[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

说明书

本发明实施例提供了一种眼底分类模型集成系统、方法、电子设备及介质，涉及医学影像分类技术领域。该系统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；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。本发明的方案通过融合不同的分类神经网络，提高了视盘异常分类性能。

技术领域

本发明涉及医学影像分类技术领域，尤其涉及一种眼底分类模型集成系统、方法、电子设备及介质。

背景技术

很多的眼底疾病，比如青光眼，年龄性黄斑退化，糖尿病性视网膜病变等都会导致不可挽回的视力损伤甚至失明。视网膜眼底图像是观察视网膜和诊断眼底疾病的一种重要影像手段。视盘是视网膜上视觉神经和血管汇集穿出眼球的部位。视盘区的异常通常与视神经和视网膜血管的异常密切相关。视盘区的大部分异常都可以通过眼底图像观察到，比如视盘前膜，视乳头水肿，青光眼，视神经萎缩，有髓神经纤维，牵牛花综合症等。

近年来，随着基于神经网络的深度学习算法的发展，深度学习模型在医疗影像领域，如基于眼底图像的病灶分类，得到了广泛的应用。尽管如此，由于眼底图像的多样性和病灶的多样性，基于眼底图像的病灶分类依然是一个很具有挑战性的任务，基于目前的深度学习模型仍然存在分类性能不高的问题。

发明内容

本发明提供一种眼底分类模型集成系统、方法、电子设备及介质，解决现有技术中由于眼底图像的多样性和病灶的多样性，基于目前的深度学习模型仍然存在分类性能不高的问题。

在本发明实施的第一方面，提供了一种眼底分类模型集成系统，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。