【技术实现步骤摘要】
模型训练方法、眼底图像预测方法及装置
[0001]本申请涉及人工智能
，尤其涉及一种模型训练方法、眼底图像预测方法及装置。
技术介绍
[0002]焦虑抑郁是一种严重的、常见的心理健康状况，包括悲伤或绝望的感觉，患病率会随着年龄的增长而增加，并与更高水平的发病率、自杀、自我忽视和身体、认知和社会功能下降有关。因此，识别患有抑郁症或有焦虑情绪的人，对确保提供适当的治疗变得越来越重要。
[0003]目前，在进行抑郁症或有焦虑情绪的识别时，通常是采用下述方式：1、焦虑抑郁症状的识别需由心理测评量表分数和心理专业医生共同决定，其中心理测评量表为了提高准确性，通常会设置大量的问题和答案选项，被测者需要花费大量时间回答量表中的问题，导致测评效率比较低。
[0004]2、通过眼底图像识别，然而，由于在拍摄过程中容易出现干扰物或亮度问题，导致焦虑抑郁症状的识别准确率较低。
[0005]
技术实现思路
[0006]本申请实施例提供一种模型训练方法、眼底图像预测方法及装置，以解决相关技术中识别焦虑抑郁症状的效率...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取初始眼底图像；调用预设模型对所述初始眼底图像进行处理，筛选出所述初始眼底图像中符合模型训练条件的样本眼底图像；所述样本眼底图像标注有真实情绪类别；基于所述样本眼底图像对待训练焦虑抑郁检测模型进行训练，得到所述待训练焦虑抑郁检测模型输出的所述样本眼底图像对应的预测类别概率；基于所述真实情绪类别和所述预测类别概率，计算得到所述待训练焦虑抑郁检测模型的损失值；在所述损失值处于预设范围内的情况下，将训练后的待训练焦虑抑郁检测模型作为最终的目标焦虑抑郁检测模型。2.根据权利要求1所述的方法，其特征在于，所述调用预设模型对所述初始眼底图像进行处理，筛选出所述初始眼底图像中符合模型训练条件的样本眼底图像，包括：对所述初始眼底图像进行预处理，生成预处理眼底图像；调用眼底图像识别模型对所述预处理眼底图像进行处理，得到所述预处理眼底图像对应的虚拟眼底图像；调用图像质量等级分类模型对所述预处理眼底图像进行处理，得到所述预处理眼底图像属于各个预设质量等级的概率；根据所述虚拟眼底图像和所述预处理眼底图像的相似度，确定所述初始眼底图像是否为标准眼底图像；在所述眼底图像为标准眼底图像的情况下，根据所述概率，从所述初始眼底图像中筛选出符合模型训练条件的样本眼底图像。3.根据权利要求1所述的方法，其特征在于，所述待训练焦虑抑郁检测模型包括：输入层、卷积层、残差网络层和输出层，所述基于所述样本眼底图像对待训练焦虑抑郁检测模型进行训练，得到所述待训练焦虑抑郁检测模型输出的所述样本眼底图像对应的预测类别概率，包括：对所述样本眼底图像进行数据增强操作，得到增强样本图像；将所述增强样本图像输入至所述待训练焦虑抑郁检测模型；调用所述输入层对所述增强样本图像进行尺寸转换处理，得到所述增强样本图像对应的特征图；调用所述卷积层对所述特征图进行卷积处理，以提取所述特征图内的眼底特征；调用所述残差网络层对所述眼底特征进行特征优化处理，得到所述眼底特征对应的优化眼底特征；调用所述输出层对所述优化眼底特征进行处理，输出所述样本眼底图像对应的预测类别概率。4.根据权利要求1所述的方法，其特征在于，所述基于所述真实情绪类别和所述预测类别概率，计算得到所述待训练焦虑抑郁检测模型的损失值，包括：获取本次模型训练的所述样本眼底图像的图像数量；基于每个所述样本眼底图像对应的真实情绪类别和所述预测类别概率，计算得到每个所述样本眼底图像对应的交叉熵损失值；
基于所述图像数量、所述交叉熵损失值、所述真实情绪类别和所述预测类别概率，计算得到所述待训练焦虑抑郁检测模型的损失值。5.一种眼底图像预测方法，其特征在于，所述方法包括：获取目标用户的多幅眼底图像；调用预设模型对所述多幅眼底图像进行处理，筛选出所述多幅眼底图像中符合模型推理条件的目标眼底图像；调用目标焦虑抑郁检测模型对所述目标眼底图像进行处理，得到所述目标用户对应的目标预测类别概率；基于所述目标预测类别概率，预测所述目标眼底图像是否为存在焦虑抑郁状况的图像。6.一种模型训练装置，其特征在于，所述装置包括：初始图像获取模块，用于获取初始眼底图像；样本图像筛选模块，用于调用预设模型对所述初始眼底图像进行处理，筛选出所述初始眼底图像中符合模型训练条件的样本眼底图像；所述样本眼底图像标注有真实情绪类别；预测类别获取模块，用于基于所述样本眼底图像对待训练焦虑抑郁检测模型进行训练，得到所述待训练焦虑抑郁检...
【专利技术属性】
技术研发人员：夏鹏，琚烈，胡铭，马彤，王斌，宋凯敏，戈宗元，张大磊，
申请(专利权)人：北京鹰瞳科技发展股份有限公司，
类型：发明
国别省市：
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。