图片等级分类方法、装置、计算机设备和存储介质与流程

本申请涉及图像处理技术领域，特别是涉及一种图片等级分类方法、装置、计算机设备和存储介质。

背景技术：

糖尿病视网膜病变(diabeticretinopathy，dr)是常见致盲性眼病，也是糖尿病患者最常见的慢性并发症之一。dr在早期没有明显的临床症状，若能在发病初期定期进行眼底检查，可以显著降低失明风险。

传统技术中，人工dr筛查方法依赖于医生对待检图片的临床经验，由于图像采集人员经验不一导致眼底图像没有显示出清晰的视网膜结构，基层眼科不具备良好的眼底照相专业设备和不同型号眼底相机采集到的视网膜图像类型不一等因素导致拍出的待检图片质量参差不齐，大大降低了dr筛查的可靠性和准确性。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种图片等级分类方法、装置、计算机设备和存储介质。

一方面，提供一种图片等级分类方法，所述方法包括：

将待检图片输入质量判别模型，得到所述待检测图片的质量等级；其中，所述质量等级用于表征所述待检图片的清晰程度；

将所述待检图片输入筛查模型，得到所述待检图片中待检区域的病变等级；

根据所述待检图片的所述质量等级，确定所述待检图片的所述病变等级的可信度。

另一方面，提供一种图像等级分类装置，所述装置包括：

质量判别模块，用于将待检图片输入质量判别模型，得到所述待检测图片的质量等级；其中，所述质量等级值用于表征所述待检图片的清晰程度；

筛查模块，用于将所述待检图片输入筛查模型，得到所述待检图片中待检区域的病变等级；

可信度模块，用于根据所述待检图片的所述质量等级，确定所述待检图片的病变等级的可信度。

另一方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一方法的步骤。

另一方面，提供一种计算机可读存储介质，其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上述任一方法的步骤。

上述图片等级分类方法、装置、计算机设备和存储介质，所述图片等级分类方法包括：采用所述质量判别模型对所述待检图片进行质量等级分类，得到所述待检图片的质量等级。将所述待检图片输入所述筛查模型，得到所述待检图片中待检区域的病变等级，根据所述质量等级确定所述检测病变等级的可信度。避免了由于待检图片质量参差不齐导致的待检区域病变等级的可靠性和准确性下降，而通过质量等级表征病变等级的可信度，不仅提高了得到的待检区域病变等级的可靠性和准确性，同时提高了最终图片等级分类结果的可信度。

附图说明

图1为一个实施例中图片等级分类方法的流程示意图；

图2为一个实施例中对初始质量判别模型进行训练的流程示意图；

图3为一个实施例中初始质量判别模型的结构示意图；

图4为一个实施例中对初始筛查模型进行训练的流程示意图；

图5为一个实施例中初始筛查模型的结构示意图；

图6为一个实施例中图片等级分类装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一实施例中，如图1所示，提供一种图片等级分类方法，所述方法包括：

s110、将待检图片输入质量判别模型，得到所述待检测图片的质量等级。

其中，所述质量等级用于表征所述待检图片的清晰程度。

进一步地，所述待检图片为用户拍摄的包括待检人员眼底的图片。所述质量判别模型是以mobilenetv1为基础网络的卷积神经网络模型，并以计算机执行程序的形式在终端设备内运行，用于对输入的图片进行质量等级分类，得出质量等级。例如，采用数值1表征所述待检图片的质量等级为优，即所述待检图片中眼底区域清晰，采用数值0表征所述待检图片的质量等级为差，即所述待检图片中眼底区域不清晰或有遮挡时，将所述待检图片输入所述质量判别模型，当输出数值为0～0.2，则所述待检图片的质量等级为差；当输出数值为0.2～0.8，则所述待检图片的质量等级为不明确；当输出数值为0.8～1，则所述待检图片的质量等级为优。

具体地，计算机设备可直接通过摄像装置如摄像头获取包括所述待检人员眼底的所述待检图片，也可从存储装置如手机中获取已经拍摄好的所述待检图片。计算机设备得到所述待检图片后，将所述待检图片输入所述质量判别模型，所述质量判别模型对所述待检图片进行质量等级分类，得到所述待检图片的质量等级。其中，所述质量判别模型是经过大量清晰和不清晰的眼底图片训练得到的，用于对所述待检人员的眼底图片进行质量等级分类的卷积神经网络模型。

进一步地，当所述待检测图片的质量等级为差，则提示用户图片质量差，导致结果不可信，并根据所述用户选择执行停止当前的质量等级分类或继续进行下一s120。

s120、将所述待检图片输入筛查模型，得到所述待检图片中待检区域的病变等级。

其中，所述病变等级用于表征所述待检图片中待检区域的病变严重程度。

进一步地，所述待检区域即为所述待检人员的眼底。所述筛查模型是以efficientnetb5为基础网络的卷积神经网络模型，并以计算机执行程序的形式在终端设备内运行，用于对输入的图片中的眼底进行病变等级分类，得出病变等级。例如，采用数值0表征所述待检图片中眼底的病变等级为眼底无病变，采用数值1表征所述待检图片中眼底的病变等级为眼底轻微病变，采用数值2表征所述待检图片中眼底的病变等级为眼底中度病变，采用数值3表征所述待检图片中眼底的病变等级为眼底重度非增殖病变，采用数值4表征所述待检图片中眼底的病变等级为眼底重度增殖病变。

具体地，计算机设备将所述待检图片输入所述筛查模型，所述筛查模型对所述待检图片进行病变等级分类，得到所述待检图片中眼底的病变等级。其中，所述筛查模型是经过大量正常和病变的眼底图片训练得到的，用于对所述待检人员的眼底图片进行眼底病变等级分类的卷积神经网络模型。

s130、根据所述待检图片的所述质量等级，确定所述待检图片的所述病变等级的可信度。

具体地，计算机设备可直接采用所述待检图片的质量等级表征所述待检图片中待检区域的病变等级的可信度。

本实施例中，计算机设备采用所述质量筛查模型对所述待检图片进行质量等级分类，得到所述待检图片的质量等级。将所述待检图片输入所述筛查模型，得到所述待检图片中待检区域的病变等级，根据所述质量等级得出所述病变等级的可信度。避免了由于待检图片质量参差不齐导致的待检区域病变等级的可靠性和准确性下降，而通过质量等级表征病变等级的可信度，不仅提高了得到的待检区域病变等级的可靠性和准确性，同时提高了图片等级分类结果的可信度，避免由于分类结果可靠性和准确性低导致的后续问题。

另一实施例中，所述s130、根据所述待检图片的所述质量等级，确定所述待检图片的所述病变等级的可信度，包括：

若所述质量等级为优，则确定可信度为高；

若所述质量等级为不确定，则确定可信度为不确定；

若所述质量等级为差，则确定可信度为低。

本实施例中，计算机设备直接采用所述待检图片的所述质量等级正向表征所述待检图片的所述病变等级的可信度，以明确根据输入的该图片得到的该图片中待检区域的病变等级的可信度，便于用户及时采取措施提高所述病变等级的可信度。

另一实施例中，在所述s110、将待检图片输入质量判别模型，得到所述待检测图片的质量等级之前，所述方法还包括：

对所述待检图片进行质量图片预处理，以统一图片尺寸和显示效果。

进一步地，所述待检图片可以是用户通过不同图像采集设备获取到的所述待检人员的眼底图片，或不同用户采集的所述待检人员的眼底图片。由于图像采集设备的不同、采集人员拍摄所述待检人员眼底位置的不同、以及采集地点的不同等环境因素，使得所述初始待检图片存在上述不同环境因素导致的环境干扰，对眼底图片质量等级分类和病变等级分类的准确性造成影响。

具体地，计算机设备对所述待检图片进行预处理。所述预处理可以包括背景去噪，如除去所述待检图片的黑色边框，保留有效眼底图像的区域，调整所述待检图片的分辨率为224*224，所述预处理还可以包括显示归一化，如对所述待检图片进行白化、亮度调节归一化到同一个范围内，所述预处理还可以包括以所述待检图片的中心为旋转中心进行随机旋转等操作，以突出眼底病灶信息，消除环境干扰。计算机设备对所述待检图片进行所述预处理后，以统一图片尺寸和显示效果，再执行所述s110。

本实施例中，计算机设备对所述待检图片进行预处理，通过所述预处理后，得到了统一图片尺寸和显示效果的所述待检图片，从而排除了由于图像采集设备的不同、采集人员拍摄所述待检人员眼底位置的不同、以及采集地点的不同等环境因素导致的质量等级分类和病变等级分类不准确，通过突出眼底病灶信息，消除环境干扰，提高对图片的质量等级分类和病变等级分类的准确性。

另一实施例中，在所述s110、将待检图片输入质量判别模型，得到所述待检测图片的质量等级之前，所述方法还包括：所述质量判别模型的训练，具体是对初始质量判别模型进行训练，得到所述质量判别模型。

如图2所示，所述质量判别模型的训练过程包括如下步骤：

s210、获取质量筛查样本集。

其中，所述质量筛查样本集包括多个筛查图片，且每个所述筛查图片携带用于表征图像清晰度的标签。

进一步地，所述筛查图片携带的标签为检测人员基于自身对图片清晰与否的经验认知，根据图片的曝光程度、光斑大小、对焦虚实以及待检区域有无遮挡，人为得出的，用于表征图片清晰程度的数值标记。例如，所述标签包括0和1，采用标签1表征所述待检图片中眼底区域清晰，采用标签0表征所述待检图片中眼底区域不清晰或有遮挡。

s220、将所述质量筛查样本集中的筛查图片进行预处理和划分，得到归一化后的质量训练子集、质量验证子集和质量测试子集。

其中，所述质量训练子集用于对初始质量判别模型进行训练，所述质量验证子集用于对训练后的初始质量判别模型进行验证，所述质量测试子集用于对验证后的初始质量判别模型进行测试。

具体地，由于所述质量筛查样本集中的筛查图片存在图像采集设备的不同、采集人员不同带来的环境干扰，计算机设备需对所述质量筛查样本集中的筛查图片进行预处理，以排除上述环境干扰。所述预处理如上一实施例中对所述待检图片进行的预处理，以统一图片尺寸和显示效果，得到归一化的所述质量筛查样本集。同时，将所述质量筛查样本集按照一定比例划分为质量训练子集、质量验证子集和质量测试子集。例如，将所述质量筛查样本集按照6:3:1的比例分为所述质量训练子集、所述质量验证子集和所述质量测试子集。

s230、采用所述质量训练子集对初始质量判别模型进行训练，并采用所述质量验证子集对训练后的初始质量判别模型进行验证，以及采用所述质量测试子集对验证后的初始质量判别模型进行测试，得到质量判定准确率。

其中，当所述质量判定准确率大于或等于预设的准确率阈值时，得到所述质量判别模型；

当所述质量判定准确率小于所述准确率阈值时，则继续采用所述质量训练子集对所述质量判别模型重新进行训练，直至新的质量判定准确率大于或等于所述准确率阈值，则得到所述质量判别模型。

其中，所述初始质量判别模型300如图3所示，包括mobilenetv1基础网络，以及两层全连接层。所述mobilenetv1基础网络包括1层标准卷积层、13层深度可分离卷积层以及1层全局平均池化层。

以上所述初始质量判别模型的结构的仅为示例，本申请中所述初始质量判别模型并不局限于上述特定实施方式。

具体地，计算机设备多次将所有所述质量训练子集输入所述初始质量判别模型，根据每一次所述初始质量判别模型中的损失函数，调节所述初始质量判别模型中的模型参数，每训练一次就调节一次所述模型参数，以确定所述初始质量判别模型中的模型参数，实现对所述初始质量判别模型的多次训练。计算机设备将所有所述质量验证子集输入每次训练后的所述初始质量判别模型，根据一次次得到的所述初始质量判别模型中的损失函数的变化情况，确定所述初始质量判别模型中的训练是否停止，实现对所述初始质量判别模型的验证。计算机设备将所有所述质量测试子集输入验证后的所述初始质量判别模型，根据所述质量测试子集输入所述质量判别模型后得到的质量等级和所述质量测试子集的标签，得到所述初始质量判别模型的质量判定准确率。根据所述质量判定准确率确定所述初始质量判定模型是作为所述质量判定模型使用，或重新训练。

其中，当所述质量判定准确率大于或等于预设的准确率阈值时，经过训练、验证以及测试的所述初始质量判定模型可作为所述质量判定模型使用。

当所述质量判定准确率小于所述准确率阈值时，则经过训练、验证以及测试的所述初始质量判定模型仍不稳定，需继续采用所述质量训练子集对所述质量判别模型重新进行训练，直至新的质量判定准确率大于或等于所述准确率阈值，则得到所述质量判别模型。

进一步地，结合所述初始质量判别模型300的结构，图片输入所述初始质量判别模型300后，所述初始质量判别模型300对图片的训练/验证/测试具体过程如下：

所述标准卷积层对输入的图片进行边缘补偿处理，并根据所述标准卷积层的卷积核大小和滑动步长，对经过所述边缘补偿处理后的图片进行卷积操作，得到标准特征图，再将所述标准特征图进行批量归一化处理，采用激活函数如relu处理后输出标准特征映射图，将所述标准特征映射图作为下一层结构的输入。

进一步地，所述深度可分离卷积层接收上一层结构输出的所述标准特征映射图。其中，所述深度可分离卷积层包括深度卷积层和逐点卷积层。所述深度卷积层接收所述标准特征映射图，对所述标准特征映射图进行边缘补偿处理，并根据所述深度卷积层的卷积核大小和滑动步长，对经过所述边缘补偿处理后的图片进行卷积操作，得到深度特征图，再将所述深度特征图进行批量归一化处理，采用激活函数如relu处理后输出深度特征映射图，将所述深度特征映射图作为所述逐点卷积层的输入。所述逐点卷积层根据所述逐点卷积层的卷积核大小和滑动步长，对所述深度特征映射图进行逐点卷积操作，得到逐点特征图，再将所述逐点特征图进行批量归一化处理，采用激活函数如relu处理后输出逐点特征映射图，将所述逐点特征映射图作为下一层结构的输入。

进一步地，所述全局平均池化层接收所述逐点特征映射图，根据所述全局平均池化层的卷积核大小，对所述逐点特征映射图进行平均池化，输出池化特征图，将所述池化特征图作为下一层结构的输入。

进一步地，所述全连接层接收所述池化特征图，所述全连接层最后层神经元个数为1，所述全连接层采用sigmoid分类器对所述池化特征图进行分类，得到输入图片的质量等级。

另一实施例中，所述s230、采用所述质量训练子集对初始质量判别模型进行训练，并采用所述质量验证子集对训练后的初始质量判别模型进行验证，以及采用所述质量测试子集对验证后的初始质量判别模型进行测试，得到质量判定准确率，包括：

采用所述质量训练子集对初始质量判别模型中的普通参数进行训练，当所述质量验证子集对应的交叉熵损失值满足预设的验证要求时，采用所述质量测试子集对验证后的初始质量判别模型进行测试，得到质量判定准确率。

其中，所述普通参数为卷积神经网络模型中可以根据所输入的数据自动学习出来的变量。

进一步地，所述质量判别模型中的所述sigmoid分类器采用交叉熵作为损失函数，所述交叉熵用于表征图片输入所述质量判别模型得到的质量等级与图片的标签的不一致程度。

进一步地，所述交叉熵满足下公式：

其中，h(p,q)为交叉熵，p(x)为标签，q(x)为质量判别模型输出的质量等级，x为输入图片的序号。

具体地，预设所述初始质量判别模型中的超参数，如设置最小批次为128，学习率为0.001，动量参数为0.9，学习回合数为26。计算机设备向所述初始质量判别模型输入所有所述质量训练子集，得到的交叉熵，根据所述交叉熵调整所述初始质量判别模型中的普通参数，实现对所述初始质量判别模型的一次训练，再将所有所述质量训练子集输入调整所述普通参数后的所述初始质量判别模型，得到交叉熵，再根据所述交叉熵调整所述初始质量判别模型中的普通参数，从而实现对所述初始质量判定模型的多次训练。再将所述质量验证子集输入每次训练得到所述初始质量判别模型，得到的交叉熵，比较所述交叉熵的变化情况，直至所述交叉熵不再下降，则停止对所述初始质量判别模型的训练。再将所述质量测试子集输入最后一次训练得到的所述初始质量判别模型，得到所述质量判定准确率。

本实施例中，采用所述质量训练子集对所述初始质量判别模型中的普通参数进行训练，再采用所述质量验证子集对训练后的所述初始质量判别模型进行验证，再采用所述质量测试子集对验证后的所述初始质量判别模型进行测试，从而得到输出结果准确率最高且最稳定的所述质量判别模型，，实现了对所述初始质量判别模型的训练、验证以及测试的全方位处理，提高了最终得到的所述质量判别模型质量等级分类的可靠性和准确性。

另一实施例中，在所述s120、将所述待检图片输入筛查模型，得到所述待检图片中待检区域的病变等级之前，所述方法还包括：所述筛查模型的训练，具体包括对初始筛查模型进行训练，得到所述筛查模型。

如图4所示，所述筛查模型的训练过程包括如下步骤：

s410、获取公用样本集。

其中，所述公用样本集包括多个公用图片，且每个所述公用图片携带用于表征病变程度的标签。

进一步地，所述公用样本集一般指从公开数据平台中获取的待测区域的病变图片。针对眼底病变图像可以是从卡歌网(kaggle)中的糖尿病视网膜病变检测(diabeticretinopathydetection)数据集中获取的公用眼底彩照。其中，所述公用图片携带的标签为基于一种公认程度较高的判定标准，结合图片中眼底是否存在微血管瘤、硬性渗出、黄斑水肿、棉绒斑和出血等症状，人为得出眼底病变程度。例如，所述标签包括0，1，2，3，4，采用标签1表征所述初始待检图片中眼底区域清晰，采用标签0表征所述待检图片中眼底无病变，采用标签1表征所述待检图片中眼底轻微病变，采用标签2表征所述待检图片中眼底中度病变，采用标签3表征所述待检图片中眼底重度非增殖病变，采用标签4表征所述待检图片中眼底重度增殖病变。

s420、将所述公用样本集中的公用图片进行预处理和划分，得到归一化后的公用训练子集和公用验证子集。

其中，所述公用训练子集用于对初始筛查模型进行训练，所述公用验证子集用于对训练后的初始筛查模型进行验证。

具体地，由于所述公用样本集存在图像采集设备的不同、采集人员不同带来的环境干扰，计算机设备需对所述公用样本集中的公用图片进行预处理，以排除上述环境干扰。所述预处理包括背景去噪，如去除所述公用样本集中公用图片的黑色边框，保留有效眼底图像的区域，调整所述公用样本集中公用图片的分辨率为456*456，所述预处理还包括显示归一化，如对所述公用样本集中公用图片进行白化、亮度调节归一化到同一个范围内。所述预处理还包括对所述公用样本集中公用图片进行高斯模糊去噪。所述预处理还包括以所述公用样本集中公用图片的中心为旋转中心进行随机旋转、镜像、平移、颜色空间转换、缩放等操作，以突出眼底病灶信息，消除环境干扰。计算机设备对所述公用样本集中公用图片进行所述预处理后，得到统一图片尺寸和显示效果的眼底图片。同时，将所述公用样本集按照一定比例划分为公用训练子集和公用验证子集。例如，将所述公用样本集按照7:3的比例分为所述公用训练子集和所述公用验证子集。

s430、采用所述公用训练子集对初始筛查模型进行训练，并采用所述公用验证子集对训练后的初始筛查模型进行验证，根据验证结果得到临时筛查模型。

其中，所述初始病变卷积神经网络模型500如图5所示，包括efficientnetb5基础网络，以及全局平均池化层、丢弃层以及2层全连接层。所述efficientnetb5基础网络是以移动倒置瓶颈卷积(mbconv：mobileinvertedbottleneckconvolution)为基本结构的卷积神经网络。所述mbconv结构来源于mobilenetv2，与经典的残差块不同，所述mbconv结构将经典残差块中的瓶颈(bottleneck)替换成了深度卷积(depthwiseconvolution)，对输入的图片采用1×1升维，3×3深度卷积然后采用激活函数如relu处理，1×1降维再线性变换得到基础特征图。

以上所述初始筛查模型的结构的仅为示例，本申请中所述初始筛查模型并不局限于上述特定实施方式。

具体地，计算机设备多次将所有所述公用训练子集输入所述初始筛查模型，根据每一次所述初始筛查模型中的损失函数，调节所述初始筛查模型中的模型参数，每训练一次就调节一次所述模型参数，以确定所述初始筛查模型中的模型参数，实现对所述初始筛查模型的多次训练。计算机设备将所有所述公用验证子集输入每次训练后的所述初始筛查模型，根据一次次得到的所述初始筛查模型中的损失函数的变化情况，确定所述初始筛查模型中的训练是否停止，实现对所述初始筛查模型的验证，得到所述临时筛查模型。

进一步地，结合所述初始筛查模型500的结构，图片输入所述初始筛查模型500后，所述初始筛查模型500对图片的训练/验证具体过程如下：

所述efficientnetb5基础网络对输入的图片进行处理后输出基础特征图，将所述基础特征图作为下一层结构的输入。

进一步地，所述全局平均池化层接收所述基础特征图，根据所述全局平均池化层的卷积核大小，对所述基础特征图进行平均池化，输出池化特征图，将所述池化特征图作为下一层结构的输入。

进一步地，所述丢弃层接收上一层结构输出的所述池化特征图。其中，所述丢弃层用于对所述初始筛查模型中的神经网络单元按照一定概率将其暂时从网络模型中丢弃。本实施例中，所述神经网络单元的丢弃比例为0.5。所述丢弃层输出丢弃特征图后，将所述丢弃特征图作为下一层结构的输入。

进一步地，一所述全连接层接收所述丢弃特征图，该全连接层神经元个数为5，使用激活函数如elu激活函数处理后输出激活特征图，将所述激活特征图作为下一全连接层的输入，所述下一全连接层的神经元个数为1，采用激活函数如linear线性激活函数处理后，输出图片的病变等级。其中，所述下一全连接层采用radam优化器。

s440、将病变筛查样本集输入所述临时筛查模型，得到携带伪标签的病变筛查样本集。

其中，所述病变筛查样本集为用户自行收集的眼底病变图像，不具有用于表征病变程度的标签。所述伪标签为所述病变筛查样本输入所述临时筛查模型后，所述临时筛查模型输出的所述病变筛查样本集中筛查图片待检区域的病变等级。

具体地，计算机设备将所述病变筛查样本集输入训练好的所述临时筛查模型，所述临时筛查模型对应输出所述病变筛查样本集中筛查图片中眼底的病变等级，将输出的所述病变等级作为所述伪标签标记在对应的所述病变筛查样本集中的筛查图片上，得到携带伪标签的病变筛查样本集。

进一步地，在所述s440、将病变筛查样本集输入所述临时筛查模型，得到携带伪标签的病变筛查样本集，之前还包括：对所述病变筛查样本集中的筛查图片进行预处理，以统一图片尺寸和显示效果，所述预处理的具体内容如s420中所述预处理，再此不再赘述。

s450、将所述携带伪标签的病变筛查样本集和所述公用训练子集输入所述临时筛查模型进行训练，并采用所述公用验证子集对训练后的临时筛查模型进行验证，得到所述筛查模型。

具体地，计算机设备多次将所有所述携带伪标签的病变筛查样本集和所述公用训练子集输入所述临时筛查模型，根据每一次所述临时筛查模型中的损失函数，调节所述临时筛查模型中的模型参数，每训练一次就调节一次所述模型参数，以确定所述临时筛查模型中的模型参数，实现对所述临时筛查模型的多次训练。计算机设备将所有所述公用验证子集输入每次训练后的所述临时筛查模型，根据一次次得到的所述临时查模型中的损失函数的变化情况，确定所述临时筛查模型的训练是否停止，实现对所述临时筛查模型的验证，得到所述筛查模型。

其中，所述临时筛查模型与所述初始筛查模型结构相同，具体的训练/验证过程与所述s430中所述类似，在此不再赘述，最终得到所述筛查模型。

由于所述病变筛查样本集中多为眼底正常或轻微病变的图片，眼底严重病变的图片样本非常少，使得训练得到的筛查模型对眼底病变等级分类不全面，需另外扩充样本集，所述公开样本集中包括大量不同程度的眼底病变图片样本，但是样本人种差异以及等级值标注标准与所述病变筛查图片不用，无法直接扩充。而本实施例中，计算机设备采用所述公开样本集对所述初始筛查模型进行训练和验证，得到所述临时筛查模型，再将所述病变筛查样本集输入所述临时筛查模型，得到具有所述伪标签的所述病变筛查样本集，以将所述公开样本集和所述病变筛查样本集统一病变等级值标记标准，再将所述公开训练子集和所述病变筛查样本集输入所述临时筛查模型，以对所述临时筛查模型进行训练，从而使得所述病变筛查样本集得以扩充，有效地提高了训练得到的所述筛查模型的准确性。

另一实施例中，所述s430、采用所述公用训练子集对初始筛查模型进行训练，并采用所述公用验证子集对训练后的初始筛查模型进行验证，根据验证结果得到临时筛查模型，包括：

采用所述公用训练子集对所述初始筛查模型中的普通参数进行训练，采用所述公用验证子集对训练后的所述初始筛查模型中的分期系数进行训练，当所述公用验证子集对应的均方误差满足预设的验证要求时，得到临时筛查模型。

进一步地，所述筛查模型中的所述radam优化器采用均方误差作为损失函数。所述均方误差用于表征图片输入所述筛查模型得到的病变等级与图片的标签的偏差程度。

进一步地，所述均方误差满足下公式：

其中，mse(y,y′)为均方误差，yi为标签，y′i为筛查模型输出的病变等级，i为输入图片的序号，n为输入图片的数量。

具体地，以imagenet训练得到的efficientnetb5网络参数作为所述初始筛查模型的初始参数，计算机设备向所述初始筛查模型输入所有所述公用训练子集，得到的均方误差，根据所述均方误差调整所述初始筛查模型中的普通参数，实现对所述初始筛查模型的一次训练，再将所有所述公用训练子集输入调整所述普通参数后的所述初始筛查模型，得到均方误差，再根据所述均方误差调整所述初始筛查模型中的普通参数，从而实现对所述初始筛查模型的多次训练。再将所述公用验证子集输入每次训练得到所述初始筛查模型，对所述初始筛查模型中的分期系数进行训练，并得到的均方误差，比较所述均方误差的变化情况，直至所述均方误差不再下降，则停止对所述初始筛查模型中普通参数和分期系数的训练。

进一步地，通过所述公用验证子集对验证过的所述初始筛查模型中的分期系数进行训练，以得到所述临时筛查模型。

其中，病变等级分类的规则为：筛查模型中的分期系数为c1～c5，模型输出的数值y＜c1，对应输出的病变等级为c1，可表征眼底无病变；模型输出的数值c1≤y＜c2，对应输出的病变等级为c2，可表征眼底轻微病变；模型输出的数值c2≤y＜c3，对应输出的病变等级为c3，可表征眼底中度病变；模型输出的数值c3≤y＜c4，对应输出的病变等级为c4，可表征眼底重度非增殖病变；模型输出的数值y≥c5，对应输出的病变等级为c5，可表征眼底重度增殖病变。其中，最优的病变分期系数可根据卡帕系数得到。

进一步地，所述卡帕系数满足如下公式：

其中，kappa代表卡帕系数，wij代表分类错误的惩罚项系数，由模型本身决定；ai代表标签病变等级值对应的标签病变等级为i类的数量，bj代表测试病变等级值对应的测试病变等级为j类的数量；xij代表i类分为j类的数量。

具体地，计算机设备向验证过的所述初始筛查模型输入所有所述公用验证子集，根据输出结果得到所述卡帕系数，根据所述卡帕系数调整所述初始筛查模型中的初始分期系数，实现对所述初始筛查模型的一次训练，再将所有所述公用验证子集输入调整所述初始分期系数后的所述初始筛查模型，根据输出结果得到所述卡帕系数，再根据所述卡帕系数调整所述初始筛查模型中的初始分期系数，比较每一次调整所述初始分期系数后得到的所述卡帕系数的变化情况，直至所述卡帕系数不再下降，则停止对所述初始筛查模型中初始分期参数的训练，将最后一次训练得到所述初始筛查模型作为所述临时筛查模型。

本实施例中，采用所述公用训练子集对所述初始筛查模型中的普通参数进行训练，再采用所述公用筛查验证子集对训练后的所述初始筛查模型进行验证，从而得到输出结果准确率最高的所述初始筛查模型，作为所述临时筛查模型。对所述初始筛查模型的训练和验证，提高了所述临时筛查模型病变等级分类的可靠性和准确性。

另一个实施例中，在所述s450、将所述携带伪标签的病变筛查样本集和所述公用训练子集输入所述临时筛查模型进行训练，并采用所述公用验证子集对训练后的临时筛查模型进行验证，得到所述筛查模型，包括：

采用所述携带伪标签的病变筛查样本集和所述公用训练子集对所述临时筛查模型中的普通参数进行训练，采用所述公用验证子集对训练后的所述临时筛查模型中的分期系数进行训练，当所述公用验证子集对应的均方误差满足预设的验证要求时，得到所述筛查模型。

具体地，所述采用所述携带伪标签的病变筛查样本集和所述公用训练子集对所述临时筛查模型中的普通参数进行训练的具体过程与所述s430中采用所述公用训练子集对所述初始筛查模型中的普通参数进行训练的具体过程类似，区别点在于对所述临时模型中普通参数的训练是将所述携带伪标签的病变筛查样本集和所述公用训练子集输入所述临时模型。所述采用所述公用验证子集对训练后的临时筛查模型进行验证的具体过程与所述s430中采用所述公用验证子集对验证后的所述初始筛查模型中的分期系数进行训练的具体过程类似，区别点在于对所述临时模型中分期系数的训练是将所述公用验证子集输入所述临时模型，最终得到所述筛查模型。

进一步地，由于所述病变筛查样本集中严重眼底病变图片很少，因此对于输入所述临时筛查模型得到的所述伪标签为2～4的图片样本予以保留，参与对所述临时筛查模型的训练，其他所述伪标签的图片样本抽样保留。由于所述公开样本集中包括大量不同程度的眼底病变图片，有利于所述对所述临时筛查模型的训练，因此，取所述携带伪标签的病变筛查样本集数量不超过所述公开训练子集的10％，以确保最终得到的所述筛查模型的病变等级分类结果的多样性和准确性。

本实施例中，采用所述病变筛查样本集对所述临时筛查模型中的普通参数进行训练，再采用所述公用筛查验证子集对训练后的所述临时筛查模型进行验证，从而得到输出结果准确率最高的所述临时筛查模型，作为所述筛查模型。对所述临时筛查模型的训练和验证，提高了最终得到的所述筛查模型病变等级分类的可靠性和准确性。

进一步地，所述s120、将所述待检图片输入筛查模型，得到所述待检图片中待检区域的病变等级，之前还包括：

对所述筛查模型进行灵敏性和/或特异性检测。

其中，所述灵敏性用于表征所述筛查模型正确确定眼底病变的能力。所述特异性用于表征所述筛查模型正确确定眼底无病变的能力。

具体地，所述灵敏性公式满足下式：

其中，其中tp为真阳例(真实标签为阳性，预测标签为阳性)，fn为假阴例(真实标签为阳性，预测标签为阴性)

所述特异性公式满足下式：

其中，其中tn为真阴例(真实标签为阴性，预测标签为阴性)，fp为假阳例(真实标签为阴性，预测标签为阳性)。

具体地，在眼底图片的眼底病变等级分类中，所述真实标签为所述眼底图片的标签，所述预测标签为所述眼底图片输入筛查模型得到的病变等级，所述阳性表示眼底病变等级为眼底中度病变、眼底重度非增殖病变或眼底增殖病变，所述阴性表示眼底病变等级为眼底无病变。

上述实施例中，采用比较所述临时筛查模型中初始分期系数对应的所述卡帕系数与调整所述临时筛查模型中初始分期系数后对应的所述卡帕系数的大小变化情况，由于所述卡帕系数可用于表征模型输出的病变等级与所述标签一致性，进而可根据所述卡帕系数得到最优病变分期系数，对应得到所述筛查模型。所述一致性越高，则所述筛查模型的准确性越高，从而实现最终采用准确性高的所述筛查模型进行病变等级分类，提高病变等级分类结果的可靠性和准确性。进一步还可通过灵敏性和特异性表征所述筛查的准确性。

应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种图像等级分类装置600，包括：质量判别模块610、筛查模块620以及可信度模块630，其中：

所述质量判别模块610用于将待检图片输入质量判别模型，得到所述待检测图片的质量等级；其中，所述质量等级值用于表征所述待检图片的清晰程度；

所述筛查模块620用于将所述待检图片输入筛查模型，得到所述待检图片中待检区域的病变等级；

所述可信度模块630用于根据所述待检图片的所述质量等级，确定所述待检图片的病变等级的可信度。

关于图像等级分类装置的具体限定可以参见上文中对于图像等级分类方法的限定，在此不再赘述。上述图像等级分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检图片数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图片等级分类的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一所述图片等级分类方法实施例的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一所述图片等级分类方法实施例的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。