本技術(shù)一般涉及圖像識別。更具體地，本技術(shù)涉及一種用于肥胖種類的識別模型的訓練方法、設(shè)備，一種用于肥胖種類識別的裝置以及計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、肥胖已成為全球范圍內(nèi)的重大公共衛(wèi)生問題，其與多種代謝疾病(如2型糖尿病、高血壓和心血管疾病)密切相關(guān)，而并非所有肥胖個體都表現(xiàn)出這些代謝紊亂，這就引出了代謝健康型肥胖(metabolically?healthy?obesity，“mho”)和代謝非健康型肥胖(metabolicallyunhealthy?obesity，“muo”)。mho和muo的識別涉及區(qū)分肥胖個體在代謝健康狀況上的差異。mho個體盡管體重超標或肥胖，但沒有代謝綜合征相關(guān)的健康問題，如高血壓、高血糖、異常的脂質(zhì)水平等；muo個體則伴隨有這些問題。因此muo的識別對于早期診斷、預(yù)防及管理肥胖相關(guān)代謝疾病尤為重要，有助于減少醫(yī)療成本和提高患者生活質(zhì)量。當前，肥胖種類識別方法主要基于體重、體質(zhì)指數(shù)(bmi)、腰圍測量以及血液生化指標的評估，如血糖、血脂和血壓等。這些方法雖然在一定程度上有效，但存在一定的局限性，比如bmi不能準確反映個體的脂肪分布和體內(nèi)脂肪含量。這些檢測通常還需要多次侵入性采樣，給患者帶來不便。

2、近年來，隨著醫(yī)學影像技術(shù)的進步，非侵入性的影像學檢測方法逐漸受到關(guān)注。視網(wǎng)膜圖像因其能夠無創(chuàng)地揭示微血管的健康狀況而成為研究焦點，其中視網(wǎng)膜微血管的改變可能與代謝病態(tài)相關(guān)，這為利用視網(wǎng)膜圖像進行肥胖識別提供了新的途徑。通過借助于機器學習或者深度學習技術(shù)，利用復(fù)雜的算法模型處理大量視網(wǎng)膜圖像數(shù)據(jù)并從中學習的模式，能夠揭示肥胖人群中代謝異常的微妙特征。在實際應(yīng)用場景中，由于視網(wǎng)膜圖像數(shù)據(jù)有限，由此在對模型訓練時往往需要通過數(shù)據(jù)增強操作(例如裁剪)來增大訓練樣本。然而，現(xiàn)有的數(shù)據(jù)增強操作采取的是直接對訓練數(shù)據(jù)進行隨機裁剪，這會使得在學習過程中錯過關(guān)鍵信息，導致在嵌入空間中優(yōu)化目標與背景的距離誤導表征的學習，降低模型的準確性。

3、有鑒于此，亟需提供一種用于肥胖種類的識別模型的訓練方法，從而可以通過非侵入性的影像學檢測方式識別肥胖種類，同時提高識別的準確性。

技術(shù)實現(xiàn)思路

1、為了至少解決如上所提到的一個或多個技術(shù)問題，本技術(shù)在多個方面中提出了一種用于肥胖種類的識別模型的訓練方法及相關(guān)產(chǎn)品的方案。

2、在第一方面中，本技術(shù)提供一種用于肥胖種類的識別模型的訓練方法，包括：對被檢者的視網(wǎng)膜圖像和檢查信息進行預(yù)處理，以獲得包含所述視網(wǎng)膜圖像的目標數(shù)據(jù)；將所述目標數(shù)據(jù)輸入至識別模型進行肥胖種類識別操作，以獲得目標熱力圖；基于所述目標熱力圖進行目標裁剪操作，以裁剪出所述目標數(shù)據(jù)中視網(wǎng)膜圖像的關(guān)鍵區(qū)域；以及基于所述目標數(shù)據(jù)和所述關(guān)鍵區(qū)域的圖像生成訓練樣本，以對比學習的方式對識別肥胖種類的所述識別模型進行訓練。

3、在一些實施例中，其中基于所述目標熱力圖進行目標裁剪操作，以裁剪出所述目標數(shù)據(jù)中視網(wǎng)膜圖像的關(guān)鍵區(qū)域包括：將所述目標熱力圖中大于目標閾值的激活點數(shù)值替換為目標指示數(shù)值，以得到目標矩陣；從所述目標矩陣中提取包含所有目標指示數(shù)值的最小矩形區(qū)域，以作為目標定位框；以及利用隨機裁剪函數(shù)獲取包含在所述目標定位框內(nèi)的裁剪框的定位信息，以得到所述目標數(shù)據(jù)中視網(wǎng)膜圖像的關(guān)鍵區(qū)域。

4、在另一些實施例中，其中利用隨機裁剪函數(shù)獲取包含在所述目標定位框內(nèi)的裁剪框的定位信息，以得到所述目標數(shù)據(jù)中視網(wǎng)膜圖像的關(guān)鍵區(qū)域包括：增大隨機采樣的方差，以得到中間低周圍高的u型β隨機概率分布；利用所述u型β隨機概率分布優(yōu)化隨機裁剪函數(shù)，以降低生成的裁剪框出現(xiàn)在圖像中心的概率；以及使用優(yōu)化后的隨機裁剪函數(shù)獲取包含在所述目標定位框內(nèi)的裁剪框的定位信息，以得到所述目標數(shù)據(jù)中視網(wǎng)膜圖像的關(guān)鍵區(qū)域。

5、在又一些實施例中，其中，在利用隨機裁剪函數(shù)獲取包含在所述目標定位框內(nèi)的裁剪框的定位信息，以得到所述目標數(shù)據(jù)中視網(wǎng)膜圖像的關(guān)鍵區(qū)域之后，還包括：調(diào)整所述裁剪框的大小與位置，所述調(diào)整用于生成新的定位信息，以對所述關(guān)鍵區(qū)域進行更新；和/或?qū)λ霾眉艨蜻M行自適應(yīng)的縮放，所述縮放用于生成新的定位信息，以對所述關(guān)鍵區(qū)域進行更新。

6、在又一些實施例中，其中調(diào)整所述裁剪框的大小與位置，所述調(diào)整用于生成新的定位信息，以對所述關(guān)鍵區(qū)域進行更新包括：將所述裁剪框的中心點的第一坐標值和第二坐標值分別減去目標填充值的一半，以對應(yīng)替換所述第一坐標值和所述第二坐標值；以及將所述裁剪框的寬度值和高度值分別增加目標填充值，以對應(yīng)替換所述寬度值和所述高度值。

7、在又一些實施例中，其中對所述裁剪框進行自適應(yīng)的縮放，所述縮放用于生成新的定位信息，以對所述關(guān)鍵區(qū)域進行更新包括：將所述裁剪框的寬度值、高度值和中心點的第一坐標值和第二坐標值分別與目標縮放因子相乘，以對應(yīng)替換所述寬度值、所述高度值、所述第一坐標值和所述第二坐標值。

8、在又一些實施例中，其中通過以下操作計算所述目標填充值：獲取所述目標定位框的寬度值或高度值，所述寬度值或所述高度值用于與預(yù)設(shè)比例系數(shù)相乘，以得到所述目標填充值。

9、在又一些實施例中，其中通過以下操作計算所述目標縮放因子：將所述視網(wǎng)膜圖像的寬度值除以所述目標熱力圖的寬度值，以得到所述目標縮放因子；或?qū)⑺鲆暰W(wǎng)膜圖像的高度值除以所述目標熱力圖的高度值，以得到所述目標縮放因子。

10、在又一些實施例中，其中對被檢者的視網(wǎng)膜圖像和檢查信息進行預(yù)處理包括：采集被檢者的檢查信息，以用于進行數(shù)據(jù)清洗；將所述數(shù)據(jù)清洗后的檢查信息中的數(shù)值與一個或多個目標閾值和/或目標范圍進行比較；以及基于所述比較的結(jié)果，對所述檢查信息內(nèi)的視網(wǎng)膜圖像建立標簽為代謝非健康型肥胖和代謝健康型肥胖的二分類目標數(shù)據(jù)。

11、在第二方面中，本技術(shù)提供一種用于肥胖種類的識別模型訓練的設(shè)備，包括：處理器、存儲器、系統(tǒng)總線；其中，所述處理器以及所述存儲器通過所述系統(tǒng)總線相連；所述存儲器用于存儲一個或多個程序，所述一個或多個程序包括指令，所述指令當被所述處理器執(zhí)行時使所述處理器執(zhí)行第一方面中任意一項所述的方法。

12、在第三方面中，本技術(shù)提供一種用于肥胖種類識別的裝置，包括：處理器；以及存儲器，其上存儲有肥胖種類識別模型的計算機指令，當所述計算機指令由處理器執(zhí)行時，使得所述裝置執(zhí)行以下操作：獲取待識別的視網(wǎng)膜圖像；以及將所述視網(wǎng)膜圖像輸入至根據(jù)上述第一方面所述的方法訓練完成的識別模型進行肥胖種類識別，獲得識別肥胖種類的識別結(jié)果。

13、在第四方面中，本技術(shù)提供一種計算機可讀存儲介質(zhì)，包括其上存儲有用于肥胖種類的識別模型訓練的計算機程序指令，該計算機程序指令被一個或多個處理器執(zhí)行時，使得實現(xiàn)根據(jù)第一方面中任意一項所述的方法；或者其上存儲有用于肥胖種類識別的計算機程序指令，該計算機程序指令被一個或多個處理器執(zhí)行時，使得實現(xiàn)第三方面中所述的裝置執(zhí)行的操作

14、通過如上提供的一種用于肥胖種類的識別模型的訓練方案，本技術(shù)實施例通過將包含視網(wǎng)膜圖像的目標數(shù)據(jù)輸入至識別模型進行肥胖種類識別操作獲得目標熱力圖，接著通過目標裁剪操作直接裁剪出視網(wǎng)膜圖像的關(guān)鍵區(qū)域，并采用對比學習的方式，從而有助于更有效、更準確地學習關(guān)鍵區(qū)域特征，以提高識別模型的準確性，并且基于視網(wǎng)膜圖像對肥胖種類進行識別，能夠無創(chuàng)地揭示微血管的健康狀況從而判斷肥胖類型。