模型训练方法、装置、电子设备及存储介质与流程

本技术涉及人工智能，尤其涉及一种模型训练方法、装置、电子设备及存储介质。

背景技术：

1、糖尿病肾病(diabetic nephropathy,dn)是最主要的糖尿病微血管并发症之一，是指糖尿病导致的慢性病，是慢性肾脏病和终末期肾脏病(肾衰竭)的重要原因。糖尿病肾病早期其无明显症状，仅通过糖尿病早期筛查发现有微量白尿蛋白情况，中晚期患者主要症状为高血压、水肿为主，体检可发现大量尿蛋白，部分患者可出现贫血现象，且常合并其他微血管并发症，如糖尿病视网膜病变以及周围血管、心血管和脑血管并发症。因此，识别患有糖尿病肾病的人，对确保提供适当的治疗变得越来越重要，尤其是早期阶段，仅通过体检很难发现。

2、眼底图像是由单目相机捕获的眼底在2d平面上的投影。与其他眼部扫描(如oct图像和血管造影等)不同，眼底图像可以以非侵入性和经济高效的方式获取，使其更适合大规模筛查。为此，人工智能尤其是机器学习和深度学习有望为利用眼底图像进行疾病的检测和预防提供更好的解决方案。

3、近年来，许多研究工作在眼底图像上有效利用了深度学习技术，探索了对一些疾病进行筛查和预测的可行性。但目前现有工作存在很大的局限性，据统计所知，尚未有工作能够利用深度学习技术结合眼底图像预测糖尿病肾病，主要存在以下几项主要问题：

4、1、糖尿病肾病的诊断主要依赖医生进行产后的病史询问及量表评估，被测者需要花费大量时间回答量表中的问题，导致糖尿病肾病检测的效率比较低。

5、2、眼底图像中与糖尿病肾病相关的明显特征难以观察，因此降低了糖尿病肾病预测的准确率。

技术实现思路

1、本技术实施例提供一种模型训练方法、装置、电子设备及存储介质，以解决现有技术中人工检测糖尿病肾病的效率和准确率较低的问题。

2、为了解决上述技术问题，本技术实施例是这样实现的：：

3、第一方面，本技术实施例提供了一种模型训练方法，所述方法包括：

4、获取用户的符合模型训练条件的样本眼底图像，所述样本眼底图像标注有预设疾病的真实疾病类别；

5、将所述样本眼底图像输入至待训练疾病预测模型，所述待训练疾病预测模型包括：特征动态选择网络层和分类层；

6、调用所述特征动态选择网络层对所述样本眼底图像对应的眼底特征图进行多尺度特征选择聚合操作，得到聚合特征图；

7、调用所述分类层对所述聚合特征图进行处理，得到所述用户的预测疾病类别；

8、基于所述真实疾病类别和所述预测疾病类别，计算得到所述待训练疾病预测模型的损失值；

9、在所述损失值处于预设范围内的情况下，将训练后的待训练疾病预测模型作为最终的疾病预测模型。

10、可选地，所述将所述样本眼底图像输入至待训练疾病预测模型，包括：

11、获取所述样本眼底图像对应的用于指示预测指定疾病类别的任务编码信息；

12、将所述样本眼底图像和所述任务编码信息输入至所述待训练疾病预测模型。

13、可选地，所述待训练疾病预测模型还包括：控制器，

14、在所述调用所述特征动态选择网络层对所述样本眼底图像对应的眼底特征图进行多尺度特征选择聚合操作，得到聚合特征图之前，还包括：

15、调用所述控制器根据所述任务编码信息过滤掉所述样本眼底图像的眼底特征中与所述指定疾病类别无关的特征，得到所述眼底特征图。

16、可选地，所述特征动态选择网络层包括：特征提取层、权重计算层和特征聚合层，

17、所述调用所述特征动态选择网络层对所述样本眼底图像对应的眼底特征图进行多尺度特征选择聚合操作，得到聚合特征图，包括：

18、调用所述特征提取层对所述眼底特征图进行多尺度特征提取操作，得到多尺度眼底特征；

19、调用所述权重计算层对所述多尺度眼底特征进行处理，，得到所述多尺度眼底特征对应的特征权重；

20、调用所述特征聚合层根据所述特征权重对所述多尺度眼底特征进行聚合，得到所述聚合特征图。

21、可选地，所述获取用户的符合模型训练条件的样本眼底图像，包括：

22、获取所述用户的多幅初始眼底图像；

23、调用预设模型对所述初始眼底图像进行处理，以筛选出所述初始眼底图像中符合模型训练条件的所述样本眼底图像，所述样本眼底图像为真实眼底图像类别且图像质量大于质量阈值的眼底图像。

24、可选地，所述调用预设模型对所述初始眼底图像进行处理，以筛选出所述初始眼底图像中符合模型训练条件的所述样本眼底图像，，包括：

25、对所述初始眼底图像进行预处理，生成预处理眼底图像；

26、调用眼底图像识别模型对所述预处理眼底图像进行处理，得到眼底图像识别结果；

27、根据所述眼底图像识别结果，确定所述初始眼底图像中的标准眼底图像；

28、调用图像质量等级分类模型对所述预处理眼底图像进行处理，得到所述预处理眼底图像属于各个预设质量等级的概率；

29、根据所述概率，从所述标准眼底图像中筛选出符合模型训练条件的样本眼底图像。

30、可选地，在所述在所述损失值处于预设范围内的情况下，将训练后的待训练疾病预测模型作为最终的疾病预测模型之后，还包括：：

31、获取目标用户的符合预设疾病检测条件的目标眼底图像；

32、将所述目标眼底图像输入至所述疾病预测模型；

33、调用所述特征动态选择网络层对所述目标眼底图像对应的目标眼底特征图进行多尺度特征选择聚合操作，得到目标特征图；

34、调用所述分类层对所述目标特征图进行处理，得到所述用户是否患有预设疾病的预测结果。

35、第二方面，本技术实施例提供了一种模型训练装置，所述装置包括：

36、样本图像获取模块，用于获取用户的符合模型训练条件的样本眼底图像，所述样本眼底图像标注有预设疾病的真实疾病类别；

37、样本图像输入模块，用于将所述样本眼底图像输入至待训练疾病预测模型，所述待训练疾病预测模型包括：特征动态选择网络层和分类层；

38、特征图获取模块，用于调用所述特征动态选择网络层对所述样本眼底图像对应的眼底特征图进行多尺度特征选择聚合操作，得到聚合特征图；

39、预测类别获取模块，用于调用所述分类层对所述聚合特征图进行处理，得到所述用户的预测疾病类别；

40、损失值计算模块，用于基于所述真实疾病类别和所述预测疾病类别，计算得到所述待训练疾病预测模型的损失值；

41、预测模型获取模块，用于在所述损失值处于预设范围内的情况下，将训练后的待训练疾病预测模型作为最终的疾病预测模型。

42、可选地，所述样本图像输入模块包括：

43、编码信息获取单元，用于获取所述样本眼底图像对应的用于指示预测指定疾病类别的任务编码信息；

44、图像编码输入单元，用于将所述样本眼底图像和所述任务编码信息输入至所述待训练疾病预测模型。

45、可选地，所述待训练疾病预测模型还包括：控制器，

46、所述装置还包括：

47、眼底特征图获取模块，用于调用所述控制器根据所述任务编码信息过滤掉所述样本眼底图像的眼底特征中与所述指定疾病类别无关的特征，得到所述眼底特征图。

48、可选地，所述特征动态选择网络层包括：特征提取层、权重计算层和特征聚合层，

49、所述特征图获取模块包括：

50、多尺度特征获取单元，用于调用所述特征提取层对所述眼底特征图进行多尺度特征提取操作，得到多尺度眼底特征；

51、特征权重获取单元，用于调用所述权重计算层对所述多尺度眼底特征进行处理，得到所述多尺度眼底特征对应的特征权重；

52、聚合特征图获取单元，用于调用所述特征聚合层根据所述特征权重对所述多尺度眼底特征进行聚合，得到所述聚合特征图。

53、可选地，所述样本图像获取模块包括：

54、眼底图像获取单元，用于获取所述用户的多幅初始眼底图像；

55、样本图像筛选单元，用于调用预设模型对所述初始眼底图像进行处理，以筛选出所述初始眼底图像中符合模型训练条件的所述样本眼底图像，所述样本眼底图像为真实眼底图像类别且图像质量大于质量阈值的眼底图像。

56、可选地，所述样本图像筛选单元包括：

57、眼底图像生成子单元，用于对所述初始眼底图像进行预处理，生成预处理眼底图像；

58、识别结果获取子单元，用于调用眼底图像识别模型对所述预处理眼底图像进行处理，得到眼底图像识别结果；

59、标准图像确定子单元，用于根据所述眼底图像识别结果，确定所述初始眼底图像中的标准眼底图像；

60、概率获取子单元，用于调用图像质量等级分类模型对所述预处理眼底图像进行处理，得到所述预处理眼底图像属于各个预设质量等级的概率；

61、样本图像筛选子单元，用于根据所述概率，从所述标准眼底图像中筛选出符合模型训练条件的样本眼底图像。

62、可选地，所述装置还包括：

63、目标图像获取模块，用于获取目标用户的符合预设疾病检测条件的目标眼底图像；

64、目标图像输入模块，用于将所述目标眼底图像输入至所述疾病预测模型；

65、目标特征图获取模块，用于调用所述特征动态选择网络层对所述目标眼底图像对应的目标眼底特征图进行多尺度特征选择聚合操作，得到目标特征图；

66、预测结果获取模块，用于调用所述分类层对所述目标特征图进行处理，得到所述用户是否患有预设疾病的预测结果。

67、第三方面，本技术实施例提供了一种电子设备，包括：：

68、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，所述计算机程序被所述处理器执行时实现上述任一项所述的模型训练方法。

69、第四方面，本技术实施例提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的模型训练方法。

70、在本技术实施例中，通过获取用户的符合模型训练条件的样本眼底图像，样本眼底图像标注有预设疾病的真实疾病类别。将样本眼底图像输入至待训练疾病预测模型，待训练疾病预测模型包括：特征动态选择网络层和分类层。调用特征动态选择网络层对样本眼底图像对应的眼底特征图进行多尺度特征选择聚合操作，得到聚合特征图。调用分类层对聚合特征图进行处理，得到用户的预测疾病类别。基于真实疾病类别和预测疾病类别，计算得到待训练疾病预测模型的损失值。在损失值处于预设范围内的情况下，将训练后的待训练疾病预测模型作为最终的疾病预测模型。本技术实施例通过提取眼底图像中多尺度的特征，并采用特征动态选择机制以提取出与糖尿病肾病相关的特征进行模型训练，相比于人工检测方式，能够提高糖尿病肾病的检测效率和准确率。

71、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。