病变分级方法、装置、设备以及存储介质

本申请涉及计算机视觉领域，尤其涉及一种病变分级方法、装置、设备以及存储介质。

背景技术：

1、现有的糖尿病视网膜病变分级样本中存在样本分布不均衡的问题，例如出现数据集中长尾分布现象，导致现有的糖尿病视网膜病变分级模型在训练中偏向头部类而忽略尾部类，糖尿病视网膜病变分级模型的可信度不高。

2、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本申请的主要目的在于提供一种病变分级方法、装置、设备以及存储介质，旨在解决目前糖尿病视网膜病变分级模型的可信度不高的技术问题。

2、为实现上述目的，本申请提出一种病变分级方法，所述的方法包括：

3、获取待处理视网膜图片；

4、将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果，所述糖尿病视网膜病变分级模型是基于多分支网络架构训练得到的。

5、在一实施例中，所述糖尿病视网膜病变分级模型包括训练后的视觉转换器、特征提取器和多分支分类器，所述将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果的步骤之前包括：

6、基于多分支网络结构的卷积神经网络模型、多尺度特征融合模块和多头自注意力机制构建所述特征提取器。

7、在一实施例中，所述将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果的步骤之前还包括：

8、获取无标签眼底图像数据；

9、基于所述无标签眼底图像数据对初始视觉转换器进行自监督学习，得到第一视觉转换器；

10、获取目标数据集；

11、将所述目标数据集输入所述第一视觉转换器进行监督学习，得到所述训练后的视觉转换器。

12、在一实施例中，将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果的步骤包括：

13、将所述待处理视网膜图片输入所述特征提取器，得到病灶特征；

14、将所述病灶特征输入所述多分支分类器，得到第一分级结果；

15、将所述待处理视网膜图片输入所述视觉转换器，生成权重；

16、将所述权重和所述第一分级结果相乘，得到所述糖尿病视网膜病变分级结果。

17、在一实施例中，所述将所述待处理视网膜图片输入所述视觉转换器，生成权重的步骤包括：

18、将所述待处理视网膜图片切割成若干个图像块；

19、将所述若干个图像块分别映射成一维向量；

20、将所述一维向量与随机初始化的分类标记进行拼接，得到拼接后的向量；

21、将所述拼接后的向量输入多头自注意力层进行处理，得到处理结果；

22、将所述处理结果输入线性层，得到所述权重。

23、在一实施例中，所述多分支分类器包括若干分类器，所述将所述病灶特征输入所述多分支分类器，得到第一分级结果的步骤包括：

24、通过各所述分类器中改进的损失函数对病灶特征进行提取；

25、结合各所述分类器的权重，对各所述分类器提取的病灶特征进行叠加，得到所述第一分级结果。

26、在一实施例中，所述特征提取器包括五个阶段，所述特征提取器的前三阶段由所述多尺度特征融合模块组成，所述特征提取器的后两个阶段由所述多头自注意力机制组成，各阶段间采用双分支卷积神经网络模型作为下采样模块进行下采样，相邻的下采样模块中的卷积模块采用多尺度特征提取结构。

27、此外，为实现上述目的，本申请还提出一种病变分级装置，所述病变分级装置包括：

28、数据获取模块，用于获取待处理视网膜图片；

29、数据处理模块，用于将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果，所述糖尿病视网膜病变分级模型是基于多分支网络架构训练得到的。

30、此外，为实现上述目的，本申请还提出一种病变分级设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的病变分级方法的步骤。

31、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的病变分级方法的步骤。

32、本申请提出的一个或多个技术方案，至少具有以下技术效果：

33、本申请将待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果，其中，基于多分支网络架构训练得到糖尿病视网膜病变分级模型，可以使得糖尿病视网膜病变分级模型依据输入特征的不同动态调整各分支的权重，这一动态融合策略使得模型能够更加精准地关注对分类有重要影响的特征，同时抑制不相关特征对结果的干扰，有效应对样本不均衡的问题。

技术特征：

1.一种病变分级方法，其特征在于，所述方法包括：

2.如权利要求1所述的方法，其特征在于，所述糖尿病视网膜病变分级模型包括训练后的视觉转换器、特征提取器和多分支分类器，所述将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果的步骤之前包括：

3.如权利要求2所述的方法，其特征在于，所述将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果的步骤之前还包括：

4.如权利要求2所述的方法，其特征在于，将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果的步骤包括：

5.如权利要求4所述的方法，其特征在于，所述将所述待处理视网膜图片输入所述视觉转换器，生成权重的步骤包括：

6.如权利要求4所述的方法，其特征在于，所述多分支分类器包括若干分类器，所述将所述病灶特征输入所述多分支分类器，得到第一分级结果的步骤包括：

7.如权利要求2所述的方法，其特征在于，所述特征提取器包括五个阶段，所述特征提取器的前三阶段由所述多尺度特征融合模块组成，所述特征提取器的后两个阶段由所述多头自注意力机制组成，各阶段间采用双分支卷积神经网络模型作为下采样模块进行下采样，相邻的下采样模块中的卷积模块采用多尺度特征提取结构。

8.一种病变分级装置，其特征在于，所述装置包括：

9.一种病变分级设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如权利要求1至7中任一项所述的病变分级方法的步骤。

10.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的病变分级方法的步骤。

技术总结
本申请公开了一种病变分级方法、装置、设备以及存储介质，涉及计算机视觉技术领域，方法包括：获取待处理视网膜图片；将所述待处理视网膜图片输入预先训练得到的糖尿病视网膜病变分级模型，得到糖尿病视网膜病变分级结果，所述糖尿病视网膜病变分级模型是基于多分支网络架构训练得到的，本申请能够提高糖尿病视网膜病变分级模型的可信度。

技术研发人员：王利,李坚强,陈杰
受保护的技术使用者：深圳大学
技术研发日：
技术公布日：2025/3/24