【技术实现步骤摘要】
本申请一般涉及人工智能。更具体地，本申请涉及一种对用于心脑血管疾病分类的分类模型进行训练的方法、设备、用于心脑血管疾病分类的装置和计算机可读存储介质。
技术介绍
1、心脑血管疾病是一种严重威胁人类，特别是50岁以上中老年人健康的常见病，具有高患病率、高致残率和高死亡率的特点，即使应用最先进、完善的治疗手段，仍可有50％以上的脑血管意外幸存者生活不能完全自理。全世界每年死于心脑血管疾病的人数高达1500万人，居各种死因首位。对于心脑血管疾病，其常规检测项目主要为血压、心电图、血常规、尿常规、血脂、血糖、血液流变学测定等。另外，通过头颅ct和mri、脑血管造影、经颅彩色多普勒超声、超声心动图、放射性核素心肌显像、选择性冠状动脉造影和冠状动脉血管镜等，也可发现脑血管病变的部位和性质。
2、目前，已有发现眼底图像(或者视网膜图像)对部分疾病进行检测与筛查具有重要的临床意义，并且眼底图像可以以非侵入性和经济高效的方式获取(例如由单目相机捕获的眼底在2d平面上的投影)，使得更适合大规模筛查。此外，人工智能尤其是机器学习和深度学习也较多地为利用眼底图像进行疾病的检测和预防提供了更好的解决方案。然而，由于不同的眼底采集机构或者眼底采集设备采集的视网膜图像存在较大差异(例如图1所示)，使用视网膜图像预测会遇到模型的泛化性不足的问题，这往往需要针对不同域重新训练模型。另外，对于采用扩散模型生成眼底图像的情况，由于正向扩散中加入过多噪声，导致逆向扩散生成的图像无法保留源域的原始图像的信息或者没有足够的扩散步骤将图像从目标域投影至源域，从而
3、有鉴于此，亟需提供一种对用于心脑血管疾病分类的分类模型进行训练的方案，以便解决视网膜图像的域泛化问题，提高分类模型的准确性。
技术实现思路
1、为了至少解决如上所提到的一个或多个技术问题，本申请在多个方面中提出了一种对用于心脑血管疾病分类的分类模型进行训练的方案。
2、在第一方面中，本申请提供一种对用于心脑血管疾病分类的分类模型进行训练的方法，其中所述分类模型包括扩散模块、引导模块和分类器模块，包括：将源域的原始视网膜图像输入至所述扩散模块，以经由所述扩散模块执行图像生成操作生成目标域的视网膜图像；使用所述引导模块引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得目标视网膜图像；基于所述源域的原始视网膜图像和所述目标视网膜图像，使用分类器模块分别执行与心脑血管疾病相关的分类操作，以获得包含多种疾病类别的第一分类结果和第二分类结果；以及根据所述第一分类结果和所述第二分类结果获得心脑血管疾病分类的最终分类结果，以对用于心脑血管疾病分类的分类模型进行训练。
3、在一个实施例中，其中使用所述引导模块引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得目标视网膜图像包括：在所述引导模块下构建所述源域的原始视网膜图像和所述目标域的视网膜图像之间与转化相关的目标函数；以及对所述目标函数进行优化，以引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得所述目标视网膜图像。
4、在另一个实施例中，其中所述引导模块包括低通滤波器，并且在所述引导模块下构建所述源域的原始视网膜图像和所述目标域的视网膜图像之间与转化相关的目标函数包括：使用所述低通滤波器分别对所述源域的原始视网膜图像和所述目标域的视网膜图像进行低通滤波，获得各自对应的滤波结果；以及根据各自对应的滤波结果计算距离范数，以构建所述源域的原始视网膜图像和所述目标域的视网膜图像之间与转化相关的所述目标函数。
5、在另一个实施例中，其中对所述目标函数进行优化，以引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得所述目标视网膜图像包括：对所述目标函数进行优化至所述距离范数最小，以引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得所述目标视网膜图像。
6、在另一个实施例中，所述方法还包括：根据所述目标域的视网膜图像的复杂度设置引导因子；以及基于所述引导因子调整所述引导模块，以使用调整后的引导模块引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得所述目标视网膜图像。
7、在另一个实施例中，所述方法还包括：设置学习率参数；以及基于所述学习率参数调整所述扩散模块执行图像生成操作生成所述目标域的视网膜图像的扩散速度。
8、在另一个实施例中，其中所述分类器模块包括多个不同尺度的卷积层、至少一个池化层、dropout层、全连接层和激活层，并且基于所述源域的原始视网膜图像和所述目标视网膜图像，使用分类器模块分别执行与心脑血管疾病相关的分类操作，以获得包含多种疾病类别的第一分类结果和第二分类结果包括：基于所述源域的原始视网膜图像和所述目标视网膜图像，使用所述分类器模块中的所述多个不同尺度的卷积层、所述至少一个池化层提取特征，获得对应的特征结果；以及将对应的特征结果经由所述dropout层输出至所述全连接层，并且经由所述全连接层和所述激活层分别执行与心脑血管疾病相关的分类操作，以获得包含多种疾病类别的所述第一分类结果和所述第二分类结果。
9、在另一个实施例中，其中所述分类器模块的所述多个不同尺度的卷积层中最后一层引入自注意力模块，以对提取的特征执行自注意力操作。
10、在另一个实施例中，其中根据所述第一分类结果和所述第二分类结果获得心脑血管疾病分类的最终分类结果包括：将不同疾病类别下的第一分类结果和第二分类结果相加；以及将第一分类结果和第二分类结果相加结果最大对应的疾病类别确定为所述最终分类结果。
11、在第二方面中，本申请提供一种对用于心脑血管疾病分类的分类模型进行训练的设备，包括：处理器；以及存储器，其中存储有对用于心脑血管疾病分类的分类模型进行训练的程序指令，当所述程序指令由所述处理器执行时，使得所述设备实现前述第一方面中的多个实施例。
12、在第三方面中，本申请提供一种用于心脑血管疾病分类的装置，包括：处理器；以及存储器，其中存储有用于心脑血管疾病分类的程序指令，当所述程序指令由所述处理器执行时，使得所述设备实现以下操作：获取原始视网膜图像；以及将所述原始视网膜图像输入至根据述第一方面中的多个实施例训练完成的分类模型中，以获得心脑血管疾病分类的最终分类结果。
13、在第四方面中，本申请提供一种计算机可读存储介质，其上存储有对用于心脑血管疾病分类的分类模型进行训练的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现前述第一方面中的多个实施例；或者存储有用于心脑血管疾病分类的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现第三方面所述的装置执行的操作。
14、通过如上所提供的对用于心脑血管疾病分类的分类模型进行训练的方案，本申请实施例通过将源域的原始视网膜图像输入至扩散模块扩散生成目标域的视网膜图像，通过引导模块引导目标域的视网膜图像向源域的原始视网膜图像进行转化，本文档来自技高网...
【技术保护点】
1.一种对用于心脑血管疾病分类的分类模型进行训练的方法，其中所述分类模型包括扩散模块、引导模块和分类器模块，包括：
2.根据权利要求1所述的方法，其中使用所述引导模块引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得目标视网膜图像包括：
3.根据权利要求2所述的方法，其中所述引导模块包括低通滤波器，并且在所述引导模块下构建所述源域的原始视网膜图像和所述目标域的视网膜图像之间与转化相关的目标函数包括：
4.根据权利要求3所述的方法，其中对所述目标函数进行优化，以引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得所述目标视网膜图像包括：
5.根据权利要求1-4任意一项所述的方法，还包括：
6.根据权利要求1所述的方法，还包括：
7.根据权利要求1所述的方法，其中所述分类器模块包括多个不同尺度的卷积层、至少一个池化层、dropout层、全连接层和激活层，并且基于所述源域的原始视网膜图像和所述目标视网膜图像，使用分类器模块分别执行与心脑血管疾病相关的分类操作，以获得包含多种疾病类别的第
8.根据权利要求7所述的方法，其中所述分类器模块的所述多个不同尺度的卷积层中最后一层引入自注意力模块，以对提取的特征执行自注意力操作。
9.根据权利要求1所述的方法，其中根据所述第一分类结果和所述第二分类结果获得心脑血管疾病分类的最终分类结果包括：
10.一种对用于心脑血管疾病分类的分类模型进行训练的设备，包括：
11.一种用于心脑血管疾病分类的装置，包括：
12.一种计算机可读存储介质，其上存储有对用于心脑血管疾病分类的分类模型进行训练的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求1-9任意一项所述的方法；或者存储有用于心脑血管疾病分类的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如权利要求11所述的装置执行的操作。
...【技术特征摘要】
1.一种对用于心脑血管疾病分类的分类模型进行训练的方法，其中所述分类模型包括扩散模块、引导模块和分类器模块，包括：
2.根据权利要求1所述的方法，其中使用所述引导模块引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得目标视网膜图像包括：
3.根据权利要求2所述的方法，其中所述引导模块包括低通滤波器，并且在所述引导模块下构建所述源域的原始视网膜图像和所述目标域的视网膜图像之间与转化相关的目标函数包括：
4.根据权利要求3所述的方法，其中对所述目标函数进行优化，以引导所述目标域的视网膜图像向所述源域的原始视网膜图像进行转化，获得所述目标视网膜图像包括：
5.根据权利要求1-4任意一项所述的方法，还包括：
6.根据权利要求1所述的方法，还包括：
7.根据权利要求1所述的方法，其中所述分类器模块包括多个不同尺度的卷积层、至少一个池化层、dropout层、全连接层和激活层，并且基于所述源域的...
【专利技术属性】
技术研发人员：胡铭，马彤，董力，夏鹏，琚烈，魏文斌，王斌，戈宗元，张大磊，
申请(专利权)人：上海鹰瞳医疗科技有限公司，
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。