[发明专利]一种眼底分类模型集成系统、方法、电子设备及介质

权利要求书

1.一种眼底分类模型集成系统，其特征在于，包括：

基础网络集训练模块，用于将预先存储的视盘图像数据集作为训练样本，对多个不同的深度学习网络结构进行视盘异常分类训练，获得多个基础分类模型；其中所述视盘图像数据集包括多个异常类别的视盘图像；

基础网络置信度集成模块，用于将目标视盘图像样本输入到各个基础分类模型，获取各个基础分类模型的置信度向量，并将各个基础分类模型的置信度向量组合，获得集成置信度向量；

基础分类网络集成模块，用于将所述集成置信度向量作为输入特征，通过采用预设分类算法的分类器进行视盘异常分类训练，获得集成分类模型。

2.根据权利要求1所述的眼底分类模型集成系统，其特征在于，所述基础网络置信度集成模块包括：

第一处理模块，用于将目标视盘图像样本输入到各个基础分类模型，获得各个基础分类模型的输出向量；

第二处理模块，用于对各个基础分类模型的输出向量进行校准，并对校准后的输出向量进行归一化处理，获得各个基础分类模型的置信度向量。

3.根据权利要求2所述的眼底分类模型集成系统，其特征在于，所述第二处理模块具体用于：

采用温度标定Temperature Scaling算法对各个基础分类模型的输出向量进行校准，并采用逻辑回归softmax函数对校准后的输出向量进行归一化处理，获得各个基础分类模型的置信度向量。

4.根据权利要求1所述的眼底分类模型集成系统，其特征在于，还包括：

视盘图像检测模块，用于对预先采集的眼底图像数据集中的眼底图像进行视盘检测，获得初始视盘图像数据集；

视盘图像增强模块，用于根据所述初始视盘图像数据集中属于各个异常类别的视盘图像的数量，对所述初始视盘图像数据集进行异常类别的平衡性增强和多样性增强处理，获得作为训练样本的视盘图像数据集。

5.根据权利要求1所述的眼底分类模型集成系统，其特征在于，所述采用预设分类算法的分类器为采用机器学习分类算法的分类器。

6.一种眼底分类模型集成方法，其特征在于，包括：

将预先存储的视盘图像数据集作为训练样本，对多个不同的深度学习网络结构进行视盘异常分类训练，获得多个基础分类模型；其中所述视盘图像数据集包括多个异常类别的视盘图像；

将目标视盘图像样本输入到各个基础分类模型，获取各个基础分类模型的置信度向量，并将各个基础分类模型的置信度向量组合，获得集成置信度向量；

将所述集成置信度向量作为输入特征，通过采用预设分类算法的分类器进行视盘异常分类训练，获得集成分类模型。

7.根据权利要求6所述的眼底分类模型集成方法，其特征在于，所述将目标视盘图像样本输入到各个基础分类模型，获取各个基础分类模型的置信度向量的步骤包括：

将目标视盘图像样本输入到各个基础分类模型，获得各个基础分类模型的输出向量；

对各个基础分类模型的输出向量进行校准，并对校准后的输出向量进行归一化处理，获得各个基础分类模型的置信度向量。

8.根据权利要求7所述的眼底分类模型集成系统，其特征在于，所述对各个基础分类模型的输出向量进行校准，并对校准后的输出向量进行归一化处理，获得各个基础分类模型的置信度向量的步骤包括：

采用温度标定Temperature Scaling算法对各个基础分类模型的输出向量进行校准，并采用逻辑回归softmax函数对校准后的输出向量进行归一化处理，获得各个基础分类模型的置信度向量。

9.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线；其中，处理器、通信接口以及存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现如权利要求6至8任一项所述的眼底分类模型集成方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求6至8任一项所述的眼底分类模型集成方法。