技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：获取第一训练集，其中，所述第一训练集中包括多个样本眼底图像；生成各样本眼底图像的血管分割图，其中，所述血管分割图为二值图；对于每个样本眼底图像，将样本眼底图像中各像素点rgb三通道的像素值与其血管分割图中对应位置像素点的像素值进行合并处理，得到四通道的图像；将所述四通道的图像输入至预先构建的初始网络模型中，进行模型训练，得到目标网络模型，其中，所述初始网络模型的网络超参数至少包括引导强度，所述引导强度用于启发网络模型基于四通道的图像中的血管信息生成新的眼底图像中的血管，所述目标网络模型用于生成新的眼底图像。2.根据权利要求1所述的方法，其特征在于，所述初始网络模型为基于生成式对抗网络gan构建的网络模型。3.根据权利要求1或2所述的方法，其特征在于，所述血管分割图中每个像素点的像素值为0或1；所述四通道的图像中每个像素点的像素值为[r,g,b,m*s*u]，其中，r为样本眼底图像中像素点的r通道的像素值，g为g通道的像素值，b为b通道的像素值，m为血管分割图中对应位置像素点的像素值，s为所述引导强度，u为255。4.一种眼底图像生成方法，用于基于权利要求1至3中任一项所述的目标网络模型生成新的眼底图像，其特征在于，所述方法包括：接收原始眼底图像；生成所述原始眼底图像的血管分割图；将所述原始眼底图像中各像素点rgb三通道的像素值与其血管分割图中对应位置像素点的像素值进行合并处理，得到四通道的第一图像；将所述第一图像输入至目标网络模型中进行处理，得到四通道的第二图像；基于所述第二图像中像素点的rgb通道信息，生成新的眼底图像。5.一种模型评估方法，用于对权利要求1至3中任一项所述的目标网络模型的性能进行评估，其特征在于，所述方法包括：获取第二训练集和合成图像集，其中，所述第二训练集中包括多个样本眼底图像，所述合成图像集中包括多个眼底图像，所述合成图像集中的眼底图像是基于所述第二训练集和目标网络模型所生成的新的眼底图像；将所述第二训练集中的各样本眼底图像，分别输入至预先训练的多病种分类模型中进行处理，得到各样本眼底图像属于各病种的概率分布；以及将所述合成图像集中的各眼底图像，分别输入至所述多病种分类模型中进行处理，得到各眼底图像属于各病种的概率分布；根据所述第二训练集中各样本眼底图像属于各病种的概率分布和所述合成图像集中各眼底图像属于各病种的概率分布，计算所述第二训练集与所述合成图像集在病种概率分布维度下的相似度；根据所述相似度，对所述目标网络模型的性能进行评估。6.根据权利要求5所述的方法，其特征在于，所述根据所述第二训练集中各样本眼底图像属于各病种的概率分布和所述合成图像集中各眼底图像属于各病种的概率分布，计算所
述第二训练集与所述合成图像集在病种概率分布维度下的相似度，包括：根据所述第二训练集中各样本眼底图像属于各病种的概率分布和所述合成图像集中各眼底图像属于各病种的概率分布，计算所述第二训练集与所述合成图像集在每个病种维度下的js散度值；根据所述第二训练集与所述合成图像集在每个病种维度下的js散度值，计算所述第二训练集与所述合成图像集在病种概率分布维度下的相似度。7.根据权利要求6所述的方法，其特征在于，所述根据所述第二训练集与所述合成图像集在每个病种维度下的js散度值，计算所述第二训练集与所述合成图像集在病种概率分布维度下的相似度，包括：对所述第二训练集与所述合成图像集在每个病种维度下的js散度值进行均值运算，得到js散度均值，其中，js散度均值的数值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高；或者，对所述第二训练集与所述合成图像集在每个病种维度下的js散度值进行加权求和运算，得到js散度加权求和值，其中，js散度加权求和值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高；或者，对所述第二训练集与所述合成图像集在每个病种维度下的js散度值均进行平方根运算，得到所述第二训练集与所述合成图像集在每个病种维度下的js距离值，对所述第二训练集与所述合成图像集在每个病种维度下的js距离值进行均值运算，得到js距离均值，其中，js距离均值的数值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高；或者，对所述第二训练集与所述合成图像集在每个病种维度下的js距离值进行加权求和运算，得到js距离加权求和值，其中，js距离加权求和值的数值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高。8.一种模型训练装置，其特征在于，所述装置包括：第一获取模块，用于获取第一训练集，其中，所述第一训练集中包括多个样本眼底图像；第一生成模块，用于生成各样本眼底图像的血管分割图，其中，所述血管分割图为二值图；第一合并模块，用于对于每个样本眼底图像，将样本眼底图像中各像素点rgb三通道的像素值与其血管分割图中对应位置像素点的像素值进行合并处理，得到四通道的图像；训练模块，用于将所述四通道的图像输入至预先构建的初始网络模型中，进行模型训练，得到目标网络模型，其中，所述初始网络模型的网络超参数至少包括引导强度，所述引导强度用于启发网络模型基于四通道的图像中的血管信息生成新的眼底图像中的血管，所述目标网络模型用于生成新的眼底图像。9.根据权利要求8所述的装置，其特征在于，所述初始网络模型为基于生成式对抗网络gan构建的网络模型。10.根据权利要求8或9所述的装置，其特征在于，所述血管分割图中每个像素点的像素值为0或1；所述四通道的图像中每个像素点的像素值为[r,g,b,m*s*u]，其中，r为样本眼底图像
中像素点的r通道的像素值，g为g通道的像素值，b为b通道的像素值，m为血管分割图中对应位置像素点的像素值，s为所述引导强度，u为255。11.一种眼底图像生成装置，用于基于权利要求8至10中任一项所述的目标网络模型生成新的眼底图像，其特征在于，所述装置包括：接收模块，用于接收原始眼底图像；第二生成模块，用于生成所述原始眼底图像的血管分割图；第二合并模块，用于将所述原始眼底图像中各像素点rgb三通道的像素值与其血管分割图中对应位置像素点的像素值进行合并处理，得到四通道的第一图像；第一处理模块，用于将所述第一图像输入至目标网络模型中进行处理，得到四通道的第二图像；第三生成模块，用于基于所述第二图像中像素点的rgb通道信息，生成新的眼底图像。12.一种模型评估装置，用于对权利要求8至10中任一项所述的目标网络模型的性能进行评估，其特征在于，所述装置包括：第二获取模块，用于获取第二训练集和合成图像集，其中，所述第二训练集中包括多个样本眼底图像，所述合成图像集中包括多个眼底图像，所述合成图像集中的眼底图像是基于所述第二训练集和目标网络模型所生成的新的眼底图像；第二处理模块，用于将所述第二训练集中的各样本眼底图像，分别输入至预先训练的多病种分类模型中进行处理，得到各样本眼底图像属于各病种的概率分布；以及将所述合成图像集中的各眼底图像，分别输入至所述多病种分类模型中进行处理，得到各眼底图像属于各病种的概率分布；计算模块，用于根据所述第二训练集中各样本眼底图像属于各病种的概率分布和所述合成图像集中各眼底图像属于各病种的概率分布，计算所述第二训练集与所述合成图像集在病种概率分布维度下的相似度；评估模块，用于根据所述相似度，对所述目标网络模型的性能进行评估。13.根据权利要求12所述的装置，其特征在于，所述计算模块包括：第一计算子模块，用于根据所述第二训练集中各样本眼底图像属于各病种的概率分布和所述合成图像集中各眼底图像属于各病种的概率分布，计算所述第二训练集与所述合成图像集在每个病种维度下的js散度值；第二计算子模块，用于根据所述第二训练集与所述合成图像集在每个病种维度下的js散度值，计算所述第二训练集与所述合成图像集在病种概率分布维度下的相似度。14.根据权利要求12所述的装置，其特征在于，所述第二计算子模块包括：第一计算单元，用于对所述第二训练集与所述合成图像集在每个病种维度下的js散度值进行均值运算，得到js散度均值，其中，js散度均值的数值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高；或者，第二计算单元，用于对所述第二训练集与所述合成图像集在每个病种维度下的js散度值进行加权求和运算，得到js散度加权求和值，其中，js散度加权求和值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高；或者，第三计算单元，用于对所述第二训练集与所述合成图像集在每个病种维度下的js散度值均进行平方根运算，得到所述第二训练集与所述合成图像集在每个病种维度下的js距离
值，对所述第二训练集与所述合成图像集在每个病种维度下的js距离值进行均值运算，得到js距离均值，其中，js距离均值的数值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高；或者，对所述第二训练集与所述合成图像集在每个病种维度下的js距离值进行加权求和运算，得到js距离加权求和值，其中，js距离加权求和值的数值越小，所述第二训练集与所述合成图像集在病种概率分布维度下的相似度越高。
技术总结
本发明公开了一种模型训练方法、眼底图像生成方法、模型评估方法及装置，该模型训练方法包括：获取第一训练集，其中，第一训练集中包括多个样本眼底图像；生成各样本眼底图像的血管分割图，其中，血管分割图为二值图；对于每个样本眼底图像，将样本眼底图像中各像素点RGB三通道的像素值与其血管分割图中对应位置像素点的像素值进行合并处理，得到四通道的图像；将四通道的图像输入至预先构建的初始网络模型中，进行模型训练，得到目标网络模型，其中，初始网络模型的网络超参数至少包括引导强度，该引导强度用于启发网络模型基于四通道的图像中的血管信息生成新的眼底图像中的血管，目标网络模型用于生成新的眼底图像。目标网络模型用于生成新的眼底图像。目标网络模型用于生成新的眼底图像。
技术研发人员：刘从新 王斌 赵昕 和超 张大磊
受保护的技术使用者：上海鹰瞳医疗科技有限公司
技术研发日：2021.06.07
技术公布日：2021/10/7