CN119494833A 基于眼底图像的近视预测方法、系统及电子设备 （华北理工大学）

基于眼底图像的近视预测方法、系统及电子设性近视医疗类数据集进行数据增强和标准化处2获取病理性近视医疗类数据集，对病理性近视医疗类数据集进基线模型选用ResNet_50模型，将ResNet_50模型的预测结果作为原始预测结果，对ResNet_50模型各卷积层中的卷积核进行He重初始化，输出He重初始化后的权重和重初始通过He重初始化后的权重对ResNet_50模型进行前向传播，记录重初始化模型的准确3.根据权利要求2所述的基于眼底图像的近视预测; 在多目标优化任务下，根据目标函数的不同区域特征，使用剪枝模型对训练集的训练数据进行前向传播，输出每个类别根据第二软标签和所述第一软标签之间的差异，计算蒸馏损失计算预测结果与真实标签之间的分类损失；通过加权因子将蒸馏损失和分类损失相结合，3当在连续的训练周期内，剪枝模型验证集准确率的提升小于或等于准确率预设值时，;利用AutoAugment算法在多种增强策略中选择最优组合，得到病理性近视医疗类数据对增强数据集中的眼底图像进行尺寸标准化和像素值标准化，得到所AutoAugment算法在多种增强策略中选择最优组合，得到病理性近视医疗类数据集对应的T(x)={(op1,p1,m1),(op2,p2,mz),...,(opn,pn,mn)}；;i应用增强策略组合后的结果，fa(T(xr))c为模型在增强样本T(xz)上对第c类的预测概模型训练模块，用于获取病理性近视医疗类数据集，对病理性近视4所述处理器，用于从所述存储器中读取所述可执行指令，并执行5近视的发病风险对于制定有效的预防策略和治疗[0004]本发明要解决的技术问题是传统病理性近视诊断主要依[0012]将待检测眼底图像输入近视预测辅助模型，生成待检测眼底图像的近视预测结[0015]基线模型选用ResNet_50模型，将ResNet_50模型的预测对ResNet_50模型各卷积层中的卷积核进行He重初始化，输出He重初始化后的权重和重初[0016]通过He重初始化后的权重对ResNet_50模型进行前向传播，记录重初始化模型的6[0017]设定性能损失阈值，当性能损失小于性能损失阈值时，对ResNet_50模型进行剪[0022]所述利用鱼鹰优化算法对初始剪枝模型的剪枝比例和性能损失阈值进行参数优[0024]通过最优剪枝比例和最优性能损失阈值对ResNet_50模型进行剪枝，得到剪枝模[0025]所述使用眼底图像数据集对剪枝模型进行自蒸馏训练，[0027]剪枝模型对训练集的训练数据再次进行前向传播，生成训练集对应的第二软标[0035]利用AutoAugment算法在多种增强策略中选择最优组合，得到病理性近视医疗类7[0038]利用AutoAugment算法在多种增强策略中选择最优组合，得到病理性近视医疗类[0040]T(x)={(op1,p1,m1),(op2,p2,mz),...,(opn,pn,mn)}；组合后的结果，fa(T(xr))c为模型在增强样本T(xz)上对第c类的预测概率[0057]本发明选择了在眼底图像数据集上性能最优的ResNet_50作为基线模型，并采用始化，并基于基线模型在重初始化参数后的性能下降来评估每个卷积层滤波器的重要性，入理解病理性近视的复杂特征；为防止过拟合并确保剪枝模型在未见数据上的最优表现，8[0071]利用AutoAugment算法在多种增强策略中选择最优组合，得到病理性近视医疗类数据集对应的最优增强策略；使用最优增强策略对病理性近视医疗类数据集进行数据增[0072]利用AutoAugment算法在多种增强策略中选择最优组合，得到病理性近视医疗类[0074]T(x)={(op1,p1,m1),(op2,p2,mz),...,(opn,pn,mn)}；个元组中的一部分，pi和mi分别为操作的概率和幅度，n表示每个组合中包含的增强操作9i应用增强策略组合后的结果，fa(T(xr))c为模型在增强样本T(xz)上对第c类的预测概率[0080]步骤101中对病理性近视医疗类数据集标准化处理具体为：对增强后的病理性近[0086]通过He重初始化后的权重对ResNet_50模型进行前向传播，记录重初始化模型的影响；设定性能损失阈值θ,即图4中的准确度阈值，当性能损失drop:小于性能损失阈值θ剪枝模型；[0090]利用鱼鹰优化算法对初始剪枝模型的剪枝比例和性能损失阈值进行参数优化，失阈值；通过最优剪枝比例和最优性能损失阈值对ResNet_50模型进行剪枝，得到剪枝模[0093]在剪枝过程中，使用交叉熵损失来衡量剪枝后的模型在过对剪枝后的模型在验证集上的准确度进行监控，我们可以评估剪枝对模型性能的影响，sti=-ziqilogpi；[0103]式中，pi为在给定温度T时剪枝模型的当前输出概率，即新的logits，是经过[0105]L-class=-(ytlogp)；[0115]优化器选择Adam优化器，Adam优化器因其自适应学习率[0126]本发明通过在iChallenge_PM眼底图像数据集上比较VGGNe