The embodiment of the present invention discloses a fundus image recognition method, device, electronic device and storage medium. The method includes: acquiring the fundus image to be recognized and meshing the fundus image to be recognized to form multiple blocks of mesh; input each block of mesh to be recognized into a pre-trained neural network model to determine the lesion status of the block mesh to be recognized; and according to the lesion status and each block mesh to be recognized, the lesion status is to be recognized. Do not locate the fundus image, and determine the lesion status of the fundus image to be recognized. The technical scheme of the embodiment of the present invention ensures the accuracy of lesion recognition and multi-type lesion recognition, while reducing the number of required fundus image samples and the amount of data calculation in the model training process.
【技术实现步骤摘要】
眼底图像识别方法、装置、电子设备及存储介质
本专利技术实施例涉及图像处理
,尤其涉及一种眼底图像识别方法、装置、电子设备及存储介质。
技术介绍
眼底图像能够记录患者的视网膜信息,可供医生进行病灶识别和定位,从而进行眼部疾病的诊断。为了避免医生的工作量和主观性,现有技术逐渐引入了计算机的辅助处理功能,对眼底图像进行识别,例如采用基于阈值分割、基于形态学分割、基于分类和基于深度学习的方法来进行图像识别。其中,基于深度学习的方法对眼底图像进行识别,具体是,通过医生对眼底图像的病灶区域进行人工标注,并将标注后的眼底图像和一些正常的眼底图像作为训练样本,输入深度学习模型进行训练,并通过训练后的深度学习模型对未知的眼底图像是否包含病灶进行识别。由于眼底图像中反映出来的病灶类型较多,形态各异,且正常人的眼底图像也是多种多样的,所以如果要实现模型识别准确,且能识别出各种类型病灶,需要在模型训练过程中输入大量训练样本,同时对训练样本进行数据处理的运算量也较大。但是,受限于通过医生标注所获得的样本数量和准确度,使得模型识别的准确性和适用多种病灶类型的目标难以实现。
技术实现思路
本专利技术实施例提供一种眼底图像识别方法、装置、电子设备及存储介质,以在保证病灶识别准确性和多类型病灶识别的同时,减少需要的眼底图像样本数量以及模型训练过程的数据运算量。第一方面,本专利技术实施例提供了一种眼底图像识别方法,包括:获取待识别眼底图像,并对所述待识别眼底图像进行网格分块处理,以形成多个待识别分块网格;将所述待识别眼底图像的每个待识别分块网格,分别输入预先训练的神经网络模型,以确定所述待 ...
【技术保护点】
1.一种眼底图像识别方法,其特征在于,包括:获取待识别眼底图像,并对所述待识别眼底图像进行网格分块处理,以形成多个待识别分块网格;将所述待识别眼底图像的每个待识别分块网格,分别输入预先训练的神经网络模型,以确定所述待识别分块网格的病灶状态;根据所述病灶状态和各所述待识别分块网格在待识别眼底图像中的位置,确定所述待识别眼底图像的病灶状态。
【技术特征摘要】
1.一种眼底图像识别方法,其特征在于,包括:获取待识别眼底图像,并对所述待识别眼底图像进行网格分块处理,以形成多个待识别分块网格;将所述待识别眼底图像的每个待识别分块网格,分别输入预先训练的神经网络模型,以确定所述待识别分块网格的病灶状态;根据所述病灶状态和各所述待识别分块网格在待识别眼底图像中的位置,确定所述待识别眼底图像的病灶状态。2.根据权利要求1所述的方法,其特征在于,在将所述待识别眼底图像的每个待识别分块网格,分别输入预先训练的神经网络模型之前,还包括:将每个待识别分块网格作为原始待识别分块网格,在所述待识别眼底图像中获取所述原始待识别分块网格的至少一个调整待识别分块网格,其中,所述调整待识别分块网格中至少包括所述原始待识别分块网格的部分区域;将各所述调整待识别分块网格与对应的原始待识别分块网格一并输入所述神经网络模型进行所述原始待识别分块网格的病灶状态识别。3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括所述神经网络模型的训练阶段,所述训练阶段包括:获取病灶分块网格和常人分块网格,其中,所述病灶分块网格为在病灶眼底图像中标注包括病灶的分块网格;将所述病灶分块网格和常人分块网格输入所述神经网络模型中进行训练。4.根据权利要求3所述的方法,其特征在于,所述病灶分块网格包括原始分块网格和调整分块网格,其中,所述调整分块网格是在所述病灶眼底图像中提取的,并至少包括所述原始分块网格的部分区域。5.根据权利要求4所述的方法,其特征在于,获取病灶分块网格包括:获取原始病灶眼底图像,并进行网格分块处理,以获取多个原始分块网格;获取针对所述原始分块网格的病灶状态标注结果,其中,所述病灶状态标注结果包括:包括病灶和不包括病灶;在所述原始病灶眼底图像中获取所述病灶分块网格的至少一个调整分块网格,作为病灶分块网格。6.根据权利要求5所述的方法,其特征在于,在所述原始病灶眼底图像中获取所述病灶分块网格的至少一个调整分块网格包括:在所述原始病灶眼底图像中,以所述病灶分块网格为中心区域,将病灶分块网格的边长延长至设定倍数,获取扩大分块网格,作为调整分块网格;和/或,在所述原始病灶眼底图像中,以所述病灶分块网格为中心区域,将病灶分块网格的边长缩小设定比例,获取缩小分块网格,作为调整分块网格。7.根据权利要求3所述的方法,其特征在于,获取常人分块网格包括:将正常人的眼底图像进行网格分块处理,以获取多个常人分块网格。8.根据权利要求4所述的方法,其特征在于,所述神经网络模型包括卷积层、池化层和分类层;其中,所述卷积层包括分别用于处理所述原始分块网格和各调整分块网格的卷积通道,以将各分块网格进行至少一次卷积处理,以形成矩阵尺寸相同的多个特征图,并将各卷积通道所输出的特征图进行级联。9.根据权利要求8所述的方法,其特征在于,所述池化层采用全局平均池化方法,所述分类层为二分类模块,所述神经网络模型的目标函数根据焦点损失目标函数和杰卡德相似系数损失目标函数进行构建。10.根据权利要求9所述的方法,其特征在于,所述目标函数采用如下公式构建:其中,p代表所述分类层输出的包括病灶的模型预测值;y代表分块网格的病灶标注值;t代表分块网格的所属类别,类别包括:包括病灶和...
【专利技术属性】
技术研发人员:刘佳,杨叶辉,许言午,王磊,黄艳,
申请(专利权)人:百度在线网络技术北京有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。