；使用所述第三神经网络模型对所述第二训练集合中训练图片的病变特征进行识别，并利用所述第三神经网络模型的第二识别结果对所述第二训练集合中的训练图片进行标记，其中，所述第二识别结果至少用于指示在所述第二训练集合的训练图片中识别出的病变特征；通过使用所述第二训练集合中被标记过的训练图片继续对所述第三神经网络模型进行训练来对所述第三神经网络模型中的参数进行重新调整，并将参数调整后的所述第三神经网络模型作为所述第一神经网络模型。4.根据权利要求3所述的方法，其特征在于，利用所述第三神经网络模型的第二识别结果对所述第二训练集合中的训练图片进行标记包括：查找所述第二训练集合中训练图片的所有第二识别结果中置信度最高的多个第三识别结果；利用所述第三识别结果对所述第二训练集合中对应的训练图片进行标记。5.根据权利要求4所述的方法，其特征在于，所述第二识别结果用于指示识别出的病变特征属于多个病变类型中的每个类型的概率，其中，查找所述第二训练集合中训练图片的所有第二识别结果中置信度最高的多个第三识别结果包括：按照如下公式计算对所述第二训练集合中当前训练图片的所述第二识别结果的置信度s，其中，PA是根据所述当前训练图片的所述第二识别结果中每个类型的概率确定的用于表示所述当前训练图片的重要性的参数，d是根据所述第三神经网络模型从所述当前训练图片中识别出的特征向量和所述第二训练集合中训练图片的特征向量确定的密度参数，v是根据所述第三神经网络模型从所述当前训练图片中识别出的特征向量和所述第一训练集合中训练图片的特征向量确定的多样性参数，w1和w2为预先配置好的参数；获取所述第二训练集合中训练图片的所有所述第二识别结果中置信度最高的多个为所述第三识别结果。6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述返回所述第一神经网络模型的第一识别结果包括：返回用于表示识别出的病变特征的病变类型和识别出的病变特征属于所述病变类型的置信度的第一识别结果。7.根据权利要求1至5中任意一项所述的方法，其特征在于，所述返回所述第一神经网络模型的第一识别结果包括：返回用于表示非增殖性糖尿病性视网膜病变的所述第一识别结果；和/或，返回用于表示增...
【专利技术属性】
技术研发人员：彭湃，蒋忻洋，郭晓威，
申请(专利权)人：腾讯科技深圳有限公司，腾讯云计算北京有限责任公司，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。