基于机器学习的眼底图像检测方法、装置及系统制造方法及图纸

本发明专利技术公开了一种基于机器学习的眼底图像检测方法、装置及系统，其中方法包括如下步骤：获取待检测的眼底图像；对所述眼底图像整体区域进行第一特征集检测；如果所述眼底图像中不存在第一特征集，针对所述眼底图像中特定区域进行第二特征集检测；所述第一特征集的显著度大于第二特征集的显著度。在将特征种类繁多的眼底图像先进行一个大分类，将较为明显的特征先进行识别，在无较为明显的特征的图像中再进行分区的精细检测，分步串联检测，独立输出检测结果，不仅可以减少检测的数量，大大的提高识别效率，可以实现同时精确的检测明显的特征和微小的特征。

【技术实现步骤摘要】
基于机器学习的眼底图像检测方法、装置及系统
本专利技术涉及图像处理
，具体涉及到一种基于机器学习的眼底图像检测方法、装置及系统。
技术介绍
近年来机器学习在医学领域得到了广泛的应用，尤其以深度学习为代表的机器学习技术在医疗影像领域被广泛关注。例如，在眼底图像检测方面，深度学习技术可以较为准确的检测出眼底图像某一特征，如利用大量黄斑裂孔这一特征的样本对深度学习模型进行训练，利用训练后的模型对眼底图像进行黄斑裂孔检测。这些技术往往只局限于单一特征或者少量关联特征的检测，对其他特征不能准确的检测。然而，由于眼睛是人体中一个非常精细且复杂的器官，其包含的特征种类繁多，并且各个特征之间的差别往往也比较大。因此，采用现有的检测技术往往会导致检测结果难以收敛，致使检测结果不够准确。或者，将每一个特征均训练一个模型分别进行检测，不仅所需的样本数量巨大，在特征数量较大的情况下，导致计算量急剧提升，进而导致检测效率下降。因此如何快速准确的对眼底图像进行检测成为亟待解决的技术问题。
技术实现思路
本专利技术要解决的技术问题在于如何快速准确的对眼底图像进行检测。为此，根据第一方面，本专利技术实例提供了一种基于机器学习的眼底图像检测方法，包括：获取待检测的眼底图像；对眼底图像整体区域进行第一特征集检测；如果眼底图像中不存在第一特征集，针对眼底图像中特定区域进行第二特征集检测；第一特征集的显著度大于第二特征集的显著度。可选地，特定区域包括：视盘区域、黄斑区域、血管区域和视网膜区域中的至少之一。可选地，所述第一特征集包括至少一个第一种类子特征；所述第二特征集包括特定区域中的至少一个第二种类子特征。可选地，在获取待检测的眼底图像和判断眼底图像中是否存在第一特征集之间还包括：对眼底图像进行质量检测，以筛选眼底图像。可选地，对眼底图像进行质量检测包括：对眼底图像进行污点/亮斑检测、曝光度检测、清晰度检测、漏光检测、局部阴影检测中的任意一种或任意组合。可选地，在对眼底图像的不同眼底区域分别进行第二特征集检测之后还包括：将非包含第二特征集的眼底图像进行第三特征检测；第三特征的显著度小于第二特征集的显著度。可选地，通过机器学习对第一特征集、第二特征集或质量中的至少之一进行检测。根据第二方面，本专利技术实施例提供了一种基于机器学习的眼底图像检测装置，包括：获取模块，用于获取待检测的眼底图像；第一检测模块，用于对眼底图像整体区域进行第一特征集检测；第二检测模块，用于在第一检测模块检测出眼底图像中不存在第一特征集，针对眼底图像中特定区域进行第二特征集检测；第一特征集的显著度大于第二特征集的显著度。可选地，特定区域包括：视盘区域、黄斑区域、血管区域和视网膜区域中的至少之一。可选地，第一特征集和/或第二特征集为多特征集。可选地，眼底图像检测装置还包括：第三检测模块，用于对眼底图像进行质量检测，以筛选眼底图像。可选地，第三检测模块包括：检测单元，用于对眼底图像进行污点/亮斑检测、曝光度检测、清晰度检测、漏光检测、局部阴影检测中的任意一种或任意组合。可选地，眼底图像检测装置，还包括：第四检测模块，用于将非包含第二特征集的眼底图像进行第三特征检测；第三特征的显著度小于第二特征集的显著度。可选地，通过机器学习对第一特征集、第二特征集或眼底图像的质量中的至少之一进行检测。根据第三方面，本专利技术实施例提供了一种电子设备，包括：控制器，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行上述第一方面任意一项描述的眼底图像检测方法。根据第四方面，本专利技术实施例提供了基于机器学习的眼底图像检测系统，包括：图像采集装置，用于采集眼底图像；如上述第三方面的电子设备，设置在云端服务器内，与图像采集装置通信；输出装置，与电子设备通信，用于输出眼底图像检测的结果。本专利技术实施例提供的基于机器学习的眼底图像检测方法、装置及系统，对待检测的眼底图像的整体区域先进行显著度较高的第一特征集的检测，对待检测的眼底图像进行初步的筛选，再将不包含第一特征集的的图像的特定区域进行显著度较低的第二特征集检测，可以将特征种类繁多的眼底图像先进行一个大分类，将较为明显的特征先进行识别，在无较为明显的特征的图像中再进行分区的精细检测，分步串联检测，独立输出检测结果，不仅可以减少检测的数量，大大的提高识别效率，可以实现同时精确的检测明显的特征和微小的特征。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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的附图。图1示出了本实施例的基于机器学习的眼底图像检测方法的流程图；图2示出了本实施例的另一基于机器学习的眼底图像检测方法的流程图；图3示出了本实施例的基于机器学习的眼底图像检测装置的示意图；图4示出了本实施例的电子设备示意图；图5示出了本实施例的基于机器学习的眼底图像检测系统的示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供了一种基于机器学习的眼底图像检测方法，如图1所示，包括如下步骤：S11.获取待检测的眼底图像。S12.对眼底图像整体区域进行第一特征集检测。在本实施例中，所称第一特征集可以为特征显著度大于预设显著度阈值的特征。具体的，所称显著度可以为通过颜色色差，对比度和灰度或者所占区域的大小等进行权衡。例如在眼底图像整体区域中存在与正常眼底颜色差别较大的区域，并且该区域所占的比例大于某一预设值，可以将该区域作为第一特征集。例如，可以将眼底较大面积的异常组织或结构，眼底较大的斑点等特征作为第一特征集。在本实施例中，第一特征集可以为多特征集，例如，可以将眼底较大面积或较为明显的异常组织或结构，眼底较大的斑点等特征作为第一特征集中的子特征。可以通过检测特征集合中任意一个子特征确定所称的第一特征集。在具体的实施例中，可以通过机器学习的方法进行第一特征集检测，具体的，可以通过大量具有第一特征集中的子特征的眼底图像样本对模型进行训练，将待检测的眼底照片输入第一特征集的模型中，对待检测的图像进行第一特征集检测。如果眼底图像存在第一特征集，可以进入步骤S13。如果眼底图像中不存在第一特征集，则进入步骤S14。在本实施例中，为减小计算量，可以将检测结果设置为存在第一特征集和不存在第一特征集的双标签结果。S13.确认第一特征集的种类。在本实施例中，在本实施例中，第一特特征可以为多个子特征的集合，为提高检测的精度，可以将检测结果设置为多标签结果所称多个标签可以对应多个子特征。在本实施例中，第一特征集的种类可以包括眼底较大面积的异常组织或结构，眼底较大的斑点等特征，第一特征集还可以包括例如视盘、黄斑以及血管等眼底结构。可以根据各个子特征的属性确认第一特征集的种类。S14.针对眼底图像中特定区域进行第二特征本文档来自技高网...

【技术保护点】
1.一种基于机器学习的眼底图像检测方法，其特征在于，包括：获取待检测的眼底图像；对所述眼底图像整体区域进行第一特征集检测；如果所述眼底图像中不存在第一特征集，针对所述眼底图像中特定区域进行第二特征集检测；所述第一特征集的显著度大于所述第二特征集的显著度。

【技术特征摘要】
1.一种基于机器学习的眼底图像检测方法，其特征在于，包括：获取待检测的眼底图像；对所述眼底图像整体区域进行第一特征集检测；如果所述眼底图像中不存在第一特征集，针对所述眼底图像中特定区域进行第二特征集检测；所述第一特征集的显著度大于所述第二特征集的显著度。2.如权利要求1所述的基于机器学习的眼底图像检测方法，其特征在于，所述特定区域包括：视盘区域、黄斑区域、血管区域和视网膜区域中的至少之一。3.如权利要求1所述的基于机器学习的眼底图像检测方法，其特征在于，所述第一特征集包括至少一个第一种类子特征；所述第二特征集包括特定区域中的至少一个第二种类子特征。4.如权利要求1-3任意一项所述的基于机器学习的眼底图像检测方法，其特征在于，在所述获取待检测的眼底图像和判断所述眼底图像中是否存在第一特征集之间还包括：对所述眼底图像进行质量检测，以筛选所述眼底图像。5.如权利要求4所述的基于机器学习的眼底图像检测方法，其特征在于，所述对所述眼底图像进行筛选包括：对所述眼底图像进行污点/亮斑检测、曝光度检测、清晰度检测、漏光检测、局部阴影检测中的任意一种或任意组合。6.如权利要求5所述的基于机器学习的眼底图像检测方法，其特征在于，在所述对所述眼底图像的不同眼底区域分别进行第二特征...

【专利技术属性】
技术研发人员：赵昕，熊健皓，李舒磊，马永培，
申请(专利权)人：上海鹰瞳医疗科技有限公司，
类型：发明
国别省市：上海,31