申请/专利权人：华南师范大学

申请日：2022-03-31

公开（公告）日：2024-04-16

公开（公告）号：CN114881927B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/0464;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明公开了一种早产儿视网膜病变的检测方法及装置、设备，该方法包括：获取早产儿的早期眼底图像的数据集，并将数据集中分为训练集和测试集；训练MS‑ROP模型，得到训练好的MS‑ROP模型并将MN‑ROP模型训练好；将测试集中的早期眼底图像输入训练好的MN‑ROP模型中，通过MN‑ROP模型检测早期眼底图像，得到是否为ROP的检测结果；用标注为ROP的早期眼底图像训练MS‑TR‑ROP模型，得到训练好的MS‑TR‑ROP模型并将MN‑TR‑ROP模型训练好；将第一检测结果为ROP的早期眼底图像输入训练好的MN‑TR‑ROP模型中并检测ROP早期眼底图像，得到第二检测结果。通过本发明提供的方法，因为MN‑ROP模型和MN‑TR‑ROP模型具有很小量的参数，可快速检测早期眼底图像，适合部署在嵌入式ROP检测设备中；且还可保持与MS‑ROP模型和MS‑TR‑ROP模型非常相近的准确率。

主权项：1.一种早产儿视网膜病变的检测方法，其特征在于，所述方法包括：获取早产儿的早期眼底图像的数据集，并将所述数据集分为训练集和测试集；通过所述训练集训练MS-ROP模型，得到训练好的所述MS-ROP模型，通过所述训练好的MS-ROP模型和所述训练集利用知识蒸馏方法训练MN-ROP模型，得到训练好的所述MN-ROP模型，其中，将所述训练集中的早期眼底图像进行预处理后输入至所述MS-ROP模型，基于所述MS-ROP模型分别对所述训练集中的早期眼底图像进行特征提取、特征聚合以及分类，得到所述训练集中的早期眼底图像的第一输出类型的概率；通过所述第一输出类型的概率与输入至所述MS-ROP模型中的早期眼底图像的真实标签进行计算，得到第一损失函数并将其反向传播并更新所述MS-ROP模型的参数，从而得到所述训练好的MS-ROP模型；分别将所述训练集中的早期眼底图像进行预处理后输入至所述训练好的MS-ROP模型和所述MN-ROP模型，得到所述训练好的MS-ROP模型的第一分类概率和所述MN-ROP模型的第二分类概率，计算所述第二分类概率与输入至所述MN-ROP模型中的早期眼底图像的真实标签得到第二损失函数，且通过所述第一分类概率和所述第二分类概率计算第三损失函数；计算所述第二损失函数和所述第三损失函数得到第一总损失函数，将所述第一总损失函数反向传播并更新所述MN-ROP模型的参数，得到所述训练好的MN-ROP模型；将所述测试集中的早期眼底图像进行预处理后输入至所述训练好的MN-ROP模型中，通过所述MN-ROP模型检测所述预处理后的早期眼底图像，得到所述预处理后的早期眼底图像的第一检测结果，所述第一检测结果至少包括ROP，其中，通过所述MN-ROP模型检测所述预处理后的早期眼底图像后，基于所述MN-ROP模型分别输出所述预处理后的早期眼底图像的第一类型得分，其中，所述第一类型包括所述ROP和Normal；通过Softmax激活函数处理所述预处理后的早期眼底图像的第一类型得分，得到所述预处理后的早期眼底图像的第一类型概率，所述第一检测结果为所述第一类型概率较大的类型；通过所述训练集训练MS-TR-ROP模型，得到训练好的所述MS-TR-ROP模型，通过所述训练好的MS-TR-ROP模型和所述训练集利用知识蒸馏方法训练MN-TR-ROP模型，得到训练好的所述MN-TR-ROP模型，其中，将所述训练集中已标注ROP的早期眼底图像进行预处理后输入至所述MS-TR-ROP模型，基于所述MS-TR-ROP模型分别对所述训练集中的早期眼底图像进行特征提取、特征聚合以及分类，得到所述训练集中的早期眼底图像的第二输出类型的概率；通过所述第二输出类型的概率与输入至所述MS-TR-ROP模型中的早期眼底图像的真实标签进行计算，得到第四损失函数并将其反向传播并更新所述MS-TR-ROP模型的参数，从而得到所述训练好的MS-TR-ROP模型；分别将所述训练集中的早期眼底图像进行预处理后输入至所述训练好的MS-TR-ROP模型和所述MN-TR-ROP模型，得到所述训练好的MS-TR-ROP模型的第三分类概率和所述MN-TR-ROP模型的第四分类概率，计算所述第四分类概率与输入至所述MN-TR-ROP模型中的早期眼底图像的真实标签得到第五损失函数，且通过所述第三分类概率和所述第四分类概率计算第六损失函数；计算所述第五损失函数和所述第六损失函数得到第二总损失函数，将所述第二总损失函数反向传播并更新所述MN-TR-ROP模型的参数，得到所述训练好的MN-TR-ROP模型；将所述第一检测结果为ROP的早期眼底图像进行预处理后输入至所述训练好的MN-TR-ROP模型中，通过所述训练好的MN-TR-ROP模型对所述预处理后的ROP早期眼底图像进行检测，得到所述预处理后的ROP早期眼底图像的第二检测结果，其中，通过所述MN-TR-ROP模型检测所述预处理后的ROP早期眼底图像后，基于所述MN-TR-ROP模型分别输出所述预处理后的ROP早期眼底图像的第二类型得分，其中，所述第二类型包括TR-ROP和Non-TR-ROP；通过Softmax激活函数处理所述预处理后的ROP早期眼底图像的第二类型得分，得到所述预处理后的ROP早期眼底图像的第二类型概率，所述第二检测结果为所述第二类型概率较大的类型。

全文数据：

权利要求：

百度查询： 华南师范大学 早产儿视网膜病变的检测方法及装置、设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD