基于神经网络模型的眼科超声图像分类方法以及装置制造方法及图纸

本发明专利技术涉及眼科超声图像分类技术领域，特别涉及一种基于神经网络模型的眼科超声图像分类方法，包括：获取若干个样本眼科超声图像，并对样本眼科超声图像进行类别标签标注，获取标签标注后的样本眼科超声图像集；将样本眼科超声图像集输入至预设的神经网络模型中进行训练，获得眼科超声图像分类模型，响应于分类指令，获取待分类的眼科超声图像，将待分类的眼科超声图像输入至眼科超声图像分类模型中，获得待分类的眼科超声图像的第一特征图以及第二特征图，将第一特征图以及第二特征图进行特征融合，获得待分类的眼科超声图像的融合特征图，将待分类的眼科超声图像的融合特征图输入至分类模块，获得待分类的眼科超声图像的分类结果。类结果。类结果。

【技术实现步骤摘要】
基于神经网络模型的眼科超声图像分类方法以及装置


[0001]本专利技术涉及眼科超声图像分类
，特别涉及是一种基于神经网络模型的眼科超声图像分类方法、装置、设备以及存储介质。

技术介绍

[0002]视网膜脱离、玻璃体积血、玻璃体后脱离是三种最常见的眼科疾病，患者可能会出现突发性且无痛的视力模糊、单眼视力丧失、视野中的闪光和飞蚊症。有研究表明，急性、自发性、非创伤性玻璃体后脱离伴玻璃体积血与视网膜脱离的发生具有相关性。后巩膜葡萄肿是病理性近视退行性改变发生的最重要因素和重要的标志性病变，常见于高龄及眼球过度轴向伸长人群。星状玻璃体变性是一种良性疾病，但眼底能见度差可能导致视网膜疾病的漏诊，是进行完全有效的眼底检查的重大障碍。因此，及时完成对这几类眼科疾病的筛选识别并采取治疗措施能够预防或延缓疾病恶化，有效减少视力损伤。
[0003]临床上常见的眼科诊断设备主要包括光学设备和超声设备两大类。相较于光学诊断方式，眼科超声检查几乎成为屈光间质混浊后唯一可以显示眼内疾病的诊疗手段，在眼后节临床辅助检查中具有无法替代的重要作用。然而，眼科超声图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的眼科超声图像分类方法，其特征在于，包括以下步骤：获取样本眼科超声图像集以及相应的样本标签集，其中，所述样本眼科超声图像集包括若干个样本眼科超声图像，所述样本标签集包括若干个样本眼科超声图像对应的若干个预设类别的样本标签数据；将所述样本眼科超声图像集以及样本标签集输入至预设的神经网络模型中进行训练，获得眼科超声图像分类模型，其中，所述眼科超声图像分类模型包括特征提取模块以及分类模块，所述特征提取模块包括第一特征模块以及第二特征模块；获取待分类的眼科超声图像，将所述待分类的眼科超声图像输入至所述眼科超声图像分类模型中，根据所述特征提取模块中的第一特征模块以及第二特征模块，获得所述待分类的眼科超声图像的第一特征图以及第二特征图；将所述第一特征图以及第二特征图进行特征融合，获得所述待分类的眼科超声图像的融合特征图，将所述待分类的眼科超声图像的融合特征图输入至所述分类模块，获得所述待分类的眼科超声图像的分类结果。2.根据权利要求1所述的基于神经网络模型的眼科超声图像分类方法，其特征在于，所述将所述样本眼科超声图像集以及样本标签集输入至预设的神经网络模型中进行训练，获得眼科超声图像分类模型，包括步骤：将所述样本眼科超声图像集分别输入至所述第一特征模块以及第二特征模块中，获得所述第一特征模块输出的第一样本特征图集，以及所述第二特征模块输出的第二样本特征图集，其中，所述第一样本特征图集包括若干个样本眼科超声图像对应的第一特征图，所述第二样本特征图集包括若干个样本眼科超声图像对应的第二特征图；分别将所述第一样本特征图集、第二样本特征图集作为输入特征图集，对于每个像素位置点，分别将所述输入特征图集的若干个输入特征图按照预设类别对应的加权系数进行加权求和，获得所述输入特征图集对应的若干个预设类别的类激活图；对每个像素位置点，将所述输入特征图集的若干个输入特征图的值进行求和，获得所述输入特征图集对应的预设类别无关的热力图；分别对所述输入特征图集对应的若干个预设类别的类激活图以及预设类别无关的热力图进行归一化处理，获得归一化处理后的输入特征图集对应的若干个预设类别的类激活图以及预设类别无关的热力图，根据所述归一化处理后的输入特征图集对应的若干个预设类别的类激活图以及预设类别无关的热力图，构建第一损失函数，其中，所述第一损失函数为：式中，Loss
CAM
为所述第一损失函数，H和W分别为所述输入特征图的高度参数以及宽度参数，i表示第i个预设类别，x和y分别为横坐标参数和纵坐标参数，CAAM
′
(x,y)为归一化处理后的所述预设类别无关的热力图中坐标为(x，y)对应的值，CAM
i
′
(x,y)为归一化处理后的第i个预设类别的类激活图中坐标为(x，y)对应的值，l1为预设的曼哈顿距离参数；将所述输入特征图集输入至所述分类模块中，获得所述输入特征图集对应的预测概率数据集，所述预测概率数据集包括所述若干个样本眼科超声图像对应的预测概率数据，根
据所述预测概率数据集以及样本标签数据集，构建第二损失函数，其中，所述第二损失函数为：式中，Loss
BCE
为所述第二损失函数，C为所述预设类别数目，y
i
为第i个预设类别的样本标签数据，p
i
为第i个预设类别的预测概率数据；根据所述第一损失函数以及第二损失函数，构建所述神经网络模型的总损失函数，根据所述总损失函数，对所述神经网络模型的第一特征模块以及第二特征模块进行训练，获得所述眼科超声图像分类模型，其中，所述总损失函数为：Loss
all
＝αLoss
BCE
+Loss
CAM
式中，Loss
all
为所述总损失函数，α为预设的可训练参数。3.根据权利要求1所述的基于神经网络模型的眼科超声图像分类方法，其特征在于：所述分类模块包括依次相连的卷积层、全局平均池化层、全连接层以及分类层；所述将所述待分类的眼科超声图像的融合特征图输入至所述分类模块，获得所...

【专利技术属性】
技术研发人员：周盛，林松，李泽萌，王晓春，杨军，
申请(专利权)人：天津医科大学眼科医院，
类型：发明
国别省市：