【技术实现步骤摘要】
模型训练方法、杯盘比确定方法、装置、设备及存储介质
本申请涉及图像处理领域，尤其涉及一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质。
技术介绍
青光眼是一种全球三大致盲的眼科疾病之一，其不可逆性导致它的早期诊断和治疗对于提高患者的生活质量有至关重要的作用。在对青光眼进行自动筛查时，通常使用杯盘比作为评估指标，采用分割方法对眼底图像中的视杯和视盘进行分割，然后计算杯盘比。但现有的视盘分割方法通常是像素级别的分割方法，对每个像素分别进行判断，未考虑视杯视盘的全局表达，容易导致计算出的杯盘比的误差较大，准确度较低，产生多筛或漏筛的情况。因此，如何提高分割得到的视杯视盘图像的准确度，减少疾病筛查过程中的多筛、漏筛情况成为亟待解决的问题。
技术实现思路
本申请提供了一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质，以提高分割得到的视杯视盘图像的准确度，减少疾病筛查过程中的多筛、漏筛情况。第一方面，本申请提供了一种视杯视盘分割模型训练方...
【技术保护点】
1.一种视杯视盘分割模型训练方法，其特征在于，包括：/n获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；/n将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；/n对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；/n分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的...
【技术特征摘要】
1.一种视杯视盘分割模型训练方法，其特征在于，包括：
获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；
将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；
对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；
分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；
根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
2.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述分别计算分割损失函数的数值和投影损失函数的数值，包括：
基于所述预测的视杯视盘分割图像和对应的图像标签，利用分割损失函数公式计算分割损失函数的数值；
所述分割损失函数公式为：
Lseg＝-[ytruelogypred+(1-ytrue)log(1-ypred)]
其中，Lseg表示分割损失函数的数值，ypred表示预设的神经网络根据样本图像预测出的视杯视盘分割图像，ytrue表示所述样本图像对应的图像标签。
3.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述分别计算分割损失函数的数值和投影损失函数的数值，包括：
基于所述标签投影值和所述图像投影值，利用投影损失函数公式计算投影损失函数的数值；
所述投影损失函数公式为：
Lproj＝||ptrue-ppred||2
其中，Lproj表示投影损失函数的数值，ptrue表示标签投影值，ppred表示图像投影值。
4.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述预设的神经网络包括特征提取层、卷积层和解码层；所述将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像，包括：
通过所述特征提取层对所述样本图像进行特征提取，以得到所述样本图像对应的第一特征图像；
通过所述卷积层对所述第一特征图像进行卷积操作，以得到代表视杯视盘分割图像的第二特征图像；
将所述第二特征图像输入所述解码层，以得到预测的视杯视盘分割图像。
5.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，在所述将所述样本数据输入预设的神经网络之前，所...
【专利技术属性】
技术研发人员：李葛，成冠举，曾婵，高鹏，谢国彤，
申请(专利权)人：平安科技深圳有限公司，
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。