本发明实施例涉及机器学习，尤其涉及一种基于迁移学习的青光眼辅助诊断方法及其相关装置。
背景技术：
1、青光眼是一种慢性眼病，通常由眼内压升高引起，会对视神经产生损害，最终导致视野缺损和失明。青光眼是全球导致不可逆性失明的主要原因之一。如果不及时发现和治疗，青光眼可能会逐渐恶化，给患者的生活质量和视觉功能带来严重影响。因此，早期筛查青光眼对于预防和控制其发展至关重要。早期诊断可以提供更早的治疗机会，降低疾病进展的风险。通过早期筛查，医生可以及早发现患者是否存在眼内压升高、视野缺损等青光眼的特征，从而采取相应的治疗措施，延缓疾病的进展并保护患者的视力。
2、获取患者的眼部图像是评估青光眼的重要工具之一。临床中对青光眼的筛查诊断通常依赖于医生的经验和专业知识，且人工筛查诊断存在主观性和人力成本高的问题。
技术实现思路
1、本发明实施例提出了一种基于迁移学习的青光眼辅助诊断方法及其相关装置，以解决现有技术中对青光眼的筛查诊断依赖人工、且人工筛查诊断存在主观性和人力成本高的问题。
2、第一方面，本发明实施例提供了一种基于迁移学习的青光眼辅助诊断方法，包括：
3、获取待诊断用户的眼部图像；
4、确定通过以青光眼诊断任务作为主任务、若干与所述青光眼诊断任务相关的子任务同所述主任务并行训练的训练方式训练得到的目标模型；所述若干与所述青光眼诊断任务相关的子任务包括：视盘区域分割任务、黄斑中央凹区域定位任务和血管分割任务；所述目标模型包括用于提取眼部图像中通用特征的眼科基础模型，用于将所述主任务与各个子任务进行信息交互的多任务关系融合模块，以及与所述主任务、各个所述子任务分别对应匹配的用于处理专属任务的私有模块；
5、将所述待诊断用户的眼部图像输入所述目标模型中，输出得到所述待诊断用户的青光眼诊断预测结果。
6、第二方面，本发明实施例还提供了一种基于迁移学习的青光眼辅助诊断装置，包括：
7、数据获取模块，用于获取待诊断用户的眼部图像；
8、模型确定模块，用于确定通过以青光眼诊断任务作为主任务、若干与所述青光眼诊断任务相关的子任务同所述主任务并行训练的训练方式训练得到的目标模型；所述若干与所述青光眼诊断任务相关的子任务包括：视盘区域分割任务、黄斑中央凹区域定位任务和血管分割任务；所述目标模型包括用于提取眼部图像中通用特征的眼科基础模型，用于将所述主任务与各个子任务进行信息交互的多任务关系融合模块，以及与所述主任务、各个所述子任务分别对应匹配的用于处理专属任务的私有模块；
9、预测模块，用于将所述待诊断用户的眼部图像输入所述目标模型中，输出得到所述待诊断用户的青光眼诊断预测结果。
10、第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
11、一个或多个处理器；
12、存储器，用于存储一个或多个程序，
13、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的基于迁移学习的青光眼辅助诊断方法。
14、第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的基于迁移学习的青光眼辅助诊断方法。
15、在本申请实施例中，获取待诊断用户的眼部图像；确定通过以青光眼诊断任务作为主任务、若干与所述青光眼诊断任务相关的子任务同所述主任务并行训练的训练方式训练得到的目标模型；所述若干与所述青光眼诊断任务相关的子任务包括：视盘区域分割任务、黄斑中央凹区域定位任务和血管分割任务；所述目标模型包括用于提取眼部图像中通用特征的眼科基础模型，用于将所述主任务与各个子任务进行信息交互的多任务关系融合模块，以及与所述主任务、各个所述子任务分别对应匹配的用于处理专属任务的私有模块；将所述待诊断用户的眼部图像输入所述目标模型中，输出得到所述待诊断用户的青光眼诊断预测结果。该目标模型由于在训练过程中已经习得眼部图像中的眼部特征与青光眼诊断检测指标之间的先验知识，当对该目标模型输入待诊断用户的眼部图像时，则会对应输出该待诊断用户的青光眼诊断预测结果。再者，该目标模型在训练阶段引入了多任务学习的训练，由于多个任务之间有一定的相关性，因此多任务学习相当于是一种隐式的数据增强，可以提高模型的泛化能力，且多任务学习共享一个用于提取眼部通用特征的眼科基础模型，该眼科基础模型在迁移学习过程中需要兼顾所有任务，这在一定程度上避免了模型过拟合到单个任务的训练集，多任务学习的设置，一方面可以促进青光眼诊断任务这个主任务的学习，另一方面还能进一步验证眼科基础模型的特征提取能力，更进一步的，在上述多任务学习的框架下，本申请实施例还设计了额外的多任务关系融合模块，使得各个子任务的特征可以选择性地与主任务(青光眼诊断任务)进行有效的信息交流，每个任务在多任务学习的背景下都可以“选择性”利用其他任务中学习到的隐藏特征，从而提高自身对眼部疾病诊断的预测能力。该目标模型能够适用于需要开展大规模的眼病筛查和分类的应用场景，以及非常适用于在医疗欠发达地区需要依赖专业医师和丰富的临床经验对患者进行眼病初步诊断的应用场景，该目标模型可以仅依据对患者拍摄的眼部图像即能输出对各类眼部疾病的诊断预测结果，即多任务学习得到的目标模型不仅能输出对青光眼诊断预测结果，还能输出其他子任务的预测结果，这些子任务的预测结果均可以作为青光眼诊断预测结果的额外信息供医生参考，无需完全依赖于专业医疗设备对眼病的检测结果，既降低了医疗成本又提高了医疗效率；可以解决现有技术中对青光眼的筛查诊断依赖人工、且人工筛查诊断存在主观性和人力成本高的问题。
1.一种基于迁移学习的青光眼辅助诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述确定通过以青光眼诊断任务作为主任务、若干与所述青光眼诊断任务相关的子任务同所述主任务并行训练的训练方式训练得到的目标模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一训练数据集，以青光眼诊断任务作为主任务，所述视盘区域分割任务、所述黄斑中央凹区域定位任务和所述血管分割任务作为同所述主任务并行训练的多个子任务，训练预设的初始模型直到满足预设的第一收敛条件则确认所述初始模型为训练完成的目标模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述将各个所述私有模块中的多层感知机输出的任务专属特征汇总至所述多任务关系融合模块中处理，得到特征增强结果，包括：
5.根据权利要求2所述的方法，其特征在于，所述获取预训练完成的眼科基础模型，包括：
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一增强训练数据集和所述第二增强训练数据集对所述教师网络和所述学生网络进行并行训练，直到满足预设的第二收敛条件则确定所述眼科基础模型预训练完成，包括：
7.根据权利要求6所述的方法，其特征在于，所述分别对所述第一增强训练数据集中的第一增强眼部图像与所述第二增强训练数据集中的第二增强眼部图像执行第一图像操作，得到第一增强眼部图像的向量化表示与第二增强眼部图像的向量化表示，包括：
8.一种基于迁移学习的青光眼辅助诊断装置，其特征在于，包括：
9.一种计算机设备，其特征在于，所述计算机设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于迁移学习的青光眼辅助诊断方法。
