基于先验信息的眼部图像分割方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种基于先验信息的眼部图像分割方法、装置、设备及介质，所述方法包括获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；获取待分割的目标图像，所述目标图像包括眼部；将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。本发明专利技术通过引入先验信息训练图像分割模型，使得其对待分割目标图像的分割结果具有较强的解释性和准确性，还能够基于先验信息训练分类模型，并使用所述分类模型对待分割目标图像的分割结果进行分类，以得到可解释性强准确度高的分类结果，从而使本发明专利技术方案可以具备更为广阔的应用前景。

Eye image segmentation method, device, equipment and media based on prior information

【技术实现步骤摘要】
基于先验信息的眼部图像分割方法、装置、设备及介质
本专利技术涉及图像处理领域，尤其涉及基于先验信息的眼部图像分割方法、装置、设备及介质。
技术介绍
现有技术中基于机器学习进行眼部图像分类的方案主要有两种，第一种是基于深度学习模型MRNet进行眼部图像分类，第二种是基于循环注意卷积神经网络(RecurrentAttentionConvolutionalNeuralNetwork)进行眼部图像分类。如图1(a)所示，其示出了深度学习模型MRNet的结构示意图，MRNet基于卷积神经网络AlexNetAlexnet结构，以一个三维膝盖影像的相应的二维图像作为输入，将不同卷积层的输出通过最大池化操作最终可以给出所述三维膝盖影像指向某个目标对象的概率。然而MRNet的训练过程并未引入先验知识，使其无法对所述三维膝盖影像指向某个目标对象的概率进行解释。如图1(b)所示，其示出了RecurrentAttentionConvolutionalNeuralNetwork的结构示意图，RecurrentAttentionConvolutio本文档来自技高网...

【技术保护点】
1.一种基于先验信息的眼部图像分割方法，其特征在于，所述方法包括：/n获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；/n构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；/n获取待分割的目标图像，所述目标图像包括眼部；/n将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。/n

【技术特征摘要】
1.一种基于先验信息的眼部图像分割方法，其特征在于，所述方法包括：
获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；
构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；
获取待分割的目标图像，所述目标图像包括眼部；
将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。


2.根据权利要求1所述的方法，其特征在于，还包括：
将所述目标图像分割结果输入分类模型以得到所述分类模型输出的分类结果，所述分类模型通过基于所述先验信息训练联合学习模型而得到，所述联合学习模型包括所述机器学习模型和分类学习模型。


3.根据权利要求1或2所述的方法，其特征在于：
所述机器学习模型包括三个分支，第一个分支用于获取训练集中的图像，将所述图像输入特征提取器，在预设的显著性约束条件下，根据所述特征提取器的输出得到第一特征图集；
第二个分支用于获取训练集中的图像，将所述图像输入自分割网络以得到分割图像的掩膜集；
第三个分支用于输出与所述分割图像集适配的语义成分基；
所述分割图像的掩膜集与所述语义成分基经由预设的激励函数处理后得到第二特征图集，所述第一特征图集和所述第二特征图集得到的差值指向所述机器学习模型的第一损失函数。


4.根据权利要求3所述的方法，其特征在于，还包括构建第一损失函数的步骤，所述构建第一损失函数，包括：
构建中心损失分量，所述中心损失分量指向第二特征图集中产生的中心损失；
构建语义损失分量，所述语义损失分量指向第一特征图集中的特征图像与其对应的第二特征图集中的特征图像的差异所产生的损失；
构建先验损失分量，所述先验损失分量指向所述第二特征图集与所述先验信息的背离程度；
根据所述中心损失分量、语义损失分量、正交损失分量和先验损失分量构建第一损失函数。


5.根据权利要求4所述的方法，其特征在于，还包括构建第二损失函数，基于所述第二损失函数训练联合学习模型的步骤，所述构建第二损失函数包括：
构建分类学习模型产生的损失分量；
根据所...

【专利技术属性】
技术研发人员：陈思宏，
申请(专利权)人：腾讯医疗健康深圳有限公司，
类型：发明
国别省市：广东;44