[发明专利]一种近视图像深度学习识别模型训练方法及系统

说明书

本发明涉及医学图像处理技术领域，更具体地涉及一种近视图像深度学习识别模型训练方法，包括以下步骤：采集眼外观图像；对所述眼外观图像进行预处理；以人脸识别大数据库VGG‑Face中的人脸图像作为第一训练数据，对VGG‑16网络模型进行预训练；以预处理后的所述眼外观图像作为第二训练数据，对预训练后的所述VGG‑16网络模型进行训练，得到用于近视图像识别的深度学习模型。本发明提供一种近视图像深度学习识别模型训练方法，用于辅助使用者快速、准确地判断青少年近视情况。

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种近视图像深度学习识别模型训练方法及系统。

背景技术

屈光功能是眼球的重要功能之一，影响眼球的感光功能发育和全眼的视功能。屈光功能损害是世界重大公共卫生问题，严重威胁青少年健康。根据WHO最新的报道，全球大约1.3千万的儿童和青少年由于未矫正的近视而存在视力障碍。然而，目前大多数近视患儿，在视功能严重缺失引起斜视等改变之前，外观特征不明显，难以被人观测到。另外，患儿一般不会感知并告知父母自己的视力障碍，特别是当只有一只眼睛存在视力障碍的时候。传统的近视筛查方法主要通过一年一度的学校视力检查，筛选出有视力异常的儿童，转诊至医院进行验光。需要专业的验光设备和验光师评估，才能发现和确定近视的程度，并有机会进行矫正，但耗时耗力，现有的医疗资源根本无法覆盖近视爆发的青少年人群的需求，耽误宝贵的治疗窗口。同时，由于青少年的快速发育，需要动态跟踪提醒屈光不正的患儿的变化情况，及时调整矫正眼镜度数，以促使视功能的良好发育。这些都是现有的医疗资源和技术共同面临的难题。

屈光功能受眼球眼轴及屈光介质的解剖状态所决定，如角膜的直径大小、厚度、前后表面的曲率、前房深度、瞳孔大小、晶状体的厚度等。由于环境等因素，在屈光功能正视化后，眼球的解剖结构继续变化，导致了近视的出现。除了屈光介质的结构特征的改变，近视往往也会导致一些面部结构特征的变化，如异常头位、斜视、眼轴较长、上睑退缩、眼球突出度较为明显、角膜曲率较陡、鼻梁挺拔度较挺等。然而，这些特征往往在近视度数较深时可在临床观察到。医疗人工智能的发展，很多原有的医疗难题迎刃而解，可以学习和观察到一些人类医生观察不到的变化，并总结出事物的内在联系。基于深度学习的人脸识别技术，有潜力只通过拍摄人外观照，在存在且人肉眼观察不明显的特征中找到规律，并进行诊断，如先天性疾病、性取向判别等。因此，借助深度学习技术，通过人眼外观图像检测眼球的结构图像中屈光介质和眼外观的特征，从而诊断和预测眼球的屈光功能，具有巨大的潜力和优势。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷，提供一种近视图像深度学习识别模型训练方法及系统，用于辅助使用者快速、准确地判断青少年近视情况。

本发明采取的技术方案是，

一种近视图像深度学习识别模型训练方法，包括以下步骤：

采集眼外观图像；

对所述眼外观图像进行预处理；

以人脸识别大数据库VGG-Face中的人脸图像作为第一训练数据，对VGG-16网络模型进行预训练；

以预处理后的所述眼外观图像作为第二训练数据，对预训练后的所述VGG-16网络模型进行训练，得到用于近视图像识别的深度学习模型。

本发明一种近视图像深度学习识别模型训练方法，首先通过采集一系列青少年眼外观图像作为原始数据样本；其次对眼外观图像数据样本进行批量预处理，并将样本分为训练集及测试集；通过人脸识别大数据库VGG-Face人脸图像数据作为第一训练数据对VGG-16神经网络模型进行预训练，生成稳定的人脸识别参数作为近视图像深度学习识别模型的初始化参数；采用预处理后的眼外观图像训练集作为第二训练数据，继续训练预训练处理后的VGG-16神经网络模型，并调整参数至稳定，最终得到近视图像深度学习识别模型。