【技术实现步骤摘要】
本专利技术涉及医疗影像处理，特别涉及一种眼底图像分类方法、装置、设备及介质。
技术介绍
1、目前，眼底图像分类的方法一般是医学专家根据获取到的眼底图像进行分类注释，借此判断病情发展时期，提出有针对性的治疗方案，分类的准确与否直接影响医生对病情的判断，是诊断过程中的重要步骤。精确的分类注释依赖于专业医师的决策判断，当患者数量大，这种传统的由人工完成的分类方式效率较低，在处理复杂数据时适应性差，且不可避免的会产生分类误差，并且，标记疾病是繁琐、耗时和劳动密集型的工作，特别是对于大规模的数据集。目前还可以利用半监督学习的方法进行眼底图像分类，但是在现有的医学影像资源中，存在大量没有精确标签数据且数量远大于有精确标签数据，因此，可能会对模型性能产生限制，并且半监督学习方法需要对眼底数据集进行标注，这些分类信息也需要耗费专业医生大量的时间和精力，并且会降低眼底图像分类的准确性。
2、由上可见，如何解决目前眼底图像分类对于分类标签数据的依赖问题，降低误诊漏诊率，提高眼底图像分类的准确性和效率，节约人力资源是本领域有待解决的问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种眼底图像分类方法、装置、设备及介质，能够解决目前眼底图像分类对于分类标签数据的依赖问题，降低误诊漏诊率，提高眼底图像分类的准确性和效率，节约人力资源。其具体方案如下：
2、第一方面，本申请公开了一种眼底图像分类方法，所述方法基于预设的卷积神经网络-图卷积网络-自监督学习网络模型，包括：p>
3、获取眼底图像，基于所述眼底图像生成训练集，对所述训练集进行特征增强及旋转操作，以得到旋转增强图像；
4、对所述旋转增强图像进行特征提取及训练操作，以得到多视图实例识别任务表示特征和旋转预测任务表示特征，分别对所述多视图实例识别任务表示特征和所述旋转预测任务表示特征进行损失函数计算和交叉熵损失函数计算，以得到实例损失函数和旋转损失函数；
5、利用所述实例损失函数和所述旋转损失函数对本地的模型参数进行调整，以生成模型调整损失函数，利用预设的k近邻分类器对所述模型调整损失函数进行自监督学习的眼底疾病诊断分级，以得到诊断分级结果；
6、按照所述诊断分级结果对所述眼底图像进行分类。
7、可选的，所述获取眼底图像之前，还包括：
8、构建初始网络模型；
9、对所述初始网络模型进行配置，以得到所述卷积神经网络-图卷积网络-自监督学习网络模型；所述卷积神经网络-图卷积网络-自监督学习网络模型包括隐式实例图表示模块、隐式自适应归一化指数函数嵌入模块以及自注意力特征提取模块。
10、可选的，所述对所述训练集进行特征增强及旋转操作，以得到旋转增强图像，包括：
11、对所述训练集进行随机特征增强操作，以得到增强图像；
12、对所述增强图像进行旋转操作，并为旋转后的所述增强图像分配旋转标签，以得到所述旋转增强图像。
13、可选的，所述对所述旋转增强图像进行特征提取及训练操作，以得到多视图实例识别任务表示特征和旋转预测任务表示特征，包括：
14、利用本地的卷积神经网络对所述旋转增强图像进行特征提取，以得到提取特征；
15、基于本地的自注意力特征提取模块对所述提取特征进行训练操作，以得到所述多视图实例识别任务表示特征和所述旋转预测任务表示特征。
16、可选的，所述基于本地的自注意力特征提取模块对所述提取特征进行训练操作，以得到所述多视图实例识别任务表示特征和所述旋转预测任务表示特征，包括：
17、基于所述自注意力特征提取模块对所述提取特征进行训练操作，以得到训练后特征；
18、对所述训练后特征进行解耦，以得到所述多视图实例识别任务表示特征和所述旋转预测任务表示特征。
19、可选的，所述分别对多视图实例识别任务表示特征和所述旋转预测任务表示特征进行损失函数计算和交叉熵损失函数计算，以得到实例损失函数和旋转损失函数，包括：
20、利用本地的隐式自适应归一化指数函数嵌入模块对所述多视图实例识别任务表示特征进行损失函数计算，并对所述旋转预测任务表示特征进行交叉熵损失函数计算，以得到所述实例损失函数和所述旋转损失函数。
21、可选的，所述利用所述实例损失函数和所述旋转损失函数对本地的模型参数进行调整，包括：
22、对实例损失函数和旋转损失函数进行加权组合，以得到总体损失函数；
23、利用所述总体损失函数对本地的模型参数进行调整。
24、第二方面，本申请公开了一种眼底图像分类装置，所述装置基于预设的卷积神经网络-图卷积网络-自监督学习网络模型，包括：
25、旋转增强模块，用于获取眼底图像，基于所述眼底图像生成训练集，对所述训练集进行特征增强及旋转操作，以得到旋转增强图像；
26、损失函数计算模块，用于对所述旋转增强图像进行特征提取及训练操作，以得到多视图实例识别任务表示特征和旋转预测任务表示特征，分别对所述多视图实例识别任务表示特征和所述旋转预测任务表示特征进行损失函数计算和交叉熵损失函数计算，以得到实例损失函数和旋转损失函数；
27、诊断分级模块，用于利用所述实例损失函数和所述旋转损失函数对本地的模型参数进行调整，以生成模型调整损失函数，利用预设的k近邻分类器对所述模型调整损失函数进行自监督学习的眼底疾病诊断分级，以得到诊断分级结果；
28、图像分类模块，用于按照所述诊断分级结果对所述眼底图像进行分类。
29、第三方面，本申请公开了一种电子设备，包括：
30、存储器，用于保存计算机程序；
31、处理器，用于执行所述计算机程序，以实现前述的眼底图像分类方法。
32、第四方面，本申请公开了一种计算机存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的眼底图像分类方法的步骤。
33、可见，本申请提供了一种眼底图像分类方法，包括获取眼底图像，基于所述眼底图像生成训练集，对所述训练集进行特征增强及旋转操作，以得到旋转增强图像；对所述旋转增强图像进行特征提取及训练操作，以得到多视图实例识别任务表示特征和旋转预测任务表示特征，分别对所述多视图实例识别任务表示特征和所述旋转预测任务表示特征进行损失函数计算和交叉熵损失函数计算，以得到实例损失函数和旋转损失函数；利用所述实例损失函数和所述旋转损失函数对本地的模型参数进行调整，以生成模型调整损失函数，利用预设的k近邻分类器对所述模型调整损失函数进行自监督学习的眼底疾病诊断分级，以得到诊断分级结果；按照所述诊断分级结果对所述眼底图像进行分类。本申请的方法基于预设的卷积神经网络-图卷积网络-自监督学习网络模型，基于眼底图像生成训练集，并进行特征增强、旋转、特征提取以及训练操作，得到多视图实例识别任务表示特征和旋转预测任务表示特征，计算出实例损失函数和旋转损失函数，本文档来自技高网...
【技术保护点】
1.一种眼底图像分类方法，其特征在于，所述方法基于预设的卷积神经网络-图卷积网络-自监督学习网络模型，包括：
2.根据权利要求1所述的眼底图像分类方法，其特征在于，所述获取眼底图像之前，还包括：
3.根据权利要求1所述的眼底图像分类方法，其特征在于，所述对所述训练集进行特征增强及旋转操作，以得到旋转增强图像，包括：
4.根据权利要求1所述的眼底图像分类方法，其特征在于，所述对所述旋转增强图像进行特征提取及训练操作，以得到多视图实例识别任务表示特征和旋转预测任务表示特征，包括：
5.根据权利要求4所述的眼底图像分类方法，其特征在于，所述基于本地的自注意力特征提取模块对所述提取特征进行训练操作，以得到所述多视图实例识别任务表示特征和所述旋转预测任务表示特征，包括：
6.根据权利要求1所述的眼底图像分类方法，其特征在于，所述分别对所述多视图实例识别任务表示特征和所述旋转预测任务表示特征进行损失函数计算和交叉熵损失函数计算，以得到实例损失函数和旋转损失函数，包括：
7.根据权利要求1至6任一项所述的眼底图像分类方法，
8.一种眼底图像分类装置，其特征在于，所述装置基于预设的卷积神经网络-图卷积网络-自监督学习网络模型，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的眼底图像分类方法。
...【技术特征摘要】
1.一种眼底图像分类方法，其特征在于，所述方法基于预设的卷积神经网络-图卷积网络-自监督学习网络模型，包括：
2.根据权利要求1所述的眼底图像分类方法，其特征在于，所述获取眼底图像之前，还包括：
3.根据权利要求1所述的眼底图像分类方法，其特征在于，所述对所述训练集进行特征增强及旋转操作，以得到旋转增强图像，包括：
4.根据权利要求1所述的眼底图像分类方法，其特征在于，所述对所述旋转增强图像进行特征提取及训练操作，以得到多视图实例识别任务表示特征和旋转预测任务表示特征，包括：
5.根据权利要求4所述的眼底图像分类方法，其特征在于，所述基于本地的自注意力特征提取模块对所述提取特征进行训练操作，以得到所述多视图实例识别任务表示特征和所述旋转预测任务表示特...
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。