【技术实现步骤摘要】
本专利技术主要涉及图像处理领域，尤其涉及一种基于自监督学习的眼部图像分类方法及相关设备。
技术介绍
1、眼表疾病(ocular surface disease，osd)泛指损害角膜、结膜等眼表正常结构与功能的疾病，通常是使用如裂隙灯和基于光学相干断层扫描成像技术的医疗设备，对患者眼部进行图像采集，再由眼科医生观看眼部图像是否存在病变特征，来判断患有哪种眼表疾病，这对眼科医生的专业技能要求较高，无法保证判断结果的可靠性和准确性。
2、对此，提出利用大量具有类别标签的人工标注数据，通过监督学习方式，得到一个用于识别输入图像的类别信息的分类模型，这样，可以将采集到的眼部图像输入该分类模型，得到该眼部图像的类别信息，如是否属于某眼表疾病类别，以辅助眼科医生快速且准确地确定患者病情。然而，由于人工标注数据的获取过程耗时且人工成本很大，获取的数据量也有限，影响了分类模型的学习效率和可靠性。
技术实现思路
1、为了解决上述问题，本申请提出了以下技术方案：
2、一方面，本申请提出了一种基于自监督学习的眼部图像分类方法，所述方法包括：
3、获得待识别眼部图像；
4、通过基于自监督学习得到的眼部图像分类模型，对所述待识别眼部图像进行处理，得到类别预测信息；其中，所述眼部图像分类模型是将预训练的监督任务模型迁移学习到眼部图像分类任务模型后，利用样本图像进行模型参数微调得到，所述监督任务模型是通过对一组混合图像各自的图像块预测位置进行监督学习得到，所述一组混
5、利用所述类别预测信息，输出所述待识别眼部图像的类别结果。
6、可选的，所述对一组样本图像分块混合得到一组混合图像，包括：
7、获得一组样本图像；所述一组样本图像包括多张样本图像，；
8、将所述一组样本图像中的每一张所述样本图像分割成相同数量的图像块；
9、基于每一张所述样本图像分割得到的所述图像块数量，获得针对所述一组样本图像的图像块混合掩码；所述图像块混合掩码由所述多张样本图像各自的图像标识构成；
10、基于所述图像块混合掩码，对所述一组样本图像中所述图像块进行混合处理，得到对应的一组混合图像。
11、可选的，所述基于每一张所述样本图像分割得到的所述图像块数量，获得针对所述一组样本图像的图像块混合掩码，包括：
12、确定所述一组样本图像中每一张所述样本图像对应的图像标识；
13、基于所述样本图像分割得到的图像块数量，随机生成针对每一张样本图像的子混合掩码；所述子混合掩码包含的所述图像标识数量与一张所述样本图像分割成的所述图像块的数量相同；
14、由所述子混合掩码构成针对所述一组样本图像的图像块混合掩码。
15、可选的，所述基于所述图像块混合掩码，对所述一组样本图像中所述图像块进行混合处理，得到对应的一组混合图像，包括：
16、按照每一所述子混合掩码中不同位置的所述图像标识，由具有对应所述图像标识的所述样本图像分割后对应位置处的所述图像块构成一张混合图像。
17、可选的，所述通过对一组混合图像各自的图像块预测位置进行监督学习，得到监督任务模型，包括：
18、将所述一组混合图像输入编码网络进行特征提取，得到对应的特征图；
19、基于所述图像块混合掩码，获得针对所述一组混合图像的图像块恢复掩码；
20、将所述特征图和所述图像块恢复掩码输入解码网络，通过对预测得到的相应所述图像块所属所述样本图像的图像标识进行监督学习，得到辅助任务模型。
21、可选的，所述将所述特征图和所述图像块恢复掩码输入解码网络，通过对预测得到的相应所述图像块所属所述样本图像的图像标识进行监督学习，得到辅助任务模型，包括：
22、基于解码网络对所述特征图包含的各特征块进行语义分析，识别对应的所述图像块所属所述样本图像的预测图像标识；
23、基于交叉熵损失函数，对所述预测图像标识与所述图像块恢复掩码对应所述图像块的所述图像标识进行运算，得到对应所述图像块的位置预测损失；
24、通过最小化所述位置预测损失，训练所述解码网络，得到针对眼部图像分类任务的辅助任务模型。
25、可选的，所述将预训练的监督任务模型迁移学习到眼部图像分类任务模型后，利用样本图像进行模型参数微调，得到眼部图像分类模型，包括：
26、将所述辅助任务模型迁移学习为下游眼部图像分类任务模型的预训练模型；所述下游眼部图像分类任务模型的输出层为分类器；
27、利用所述样本图像，对所述预训练模型的模型参数进行微调，得到眼部图像分类模型。
28、可选的，所述分类器为由三个全连接层构成的非线性分类器；
29、所述编码网络由三个卷积神经网络cnn层构成；
30、所述解码网络为卷积神经网络convnet。
31、另一方面，本申请还提出了一种基于自监督学习的眼部图像分类装置，所述装置包括：
32、待识别眼部图像获得模块，用于获得待识别眼部图像；
33、类别预测信息得到模块，用于通过基于自监督学习得到的眼部图像分类模型，对所述待识别眼部图像进行处理，得到类别预测信息；其中，所述眼部图像分类模型是将预训练的监督任务模型迁移学习到眼部图像分类任务模型后，利用样本图像进行模型参数微调得到，所述监督任务模型是通过对一组混合图像各自的图像块预测位置进行监督学习得到，所述一组混合图像是对一组样本图像分块混合得到；
34、类别结果输出模块，用于利用所述类别预测信息，输出所述待识别眼部图像的类别结果。
35、又一方面，本申请还提出了一种电子设备，所述电子设备包括：
36、通信连接端口，用于接收待识别眼部图像；
37、处理器，用于加载执行计算机执行，实现以下步骤：
38、获得待识别眼部图像；
39、通过基于自监督学习得到的眼部图像分类模型，对所述待识别眼部图像进行处理，得到类别预测信息；其中，所述眼部图像分类模型是将预训练的监督任务模型迁移学习到眼部图像分类任务模型后，利用样本图像进行模型参数微调得到，所述监督任务模型是通过对一组混合图像各自的图像块预测位置进行监督学习得到，所述一组混合图像是对一组样本图像分块混合得到；
40、利用所述类别预测信息，输出所述待识别眼部图像的类别结果。
本文档来自技高网...【技术保护点】
1.一种基于自监督学习的眼部图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对一组样本图像分块混合得到一组混合图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每一张所述样本图像分割得到的所述图像块数量，获得针对所述一组样本图像的图像块混合掩码，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述图像块混合掩码，对所述一组样本图像中所述图像块进行混合处理，得到对应的一组混合图像，包括：
5.根据权利要求2-4任一项所述的方法，其特征在于，所述通过对一组混合图像各自的图像块预测位置进行监督学习，得到监督任务模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述将所述特征图和所述图像块恢复掩码输入解码网络，通过对预测得到的相应所述图像块所属所述样本图像的图像标识进行监督学习，得到辅助任务模型，包括：
7.根据权利要求5所述的方法，其特征在于，所述将预训练的监督任务模型迁移学习到眼部图像分类任务模型后，利用样本图像进行模型参数微调，得到眼部图像分
8.根据权利要求7所述的方法，其特征在于，所述分类器为由三个全连接层构成的非线性分类器；
9.一种基于自监督学习的眼部图像分类装置，其特征在于，所述装置包括：
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种基于自监督学习的眼部图像分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对一组样本图像分块混合得到一组混合图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于每一张所述样本图像分割得到的所述图像块数量，获得针对所述一组样本图像的图像块混合掩码，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述图像块混合掩码，对所述一组样本图像中所述图像块进行混合处理，得到对应的一组混合图像，包括：
5.根据权利要求2-4任一项所述的方法，其特征在于，所述通过对一组混合图像各自的图像块预测位置进行监督学习，得到监督任务模型，...
【专利技术属性】
技术研发人员：王晓婷，栾欣泽，刘新颖，何星儒，
申请(专利权)人：辽宁蜻蜓健康科技有限公司，
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。