[发明专利]眼底图片中病变特征的识别方法和装置、存储介质

权利要求书

1.一种眼底图片中的图像特征的识别方法，其特征在于，包括：

获取待识别的眼底图片；

将所述眼底图片输入到第一神经网络模型中，其中，所述第一神经网络模型为使用第一训练集合对第二神经网络模型中的参数进行初始化，得到第三神经网络模型后，通过使用第二训练集合中被标记过的训练图片继续对所述第三神经网络进行训练来对所述第三神经网络模型中的参数进行重新调整，并将参数调整的所述第三神经网络模型作为所述第一神经网络模型，所述第一训练集合中包括正样本的训练图片和负样本的训练图片，所述正样本的训练图片中标识有病变特征所在的图像区域以及所述病变特征的病变类型，所述负样本的训练图片中标识有不包括所述病变特征的一个图像区域，所述第二训练集合中包括所述病变特征未被标记的图像；

获取所述第一神经网络模型输出的第一识别结果，其中，所述第一识别结果用于指示所述待识别的眼底图片中的所述病变特征对应的病情分类以及病情严重程度；

所述方法，还包括：

在所述将所述眼底图片输入到第一神经网络模型中之前，使用所述第三神经网络模型对所述第二训练集合中训练图片进行识别，获取所述第三神经网络模型输出的第二识别结果，并按照如下公式计算对所述第二训练集合中当前训练图片的所述第二识别结果的置信度s，

其中，PA是根据所述当前训练图片的所述第二识别结果中每个类型的概率确定的用于表示所述当前训练图片的重要性的参数，PA的计算方式为：

p_i用于指示所述当前训练图片属于多个病变类型中的第i个类型的概率，i的取值范围为1到N_C，N_C为所述多个病变类型的类型数量；

d是根据所述第三神经网络模型从所述当前训练图片中识别出的特征向量和所述第二训练集合中训练图片的特征向量确定的密度参数，d的计算方式为：

f_FC(x)用于指示所述当前训练图片的特征向量，f_FC(x′)用于指示所述第二训练集合中训练图片的特征向量，M1用于指示所述第二训练集合中训练图片的数量，||f_FC(x)||用于指示特征向量f_FC(x)的范数，||f_FC(x′)||用于指示特征向量f_FC(x′)的范数；

v是根据所述第三神经网络模型从所述当前训练图片中识别出的特征向量和所述第一训练集合中训练图片的特征向量确定的多样性参数，v的计算方式为：

f_FC(x)用于指示所述当前训练图片的特征向量，f_FC(x″)用于指示所述第一训练集合中训练图片的特征向量，M2表示第二训练集合中训练图片的数量，||f_FC(x)||用于指示特征向量f_FC(x)的范数，||f_FC(x″)||用于指示特征向量f_FC(x″)的范数；

w₁和w₂为预先配置好的参数；

获取所述第二训练集合中训练图片的所有所述第二识别结果中置信度排序后最高的N个为第三识别结果，并利用所述第三识别结果对所述第二训练集合中对应的训练图片进行标记。

2.根据权利要求1所述的方法，其特征在于，在将所述眼底图片输入到所述第一神经网络模型中之前，所述方法还包括：

获取所述第一训练集合与所述第二训练集合；

使用所述第一训练集合中的所述正样本的训练图片与所述负样本的训练图片对所述第二神经网络模型中的参数进行初始化，并将参数初始化后的所述第二神经网络模型作为第三神经网络模型；

使用所述第三神经网络模型对所述第二训练集合中训练图片进行识别，并利用所述第三神经网络模型输出的第二识别结果对所述第二训练集合中的训练图片进行标记，其中，所述第二识别结果至少用于指示在所述第二训练集合的训练图片中识别出的图像特征；

通过使用所述第二训练集合中被标记过的训练图片继续对所述第三神经网络模型进行训练来对所述第三神经网络模型中的参数进行重新调整，并将参数调整后的所述第三神经网络模型作为所述第一神经网络模型。