视盘图像分类模型的训练方法、装置、设备及存储介质制造方法及图纸

本申请涉及人工智能技术领域，公开了一种视盘图像分类模型的训练方法，包括：基于MaskRCNN网络构建神经网络模型，并将MaskRCNN网络的Mask实例分割单元替换为图像质量检测单元；获取多个视盘图像样本，视盘图像样本包括图像质量合格样本和图像质量不合格样本，图像质量合格样本包括视盘图像正常样本和视盘图像异常样本，视盘图像异常样本包括青光眼图像样本和视盘水肿图像样本；将视盘图像样本输入至神经网络模型中进行迭代训练，以得到所述视盘图像分类模型。本申请还涉及区块链技术领域。本申请还公开了一种视盘图像分类模型的训练装置、计算机设备以及计算机可读存储介质。本申请方便提高了对视盘图像检测的准确率。本申请方便提高了对视盘图像检测的准确率。本申请方便提高了对视盘图像检测的准确率。

【技术实现步骤摘要】
视盘图像分类模型的训练方法、装置、设备及存储介质


[0001]本申请涉及人工智能
，尤其涉及一种视盘图像分类模型的训练方法、视盘图像分类模型的训练装置、计算机设备以及计算机可读存储介质。

技术介绍

[0002]青光眼、视盘水肿等病变会严重的影响视力，甚至造成失明等严重后果。由于青光眼、视盘水肿等病变隐匿性较强，初期无明显症状，早期筛查具有很大困难性。青光眼、视盘水肿等病变会导致视盘出现异常，例如青光眼患者视盘形态会出现异常的凹陷，视盘水肿患者的视盘会出现明显的隆起，视乳头炎患者的视盘会出现出血或肿胀。
[0003]目前，虽然深度学习已应用在对视盘图片的检测，在一定程度上提高了检测效率，但也存在因图像拍摄质量不好而导致对视盘图片检测的结果产生误判的情况。
[0004]上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本申请的主要目的在于提供一种视盘图像分类模型的训练方法、视盘图像分类模型的训练装置、计算机设备以及计算机可读存储介质，旨在解决如何避免因图像质量不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种视盘图像分类模型的训练方法，其特征在于，包括：基于MaskRCNN网络构建神经网络模型，并将所述MaskRCNN网络的Mask实例分割单元替换为图像质量检测单元；以及，获取多个视盘图像样本，其中，所述视盘图像样本包括图像质量合格样本和图像质量不合格样本，所述图像质量合格样本包括视盘图像正常样本和视盘图像异常样本，所述视盘图像异常样本包括青光眼图像样本和视盘水肿图像样本；将所述视盘图像样本输入至所述神经网络模型中进行迭代训练，直到所述神经网络模型训练完成，以得到所述视盘图像分类模型，其中，所述图像质量检测单元用于对基于所述视盘图像分类模型进行分类的视盘图像作图像质量判别，以使所述视盘图像分类模型分类出图像质量不合格的视盘图像。2.如权利要求1所述的视盘图像分类模型的训练方法，其特征在于，所述神经网络模型采用的损失函数Loss为：Loss＝0.4*L
Q
+0.4*L
C
+0.2*L
D
其中，所述L
Q
为图像质量损失函数，所述L
C
为目标分类损失函数，所述L
D
为位置回归损失函数。3.如权利要求2所述的视盘图像分类模型的训练方法，其特征在于，所述图像质量损失函数L
O
为：L
Q
＝
‑
[y*[log(P1)+log(P2)]+(1
‑
y)*[log(1
‑
P1)]]其中，所述y为图像质量标签，包括质量合格标签和质量不合格标签；所述P1为图像质量分类的概率，包括图像质量合格的概率和/或图像质量不合格的概率；所述P2为图像中有无视盘图像的标签，包括有视盘图像标签和无视盘图像标签。4.如权利要求1所述的视盘图像分类模型的训练方法，其特征在于，所述将所述视盘图像样本输入至所述神经网络模型中进行迭代训练，直到所述神经网络模型训练完成，以得到所述视盘图像分类模型的步骤之后，还包括：将所述视盘图像分类模型存储至区块链网络。5.如权利要求1
‑
4中任一项所述的视盘图像分类模型的训练方法，其特征在于，所述将所述视盘图像样本输入至所述神经网络模型中进行迭代训练，直到所...

【专利技术属性】
技术研发人员：王关政，范栋轶，王瑞，王立龙，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：