CN110490138A - 一种数据处理方法及装置、存储介质、电子设备 - Google Patents

Abstract

本申请提供一种数据处理方法及装置、存储介质、电子设备。该数据处理方法包括：获取待分类的眼底图像；将所述眼底图像输入到预先训练好的神经网络模型中，得到所述眼底图像的分类结果；所述神经网络模型包括特征提取层和分类层，所述特征提取层中不包括归一化模块；所述特征提取层用于从所述眼底图像中提取特征，所述分类层用于根据所述特征对所述眼底图像进行分类。该数据处理方法提高了眼底图像的分类效率。

Description

一种数据处理方法及装置、存储介质、电子设备

技术领域

本申请涉及数据处理领域，具体而言，涉及一种数据处理方法及装置、存储介质、电子设备。

背景技术

神经网络能够通过从大量的数据集中自动的提取、学习、组合特征，获得抽象的可以更好地表征真实数据集的高级特征。在医学领域，会利用神经网络模型的该特点对各类医学图像进行分类处理，得到用于表征疾病严重程度等的分类结果。

但是对于眼底图像来说，包含了许多可以表征眼底性质的细节特征，如果基于常规的神经网络模型，用普遍的图像处理的方式对眼底图像进行处理，可能并不适用于眼底图像，进而影响分类效率。

发明内容

本申请实施例的目的在于提供一种数据处理方法及装置、存储介质、电子设备，用以提高眼底图像的分类效率。

第一方面，本申请实施例提供一种数据处理方法，包括：

获取待分类的眼底图像；将所述眼底图像输入到预先训练好的神经网络模型中，得到所述眼底图像的分类结果；所述神经网络模型包括特征提取层和分类层，所述特征提取层中不包括归一化模块；所述特征提取层用于从所述眼底图像中提取特征，所述分类层用于根据所述特征对所述眼底图像进行分类。

在本申请实施例中，用于对眼底图像进行分类的神经网络模型中不包括归一化模块，归一化模块主要是用于对数据集进行归一化操作，使得数据集中的某个维度上的数据均值为0，方差为1。归一化操作涉及到的参数较复杂，计算量较大，对于眼底图像来说，不进行归一化操作也不会出现偏差。因此，与现有技术相比，本申请实施例中的神经网络模型中取消了归一化操作，不仅不会出现偏差，还减少了神经网络模型的计算量，实现了在不影响精度的情况下降低计算量，进而提高了眼底图像的分类效率。

作为一种可能的实现方式，所述特征提取层包括交替连接的卷积层和池化层，所述卷积层的输出作为所述池化层的输入；所述分类层为Softmax分类器。

在本申请实施例中，通过Softmax分类器实现分类，能够快速准确的得到一个分类结果。

作为一种可能的实现方式，所述池化层中采用的是最大池化操作。

在本申请实施例中，采用最大池化操作，最大池化提取的是池化窗口中的最大像素值，可以较好的保留纹理细节信息，进而能够提取到眼底图像中的细节特征，提高最后的分类结果的准确性。

作为一种可能的实现方式，在获取待分类的眼底图像之前，所述方法还包括：获取训练数据集，所述训练数据集中包括用于对神经网络模型进行训练的多张训练眼底图像，每张所述训练眼底图像均设置有一个分类标签；获取初始的神经网络模型；基于反向传播算法以及所述训练数据集对所述初始的神经网络模型进行训练，得到所述训练好的神经网络模型。

在本申请实施例中，通过训练数据集和反向传播算法对神经网络模型进行训练，在训练时，因为神经网络模型中不包括归一化模块，不需要进行进一步的归一化操作，减少了训练过程中的计算量，提高了模型训练的效率。

作为一种可能的实现方式，获取训练数据集，包括：获取多张待处理眼底图像；对每张所述待处理眼底图像进行数据增强，得到所述训练数据集，其中，所述数据增强包括镜像处理。

在本申请实施例中，对于训练数据集中的训练图像，通过数据增强，能够增加训练的数据量，提高模型的泛化能力和鲁棒性。

作为一种可能的实现方式，在得到所述训练好的神经网络模型后，所述方法还包括：获取测试数据集，所述测试数据集中包括用于对训练好的神经网络模型进行测试的多张测试眼底图像，每张所述测试眼底图像均设置有一个分类标签；将所述测试数据集输入到所述训练好的神经网络模型中，得到所述测试数据集的分类结果；根据所述测试数据集的分类结果和所述测试眼底图像设置的所述分类标签确定所述训练好的神经网络模型的分类精度。

在本申请实施例中，在将模型训练好以后，还可以通过测试数据集对模型进行测试，进而能够验证模型的性能，使其能够较好的用于眼底图像的分类。

作为一种可能的实现方式，将所述眼底图像输入到预先训练好的神经网络模型中，得到所述眼底图像的分类结果，包括：将所述眼底图像输入到预先训练好的神经网络模型中，得到所述神经网络模型输出的与所述眼底图像对应的分类标签；所述分类标签为需要转诊或不需要转诊。

在本申请实施例中，神经网络模型最后输出的是一个分类标签，该分类标签作为分类结果，可以直接判断是否需要转诊，需要转诊说明病情可能比较严重，不需要转诊说明病情比较轻微，进而可以辅助医生或者医院对患者进行治疗安排。

第二方面，本申请实施例提供一种数据处理装置，所述装置包括用于实现第一方面以及第一方面任意一种可能的实现方式中所述的方法的功能模块。

第三方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如第一方面以及第一方面任意一种可能的实现方式中所述的方法的步骤。

第四方面，本申请实施例提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器用于存储程序；所述处理器调用存储于所述存储器中的程序，以执行如第一方面以及第一方面任意一种可能的实现方式中所述的方法。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的数据处理方法流程图。

图2为本申请实施例提供的神经网络模型结构图。

图3为本申请实施例提供的DB模块结构图。

图4为本申请实施例提供的数据处理装置功能结构框图。

图5为本申请实施例提供的电子设备功能结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

在介绍本申请实施例提供的数据处理方法之前，先对其应用场景作一个简单的介绍。

眼底的视网膜血管是人体中可看见的血管，医生把它当作了解其它脏器血管情况的窗口。因此，它的变化在一定程度上反映了一些器官的改变程度。如高血压病人眼底可见到视网膜动脉硬化，糖尿病病人眼底可见毛细血管瘤、小的出血点和渗出物，这就在一定程度上反映了全身的血管改变情况。医生可据此来分析、判断疾病的严重程度。因此，通过眼底图像，能够判断疾病的严重程度，根据疾病的严重程度可以为患者计划治疗方案，例如假设当前患者的疾病较严重，而就诊的医院是小医院，无法为患者提供进一步的治疗，此时可以为患者安排转诊，转向大医院进行治疗；假设当前患者的疾病不是很严重，那么可以继续已有的治疗方案。

在这样的医疗场景下，判断疾病的严重程度是比较重要的，基于此，本申请实施例提供一种数据处理方法，辅助医生或者医院为患者提供治疗。

接下来请参照图1，图1为本申请实施例提供的数据处理方法的流程图，该数据处理方法包括：

步骤101：获取待分类的眼底图像。

步骤102：将待分类的眼底图像输入到预先训练好的神经网络模型中，得到眼底图像的分类结果。神经网络模型包括特征提取层和分类层，特征提取层中不包括归一化模块；特征提取层用于从眼底图像中提取特征，分类层用于根据特征对眼底图像进行分类。

在本申请实施例中，用于对眼底图像进行分类的神经网络模型中不包括归一化模块，归一化模块主要是用于对数据集进行归一化操作，使得数据集中的某个维度上的数据均值为0，方差为1。归一化操作涉及到的参数较复杂，计算量较大，对于眼底图像来说，不进行归一化操作也不会出现偏差。因此，与现有技术相比，本申请实施例中的神经网络模型中取消了归一化操作，不仅不会出现偏差，还减少了神经网络模型的计算量，实现了在不影响精度的情况下降低计算量，进而提高了眼底图像的分类效率。

在步骤101中，待分类的眼底图像可以是多张也可以是一张，若为一张，在步骤102中将眼底图像输入到训练好的神经网络模型中后，得到的就是一张眼底图像的分类结果；若为多张，在步骤102中，得到的就是多张眼底图像的分类结果。在为多张眼底图像时，可以将多张眼底图像作为一个眼底数据集，输入到训练好的神经网络模型中。眼底图像可以是由照相机或者其他专业的眼底图像设备所拍摄得到的，可以是一个人的左眼眼底图像，也可以是右眼眼底图像。

在步骤102中，在训练好的神经网络模型中，包括特征提取层和分类层，特征提取层中不包括归一化模块。特征提取层用于从眼底图像中提取特征，分类中用于根据提取出的特征对眼底图像进行分类。其中，特征提取层可以包括交替连接的卷积层和池化层，卷积层的输出作为池化层的输入，所述卷积层和所述池化层的数量均为3；分类层可以为Softmax分类器。其中，卷积层和池化层的数量可以根据实际情况进行设置，一般卷积层和池化的层数越多，所提取到的特征越细，因此，如果需要提取较细致的特征时，可以多设置卷积层和池化层。

卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更深入的卷积层能从低级特征中迭代提取更复杂的特征。池化层主要是通过池化操作进一步对图像进行降维，提取图像数据中更加细节性的特征。Softmax用于多分类过程中，它将多个神经元的输出，映射到(0,1)区间内，可以看成概率来理解，从而来进行多分类。Softmax直白来说就是将原来输出是3,1,-3通过Softmax函数一作用，映射成为(0,1)的值，而这些值的累加和为1(满足概率的性质)，可以将映射成为的值理解成概率，在最后选取输出节点的时候，就可以选取概率最大(也就是值对应最大的)节点，作为预测目标。结合到本申请实施例的目的，在提取到详细的细节特征后，通过Softmax分类器能够最终输出一个预测结果，该预测结果即代表眼底图像的分类结果，如需要转诊或者不需要转诊。当然，最终输出的预测结果的形式可以通过前期对神经网络模型的训练进行设置。

接下来请参照图2，为本申请实施例提供的一种神经网络模型的主要结构示意图，该结构基于DN网络(Densely Connected Convolutional Networks，密集卷积网络)，在原DN网络结构的基础上，增加了卷积层和池化层的数量，同时取消了归一化操作。在图2中，Conv(Convolution，卷积操作)代表卷积操作。Conv1、Conv2是大小为3*3的卷积核；DB(Dense Block,密集块)模块中包括如图3所示的两个内部的卷积核：Conv3(大小为3*3的卷积核)和Conv4(大小为1*1的卷积核)。Relu(Rectified Linear Units，整流线性单元)模块又称修正线性单元，是一种常用的激活函数，用于计算激活值。Conv2执行1*1卷积操作，此模块中不包含BN(Batch Normalization，批量归一化)操作。Dropout模块:按一定比例随机让一部分神经元暂时停止工作，此操作可以防止训练过程中的过拟合现象，增加模型的泛化性能。池化模块：用于进行池化操作，池化操作可以进一步对图像进行降维，提取图像数据中更加细节性的特征。池化操作通常是最大池化，平均池化。平均池化提取的是池化窗口下的像素的均值，通常可以很好的保留背景信息；最大池化提取的是池化窗口中的最大像素值，可以较好的保留纹理细节信息。在本申请中主要是为了提取眼底图像中的病灶纹理细节特征，因此可以选择使用最大池化操作。

当然，除了图2所示的神经网络模型结构，还可以是其他的神经网络模型结构，如在图2中的卷积层一共包括三层，还可以减少卷积层的数量，如只设置两个卷积层。对应的，池化层的数量也可以减少，一般与卷积层的数量相等即可。此外，在图2中的Dropout模块也可以去掉。图2中的神经网络模型结构只是一种示意，在满足原DN网络结构的基础上，改变卷积层和池化层的数量，同时取消归一化操作，以适用于眼底图像的分类，所得到的神经网络模型，均应包含在本申请的保护范围内。除了取消归一化操作，考虑到眼底图像的特征提取，同时采用最大池化操作，使本申请实施例提供的神经网络模型结构能够较好的适用于眼底图像的分类。

在步骤102中利用的是训练好的神经网络模型，对于神经网络模型训练的实施方式，在步骤101之前，数据处理方法还包括：获取训练数据集，训练数据集中包括用于对神经网络模型进行训练的多张训练眼底图像，每张训练眼底图像均设置有一个分类标签；获取初始的神经网络模型；基于反向传播算法以及训练数据集对初始的神经网络模型进行训练，得到训练好的神经网络模型。

对于获取训练数据集，一种可选的实施方式：获取多张待处理眼底图像；对每张待处理眼底图像进行数据增强，得到训练数据集，其中，数据增强包括镜像处理。在这种实施方式中，通过将图像进行数据增强，能够增加训练的数据量，提高模型的泛化能力。数据增强有两种方式，一种是获得新的数据，即获取更多的眼底图像。另一种是基于已有的数据进行创造，如镜像处理(即翻转)，当然，还可以是其他可以增加图像数量的方式，例如：旋转，顺时针或者逆时针的旋转，在旋转的时候，旋转的范围在90－180度之间，否则会出现尺度的问题。再例如：缩放，图像可以被放大或缩小。放大时，放大后的图像尺寸会大于原始尺寸。大多数图像处理架构会按照原始尺寸对放大后的图像进行裁切。再例如：裁剪，这种方法更流行的叫法是随机裁剪，即随机从图像中选择一部分，然后将这部分图像裁剪出来，然后调整为原图像的大小。通过数据增强创造出更多的数据，使得神经网络具有更好的泛化效果。

对于分类标签，可以包括需要转诊和不需要转诊。在本申请实施例中主要基于这两种分类标签进行介绍，但在实际应用中，可以根据需求设置不同的标签，如分类标签表示疾病严重程度，例如：轻微、严重、非常严重等。对于初始的神经网络模型，设置有初始学习率、初始权重值等参数。

其中，反向传播算法包括：1、前向计算：从输入层开始逐层计算网络模型的输出，直至最后的分类器层。2、反向计算：根据分类器层指定的损失函数，计算最后一层的误差，并使用链式法则将该误差逐层传回，直至输入层，用以计算损失函数对于网络中权值的提取。3、更新网络中的参数，循环迭代以上几步直至网络中的权值收敛或网络的误差降低到指定的指标。

具体的，在前向计算时，通过隐藏层的前向传播计算训练网络，最后输出采用Softmax函数得到训练样本集上的预测标签。在反向计算时，计算训练数据集的预测标签与实际真实标签的差异，计算得到损失函数的值，得到网络误差。在反向计算后，选择优化算法(可以是Adam、SGD等等)，后向传播更新神经网络的学习率、权重值等参数，继续训练网络，直到达到训练规定次数停止；最终得到训练完成的算法模型。

基于神经网络模型的训练过程中也可以看出不进行归一化操作是适用于眼底图像的，因为在神经网络训练过程中随着网络深度加深，输入数据集的分布逐渐发生偏移或者变动，导致反向传播时低层神经网络的梯度消失，BN可以通过一定的规范化手段，把每层神经网络任意神经元的输入值分布强行拉回到均值为0方差为1的标准正态分布。对于眼底图像数据来说，不会出现过度偏差问题，选择不执行BN操作，不影响精度的情况下还可以降低训练过程中的计算量。

在完成神经网络模型的训练后，还可以对训练好的神经网络模型进行测试，因此，该数据处理方法还包括：获取测试数据集，测试数据集中包括用于对训练好的神经网络模型进行测试的多张测试眼底图像，每张测试眼底图像均设置有一个分类标签；将测试数据集输入到所述训练好的神经网络模型中，得到测试数据集的分类结果；根据测试数据集的分类结果和测试眼底图像设置的分类标签确定训练好的神经网络模型的分类精度。

对于训练好的神经网络模型来说，最后输出的分类结果也通过分类标签来表示，通过将神经网络模型输出的分类标签与预先设置的分类标签进行比较，可以确定神经网络模型的分类精度。举例来说，假设在测试数据集中共有20张眼底图像，通过将输出的分类结果与分类标签进行比对，比对结果一致的图像有18张，结果不一致的图像有2张，那么分类精度可以为：18/20＝0.9*100％＝90％。当然，这只是一种示例性的举例，在实际操作中，在测试训练集中至少要包括1000张眼底图像，这样得到的分类精度能够比较真实的反映神经网络模型的分类能力。

通过上述对训练神经网络模型的介绍，在步骤102时，直接将待分类的眼底图像输入到训练好的神经网络模型中，即可得到对应的分类结果，最终得到的分类结果可以是与眼底图像对应的分类标签。举例来说，假设现输入了100张眼底图像到神经网络模型中，最后输出的分类结果即为这100张眼底图像的对应的是否需要转诊的标签。此外，为了将输出的分类结果与眼底图像对应起来，一般来说，神经网络模型会按照输入的眼底图像的顺序输出对应的结果，使用户可以知道眼底图像与分类结果的对应关系。当然，也可以将眼底图像与分类结果关联起来，如将100张眼底图像进行编号，001-100，最后输出分类结果时，直接表示为：001-需要转诊；002-不需要转诊，…100-需要转诊，进而使用户可以清楚的知道每张眼底图像的识别结果。

进一步的，结合本申请实施例的数据处理方法的应用场景，在步骤101中，获取的待分类的眼底图像可以是医院的医生批量上传的，在完成步骤102后，即得到一个分类结果后，将该分类结果反馈给医生，使医生根据该分类结果对患者的治疗进行安排，若需要转诊，就告知对应的患者，患者再提起转诊请求，在该转诊请求通过后，患者可前往大医院进行就诊。若不需要转诊，医生也告知对应的患者，同时为患者安排在医院的后续治疗流程并告知患者。当然，获取的待分类的眼底图像也可以是医院的医生实时上传的，即一次上传一张或者一次上传多张，每上传一次就按照步骤101-步骤102进行处理。

基于同一发明构思，请参照图4，本申请实施例中还提供一种数据处理装置200，包括：获取模块201和处理模块202。

获取模块201，用于获取待分类的眼底图像。处理模块202，用于将所述眼底图像输入到预先训练好的神经网络模型中，得到所述眼底图像的分类结果；所述神经网络模型包括特征提取层和分类层，所述特征提取层中不包括归一化模块；所述特征提取层用于从所述眼底图像中提取特征，所述分类层用于根据所述特征对所述眼底图像进行分类。

可选的，获取模块201还用于：获取训练数据集，所述训练数据集中包括用于对神经网络模型进行训练的多张训练眼底图像，每张所述训练眼底图像均设置有一个分类标签；获取初始的神经网络模型。处理模块202还用于基于反向传播算法以及所述训练数据集对所述初始的神经网络模型进行训练，得到所述训练好的神经网络模型。

可选的，获取模块201还用于获取多张待处理眼底图像。处理模块202还用于对每张所述待处理眼底图像进行数据增强，得到所述训练数据集，其中，所述数据增强包括镜像处理。

可选的，获取模块201还用于：获取测试数据集，所述测试数据集中包括用于对训练好的神经网络模型进行测试的多张测试眼底图像，每张所述测试眼底图像均设置有一个分类标签。处理模块202还用于：将所述测试数据集输入到所述训练好的神经网络模型中，得到所述测试数据集的分类结果；根据所述测试数据集的分类结果和所述测试眼底图像设置的所述分类标签确定所述训练好的神经网络模型的分类精度。

可选的，处理模块202还用于：将所述眼底图像输入到预先训练好的神经网络模型中，得到所述神经网络模型输出的与所述眼底图像对应的分类标签；所述分类标签为需要转诊或不需要转诊。

前述实施例中的数据处理方法中的各实施方式和具体实例同样适用于图4的装置，通过前述对数据处理方法的详细描述，本领域技术人员可以清楚的知道图4中的数据处理装置的实施方法，所以为了说明书的简洁，在此不再详述。

接下来请参照图5，是本申请实施例提供的电子设备300的功能结构框图，电子设备300用于实现前述实施例中所述的数据处理方法。如图5所示，电子设备300包括：存储器301、一个或多个(图5中仅示出一个)处理器302、输入输出模块303、显示模块304以及数据处理装置200。

存储器301、处理器302、输入输出模块303、显示模块304各元件之间直接或间接地电连接，以实现数据的传输或交互。例如，这些元件之间可以通过一条或多条通讯总线或信号总线实现电连接。数据处理方法分别包括至少一个可以以软件或固件(firmware)的形式存储于存储器301中的软件功能模块，例如数据处理装置200包括的软件功能模块或计算机程序。

存储器301可以存储各种软件程序以及模块，如本申请实施例提供的数据处理方法及装置对应的程序指令/模块。处理器302通过运行存储在存储器301中的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现本申请实施例中的数据方法。此外，存储器301在处理器302运行程序的过程中，还可以存储例如神经网络模型、训练数据集、测试数据集等数据。

存储器301可以包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read Only Memory，只读存储器)，PROM(Programmable Read-Only Memory，可编程只读存储器)，EPROM(Erasable Programmable Read-Only Memory，可擦除只读存储器)，EEPROM(Electric Erasable Programmable Read-Only Memory，电可擦除只读存储器)等。

处理器302可以是一种集成电路芯片，具有信号处理能力。处理器302可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入输出模块303用于提供给用户输入数据实现用户与电子设备300的交互。输入输出模块303可以是，但不限于，鼠标和键盘等。例如，医生通过输入输出模块303完成上传需要分类的眼底图像等。

显示模块304在电子设备300与用户之间提供一个交互界面(例如用户操作界面)或用于显示图像数据给用户参考。在本申请实施例中，显示模块304可以是液晶显示器或触控显示器。若为触控显示器，其可为支持单点和多点触控操作的电容式触控屏或电阻式触控屏等。支持单点和多点触控操作是指触控显示器能感应到来自该触控显示器上一个或多个位置处同时产生的触控操作，并将该感应到的触控操作交由处理器302进行计算和处理。例如，在本申请实施例中，显示模块304可以用于显示最终输出的分类结果。

可以理解，图5所示的结构仅为示意，电子设备300还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。

基于同一发明构思，本申请实施例还提供了一种可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被计算机运行时执行上述任一实施方式的数据管理方法中的步骤。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种数据处理方法，其特征在于，包括：

获取待分类的眼底图像；

将所述待分类的眼底图像输入到预先训练好的神经网络模型中，得到所述待分类的眼底图像的分类结果；所述神经网络模型包括特征提取层和分类层，所述特征提取层中不包括归一化模块；所述特征提取层用于从所述待分类的眼底图像中提取特征，所述分类层用于根据所述特征对所述待分类的眼底图像进行分类。

2.根据权利要求1所述的方法，其特征在于，所述特征提取层包括交替连接的卷积层和池化层，所述卷积层的输出作为所述池化层的输入；所述分类层为Softmax分类器。

3.根据权利要求2所述的方法，其特征在于，所述池化层中采用的是最大池化操作。

4.根据权利要求1所述的方法，其特征在于，在获取待分类的眼底图像之前，所述方法还包括：

获取训练数据集，所述训练数据集中包括用于对神经网络模型进行训练的多张训练眼底图像，每张所述训练眼底图像均设置有一个分类标签；

获取初始的神经网络模型；

基于反向传播算法以及所述训练数据集对所述初始的神经网络模型进行训练，得到所述训练好的神经网络模型。

5.根据权利要求4所述的方法，其特征在于，获取训练数据集，包括：

获取多张待处理眼底图像；

对每张所述待处理眼底图像进行数据增强，得到所述训练数据集，其中，所述数据增强包括镜像处理。

6.根据权利要求4所述的方法，其特征在于，在得到所述训练好的神经网络模型后，所述方法还包括：

获取测试数据集，所述测试数据集中包括用于对训练好的神经网络模型进行测试的多张测试眼底图像，每张所述测试眼底图像均设置有一个分类标签；

将所述测试数据集输入到所述训练好的神经网络模型中，得到所述测试数据集的分类结果；

根据所述测试数据集的分类结果和所述测试眼底图像设置的所述分类标签确定所述训练好的神经网络模型的分类精度。

7.根据权利要求1所述的方法，其特征在于，将所述眼底图像输入到预先训练好的神经网络模型中，得到所述眼底图像的分类结果，包括：

将所述眼底图像输入到预先训练好的神经网络模型中，得到所述神经网络模型输出的与所述眼底图像对应的分类标签；所述分类标签为需要转诊或不需要转诊。

8.一种数据处理装置，其特征在于，包括：

获取模块，用于获取待分类的眼底图像；

处理模块，用于将所述眼底图像输入到预先训练好的神经网络模型中，得到所述眼底图像的分类结果；所述神经网络模型包括特征提取层和分类层，所述特征提取层中不包括归一化模块；所述特征提取层用于从所述眼底图像中提取特征，所述分类层用于根据所述特征对所述眼底图像进行分类。

9.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1-7任一所述方法中的步骤。

10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器连接；

所述存储器用于存储程序；

所述处理器调用存储于所述存储器中的程序，以执行如权利要求1-7中任一项所述的方法。