【技術實現步驟摘要】
本申請涉及圖像識別，特別是涉及一種超廣角眼底圖像分類模型構建方法、裝置、計算機設備和存儲介質。
技術介紹
1、葡萄膜炎是一組以葡萄膜（包括虹膜、睫狀體和脈絡膜）炎癥為特征的威脅視力的疾病。由于葡萄膜炎的癥狀無特異性且表現多變，因此診斷具有挑戰性。
2、對于影響玻璃體、視網膜和脈絡膜的中間葡萄膜炎和后葡萄膜炎，診斷尤其困難。影像檢查時，探查光線進入屈光介質時，介質的混濁往往發生丁達爾效應，造成成像的模糊，可能會遮蓋眼底，因此導致誤診或漏診率很高。
3、葡萄膜炎的診斷不僅依賴于病原體檢測（如化膿性葡萄膜炎、急性視網膜壞死綜合征、結核相關性葡萄膜炎、梅毒性葡萄膜炎和弓形蟲性葡萄膜炎）和免疫學檢測（如白塞氏病和類風濕性關節炎相關性葡萄膜炎），還可能需要風濕病學和傳染病專家的多學科會診。因此，確診所需的時間和經濟成本相對較高。此外，葡萄膜炎，尤其是后葡萄膜炎，進展迅速。因此，誤診、漏診或延遲診斷可導致不可逆的視力損傷或失明，及時準確地診斷葡萄膜炎至關重要，以確保適當的管理和及時的治療，減少或避免失明。
4、超廣角眼底照相像技術可以更加廣角的拍攝和記錄葡萄膜炎患者的眼底改變，有助于臨床醫生更加全面的分析葡萄膜炎眼底特征以便對葡萄膜炎進行更加準確的診斷。而超廣角圖像因為是較新的眼科檢驗手段，其公開可用的數量遠遠少于普通眼底圖像。通常，訓練構建基礎模型需要海量的無標簽數據，例如retfound使用了大約160萬張普通眼底圖像。但是超廣角眼底圖像數量很少，要想訓練出對超廣角眼底圖像設置準確的分類標簽的分類模型時
技術實現思路
1、基于此，提供一種超廣角眼底圖像分類模型構建方法、裝置、計算機設備和存儲介質，用于解決超廣角眼底圖像數量很少，要想訓練出對超廣角眼底圖像設置準確的分類標簽的分類模型時難以滿足訓練集數量要求的技術問題。
2、一方面，提供一種超廣角眼底圖像分類模型構建方法，所述方法包括：
3、構建預訓練基礎模型，設置所述預訓練基礎模型中包括掩模自編碼器權重；
4、采用紅、綠、藍三通道格式的普通眼底圖像形成第一訓練集，利用所述第一訓練集對所述預訓練基礎模型進行訓練，調整所述預訓練基礎模型的掩模自編碼器權重，形成第一基礎模型；
5、將紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸壓縮形成第二訓練集，利用所述第二訓練集對所述第一基礎模型進行訓練，在訓練過程中逐步將所述紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸提升，逐步調整所述第一基礎模型的掩模自編碼器權重，形成第二基礎模型；
6、獲取所述第二基礎模型中掩模自編碼器的編碼器，在分類器中設置超廣角眼底圖像的分類標簽，在所述編碼器后增加所述分類器后形成應用模型，對所述應用模型進行訓練直至收斂得到適配超廣角眼底圖像的應用模型。
7、在其中一個實施例中，在所述構建預訓練基礎模型時，設置所述預訓練基礎模型的輸入通道為紅、綠、藍三個通道；
8、在形成所述第二訓練集時，將紅、綠兩通道格式的超廣角眼底圖像處理為紅、綠、藍三通道格式的超廣角眼底圖像，所述超廣角眼底圖像的藍通道使用零矩陣填充，所述零矩陣為全為0的矩陣。
9、在其中一個實施例中，在所述構建預訓練基礎模型時，設置所述預訓練基礎模型的輸入通道為紅、綠兩個通道，采用紅、綠兩通道格式的普通眼底圖像形成第一訓練集。
10、在其中一個實施例中，所述將紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸壓縮形成第二訓練集，利用所述第二訓練集對所述第一基礎模型進行訓練，在訓練過程中逐步將所述紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸提升，逐步調整所述第一基礎模型的掩模自編碼器權重步驟包括：
11、獲取所述第一訓練集的普通眼底圖像的分辨率尺寸作為第一分辨率尺寸，設置所述第二訓練集的超廣角眼底圖像的分辨率尺寸為所述第一分辨率尺寸；
12、獲取形成所述第二基礎模型時的超廣角眼底圖像的分辨率尺寸作為第二分辨率尺寸；
13、在利用所述第二訓練集對所述第一基礎模型進行訓練過程中，逐步將所述第二訓練集中超廣角眼底圖像的分辨率尺寸從所述第一分辨率尺寸遞增為第二分辨率尺寸，以逐步調整所述第一基礎模型的掩模自編碼器權重。
14、在其中一個實施例中，所述逐步將所述第二訓練集中超廣角眼底圖像的分辨率尺寸從所述第一分辨率尺寸遞增為第二分辨率尺寸包括：
15、獲取所述第一分辨率尺寸與所述第二分辨率尺寸的像素差值；
16、將所述像素差值分為多個遞增像素量；
17、將所述超廣角眼底圖像的分辨率尺寸由第一分辨率尺寸增加一個遞增像素量，判斷所述超廣角眼底圖像的分辨率尺寸是否變為所述第二分辨率尺寸，若是則結束，若否則將所述超廣角眼底圖像的分辨率尺寸再增加一個遞增像素量，直至所述超廣角眼底圖像的分辨率尺寸變為所述第二分辨率尺寸。
18、在其中一個實施例中，所述在分類器中設置超廣角眼底圖像的分類標簽包括：
19、在分類器中設置所述超廣角眼底圖像的分類標簽包括第一層標簽、第二層標簽、第三層標簽和第四層標簽；
20、設置所述第一層標簽包括正常標簽和病理性玻璃體混濁；
21、設置所述第二層標簽包括對應所述病理性玻璃體混濁的非感染性葡萄膜炎和感染性葡萄膜炎；
22、設置所述第三層標簽包括對應所述非感染性葡萄膜炎的結核相關性葡萄膜炎、結節病葡萄膜炎和白塞葡萄膜炎，以及對應所述非感染性葡萄膜炎的內源性葡萄膜炎和外源性葡萄膜炎；
23、設置所述第四層標簽包括對應所述內源性葡萄膜炎的細菌性葡萄膜炎、真菌性葡萄膜炎和病毒性葡萄膜炎，以及對應所述外源性葡萄膜炎的白內障術后葡萄膜炎和外傷后葡萄膜炎。
24、在其中一個實施例中，所述在所述編碼器后增加所述分類器后形成應用模型，對所述應用模型進行訓練直至收斂得到適配超廣角眼底圖像的應用模型包括：
25、在所述分類器中，對所述超廣角眼底圖像的分類標簽設置分層損失函數；
26、對所述第一層標簽、所述第二層標簽、所述第三層標簽和所述第四層標簽分別獲取對應的交叉熵損失并進行相加得到總訓練損失；
27、在所述編碼器后增加所述分類器后形成應用模型，基于所述總訓練損失通過梯度下降法對所述應用模型的參數進行優化，直至所述應用模型收斂。
28、另一方面，提供了一種超廣角眼底圖像分類模型構建裝置，所述裝置包括：
29、構建預訓練基礎模型模塊，用于構建預訓練基礎模型，設置所述預訓練基礎模型中包括掩模自編碼器權重；
30、第一訓練模塊，用于采用紅、綠、藍三通道格式的普通眼底圖像形成第一訓練集，利用所述第一訓練集對所述預訓練基礎模型進行訓練，調整所述預本文檔來自技高網...
【技術保護點】
1.一種超廣角眼底圖像分類模型構建方法，其特征在于，包括：
2.根據權利要求1所述的超廣角眼底圖像分類模型構建方法，其特征在于，在所述構建預訓練基礎模型時，設置所述預訓練基礎模型的輸入通道為紅、綠、藍三個通道；
3.根據權利要求1所述的超廣角眼底圖像分類模型構建方法，其特征在于，在所述構建預訓練基礎模型時，設置所述預訓練基礎模型的輸入通道為紅、綠兩個通道，采用紅、綠兩通道格式的普通眼底圖像形成第一訓練集。
4.根據權利要求1所述的超廣角眼底圖像分類模型構建方法，其特征在于，所述將紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸壓縮形成第二訓練集，利用所述第二訓練集對所述第一基礎模型進行訓練，在訓練過程中逐步將所述紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸提升，逐步調整所述第一基礎模型的掩模自編碼器權重步驟包括：
5.根據權利要求4所述的超廣角眼底圖像分類模型構建方法，其特征在于，所述逐步將所述第二訓練集中超廣角眼底圖像的分辨率尺寸從所述第一分辨率尺寸遞增為第二分辨率尺寸包括：
6.根據權利要求1所述的超廣角眼底圖像分類模型
7.根據權利要求6所述的超廣角眼底圖像分類模型構建方法，其特征在于，所述在所述編碼器后增加所述分類器后形成應用模型，對所述應用模型進行訓練直至收斂得到適配超廣角眼底圖像的應用模型包括：
8.一種超廣角眼底圖像分類模型構建裝置，其特征在于，所述裝置包括：
9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種超廣角眼底圖像分類模型構建方法，其特征在于，包括：
2.根據權利要求1所述的超廣角眼底圖像分類模型構建方法，其特征在于，在所述構建預訓練基礎模型時，設置所述預訓練基礎模型的輸入通道為紅、綠、藍三個通道；
3.根據權利要求1所述的超廣角眼底圖像分類模型構建方法，其特征在于，在所述構建預訓練基礎模型時，設置所述預訓練基礎模型的輸入通道為紅、綠兩個通道，采用紅、綠兩通道格式的普通眼底圖像形成第一訓練集。
4.根據權利要求1所述的超廣角眼底圖像分類模型構建方法，其特征在于，所述將紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸壓縮形成第二訓練集，利用所述第二訓練集對所述第一基礎模型進行訓練，在訓練過程中逐步將所述紅、綠兩通道格式的超廣角眼底圖像的分辨率尺寸提升，逐步調整所述第一基礎模型的掩模自編碼器權重步驟包括：
5.根據權利要求4所述的超廣角眼底圖像分類模型構建方法，其特征在于，所...
【專利技術屬性】
技術研發人員：顧瑞平，沈陽，周旻，常青，王璘，劉澤昇，茅鋒，孫霞，姜琳，湯靜，王曉瑛，周行濤，
申請(專利權)人：復旦大學附屬眼耳鼻喉科醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。