眼底图像判断方法及设备技术

本发明专利技术提供一种眼底图像判断方法及设备，所述眼底图像判断方法包括获取用户的待判断眼底图像；获取与所述待判断眼底图像相关联的参考眼底图像，其中所述参考眼底图像是已知状态为正常的眼底图像；根据所述待判断眼底图与所述参考眼底图像生成差分图像；将所述差分图像作为机器学习模型的输入数据，使所述机器学习模型输出对所述待判断眼底图像的判断结果，其中所述机器学习模型是利用训练差分图像和相应的标签数据进行训练得到的。

Fundus Image Judgment Method and Equipment

The present invention provides a fundus image judgment method and apparatus, which includes acquiring the user's pending fundus image, acquiring a reference fundus image associated with the pending fundus image, in which the reference fundus image is a fundus image with a known state as normal, and generating a differential image according to the pending fundus image and the reference fundus image. The difference image is used as the input data of the machine learning model, so that the machine learning model outputs the judgement result of the eye fundus image to be judged. The machine learning model is trained by using the training difference image and the corresponding tag data.

【技术实现步骤摘要】
眼底图像判断方法及设备
本专利技术涉及医疗图像处理领域，具体涉及一种眼底图像判断方法及设备。
技术介绍
随着图像获取和存储技术、深度学习的高速发展，使得深度学习深入到社会的各个领域。在医疗领域，由于我国医疗资源严重不足，通过深度学习等前沿技术对医疗影像的检测筛查成为现在研究十分热门的领域。中国糖尿病患者已经突破1.3亿，其中糖尿病视网膜病变患者人数约3000万人。糖尿病视网膜病变恶化后导致患者失明的概率非常高。如果在早期对糖网病进行筛查、诊断和治疗干预，那患者失明风险率可下降94.4％。现有的基于眼底影像疾病检测系统主要是通过收集大量真实场景的眼底图像，通过多个医疗专家的交叉标注，得出大量标注的数据，将训练数据，通过深层的神经网络，训练出分类/检测模型。利用训练好的模型则可以对一个未知状态的眼底图像进行判断，得出对应的分类标签和病灶。由于每个人的正常状态的眼底图像可能存在差异，导致相同疾病的眼底图像变化比较大，然而对于某些不太明显的疾病特征，比如轻度糖网、小玻璃膜疣、轻度动脉硬化等，会因为眼底图像的多样性变化将这些疾病的特征抑制下去。这样使得现有的基于眼底图像的检测方案对于一些微小特征点的检测效果比较差。
技术实现思路
有鉴于此，本专利技术提供一种眼底图像判断方法，包括：获取用户的待判断眼底图像；获取与所述待判断眼底图像相关联的参考眼底图像，其中所述参考眼底图像是已知状态为正常的眼底图像；根据所述待判断眼底图与所述参考眼底图像生成差分图像；将所述差分图像作为机器学习模型的输入数据，使所述机器学习模型输出对所述待判断眼底图像的判断结果，其中所述机器学习模型是利用训练差分图像和相应的标签数据进行训练得到的。可选地，所述待判断眼底图像和所述参考眼底图像是来自同一人的眼底图像，其中所述参考眼底图像的采集时间早于所述待判断眼底图像的采集时间。可选地，所述待判断眼底图像和所述参考眼底图像是来自不同的人的眼底图像，其中所述参考眼底图像的采集时间早于所述待判断眼底图像的采集时间。可选地，所述获取与所述待判断眼底图像相关联的参考眼底图像，包括：判断是否预存有所述用户的参考眼底图像；当未存有所述用户的参考眼底图像时，获取预设的参考眼底图像。可选地，所述根据所述待判断眼底图与所述参考眼底图像生成差分图像，包括：分别在所述待判断眼底图与所述参考眼底图像中识别视盘和/或黄斑；根据所述视盘和/或黄斑的位置将所述待判断眼底图和所述参考眼底图像进行对齐；基于对齐后的所述待判断眼底图和所述参考眼底图像进行差分计算得到所述差分图像。本专利技术还提供一种眼底图像判断模型训练方法，包括：获取多个由第一眼底图像和第二眼底图像组成的图像对，所述第一眼底图像和第二眼底图像的采集时间不相同，且所述第一眼底图像是正常状态，所述第二眼底图像是正常状态或者异常状态；分别根据各个图像对生成差分图像；分别将所述差分图像作为样本数据、将所述第二眼底图像的状态作为所述样本数据的标签对初始机器学习模型进行训练，以使所述机器学习模型能够根据所述差分图像识别所述第二眼底图像的状态。可选地，所述第一眼底图像和第二眼底图像是来自同一人的眼底图像，其中所述第一眼底图像的采集时间早于所述第二眼底图像的采集时间。可选地，所述分别根据各个图像对生成差分图像，包括：分别在所述图像对中识别视盘和/或黄斑；分别根据所述视盘和/或黄斑的位置将所述图像对进行对齐；分别基于对齐后的图像对进行差分计算得到所述差分图像。相应地，本专利技术还提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述眼底图像判断方法。相应地，本专利技术还提供另一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述眼底图像判断模型训练方法。根据本专利技术提供的眼底图像判断方法及设备，利用待判断的眼底图与已知健康的参考眼底图像生成差分图像，通过这种差分图像可以体现出微小特征内容，然后利用人工智能技术基于大数据对差分图像进行判断，以此确定待判断的眼底图的状态，由此可以提高对眼底图像状态判断的准确性，尤其是对于某些不明显的疾病特征能够取得较好的判断结果。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为本专利技术实施例提供的眼底图像判断模型训练方法的流程图；图2是一张正常状态的眼底图像；图3是另一张正常状态的眼底图像；图4是第三张正常状态的眼底图像；图5是一张异常状态的眼底图像；图6是利用图4和图5所示图像生成的差分图像；图7为本专利技术实施例提供的眼底图像判断方法的流程图。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。为了能够对眼底图像的状态进行判断(分类、检测)，本专利技术实施例提供了一种眼底图像判断模型训练方法，所训练出的模型可以用于识别眼底图像。该方法可以由计算机或者服务器来执行，如图1所示该方法包括如下步骤：S11，获取多个由第一眼底图像和第二眼底图像组成的图像对，第一眼底图像和第二眼底图像的采集时间不相同，且第一眼底图像是正常(健康)状态，第二眼底图像是正常状态或者异常(疾病)状态。第一眼底图像和第二眼底图像可以是通过眼底照相机采集的如图2所示的图像。首先可以采集大量的眼底图像，由人工对这些眼底图像进行标注，也即确定它们的状态，例如可以只分为健康和异常这两个状态，或者还可以进一步对异常状态进行详细的标注，例如某种疾病状态。然后可以对这些已知状态的眼底图像进行配对，使得每个图像对中至少有一张正常状态的眼底图像。所得到的图像对可能是两种情况：两张正常的眼底图像、一张正常状态的眼底图像和一张异常状态的眼底图像。图2、图3所示的是正常的眼底图像，这两个图像可以组成一个图相对；图4所示的是正常的眼底图像图、图5所示的是异常眼底图像，这两个图像可以组成另一个图相对。图5中包含一个异常区域51，其中的虚线框只是为了清楚地说明所作的辅助标记，实际情况中实际情况中并不包含这个虚线框。S12，分别根据各个图像对生成差分图像。对于具体一个用户的两张眼底图像，差分计算可以只关注视盘、黄斑、脉络血管特征的差异，而忽略某些由于外界环境、采集设备引起的差异(如亮度等)。差分计算的过程可以是先通过视盘和黄斑定位将两张眼底图对齐，确定两张眼底图像的差异点或区域，然后将这些差异点或区域标记在第二眼底图像中。为了增强差分的结果，可以将彩色的第二眼底图像转换为灰度图像，将差异点或区域标记在灰度图像中。由此得到的差分图像能够体现出这两张图像的差异，这些差异可以是细微的区域甚至是像素点，本文档来自技高网...

【技术保护点】
1.一种眼底图像判断方法，其特征在于，包括：获取用户的待判断眼底图像；获取与所述待判断眼底图像相关联的参考眼底图像，其中所述参考眼底图像是已知状态为正常的眼底图像；根据所述待判断眼底图与所述参考眼底图像生成差分图像；将所述差分图像作为机器学习模型的输入数据，使所述机器学习模型输出对所述待判断眼底图像的判断结果，其中所述机器学习模型是利用训练差分图像和相应的标签数据进行训练得到的。

【技术特征摘要】
1.一种眼底图像判断方法，其特征在于，包括：获取用户的待判断眼底图像；获取与所述待判断眼底图像相关联的参考眼底图像，其中所述参考眼底图像是已知状态为正常的眼底图像；根据所述待判断眼底图与所述参考眼底图像生成差分图像；将所述差分图像作为机器学习模型的输入数据，使所述机器学习模型输出对所述待判断眼底图像的判断结果，其中所述机器学习模型是利用训练差分图像和相应的标签数据进行训练得到的。2.根据权利要求1所述的方法，其特征在于，所述待判断眼底图像和所述参考眼底图像是来自同一人的眼底图像，其中所述参考眼底图像的采集时间早于所述待判断眼底图像的采集时间。3.根据权利要求1所述的方法，其特征在于，所述待判断眼底图像和所述参考眼底图像是来自不同的人的眼底图像，其中所述参考眼底图像的采集时间早于所述待判断眼底图像的采集时间。4.根据权利要求3所述的方法，其特征在于，所述获取与所述待判断眼底图像相关联的参考眼底图像，包括：判断是否预存有所述用户的参考眼底图像；当未存有所述用户的参考眼底图像时，获取预设的参考眼底图像。5.根据权利要求1所述的方法，其特征在于，所述根据所述待判断眼底图与所述参考眼底图像生成差分图像，包括：分别在所述待判断眼底图与所述参考眼底图像中识别视盘和/或黄斑；根据所述视盘和/或黄斑的位置将所述待判断眼底图和所述参考眼底图像进行对齐；基于对齐后的所述待判断眼底图和所述参考眼底图像进行差分计算得到所述差分图像。6.一种眼底图像判断模型训练方法，其特征在于，包括：获...

【专利技术属性】
技术研发人员：庞新强，赵昕，张大磊，
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