眼底图像分析方法、计算机设备和存储介质技术

一种眼底图像分析方法，包括：获取目标眼底图像；通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果。其中，眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型中的至少一种。上述方法通过眼底图像分析模型对目标眼底图像进行质量分析，当该模型包括整体分级预测子模型时，可以得到目标眼底图像整体是否可分级的预测结果；当模型包括图像质量因素子模型时，可以得到眼底图像质量因素的分析结果而图像分析模型是通过大量图像训练确定的，基于上述模型确定的图像是否可分级的结果可靠性高。

Fundus image analysis method, computer equipment and storage medium

【技术实现步骤摘要】
眼底图像分析方法、计算机设备和存储介质
本申请涉及图像
，特别是涉及一种眼底图像分析方法、计算机设备和存储介质。
技术介绍
眼底图像广泛用于DR(DiabeticRetinopathy，糖尿病视网膜病变)、黄斑病变等眼底疾病的诊断。对于一些例如微动脉瘤和血管内微血管畸形等症状的检测对于图像本身质量的要求较高，模糊的图像可能会造成误诊，尤其是自动诊断系统。因此在眼底疾病自动诊断前进行眼底图像质量自动判定以过滤掉不可诊断或不可分级的图像是很有必要的。现有的方法通常利用图像的全局边缘直方图，或者血管分割来对图像质量进行判断，这些方法需要考虑到影响眼底图像特定的因素，然而图像质量往往是由多个因素引起的，手动特征提取不能够考虑到足够的质量因素，从而对于图像整体质量特征提取不够充分。深度学习近些年来应用于图像分类，目标检测等领域并且有突破性进展，有些方法通过卷积神经网络来分析图像质量，给出是否可分级的预测，然而现有方法只通过单一的二分类任务判断质量，人工对图像质量是否可以DR分级的标注可靠性不够高，从而会影响到网络的训练以及性能。
技术实现思路
基于此，有必要针对人工对图像质量是否可以DR分级的标注可靠性不够高的问题，提供一种眼底图像分析方法、计算机设备和存储介质。一种眼底图像分析方法，包括：获取目标眼底图像；通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果；所述眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型中的至少一种，所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像分析结果包括所述目标眼底图像是否可分级的预测结果，所述眼底图像分析模型包括图像质量因素子模型时，所述图像分析结果包括所述目标眼底图像的图像质量因素分析结果。在其中一个实施例中，所述图像质量因素子模型包括：图像伪影分析子模型、图像清晰度分析子模型以及图像位置分析子模型中的至少一种；所述图像质量因素子模型包括图像伪影分析子模型时，所述图像质量因素分析结果包括图像伪影信息；所述图像质量因素子模型包括图像清晰度分析子模型时，所述图像质量因素分析结果包括图像清晰度信息；所述图像质量因素子模型包括图像位置分析子模型时，所述图像质量因素分析结果包括图像位置信息。在其中一个实施例中，通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果，包括：提取所述目标眼底图像的图像特征；对所述目标眼底图像的图像特征进行分析，获得所述目标眼底图像的图像分析结果。在其中一个实施例中，在所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像特征包括：第一直角坐标系图像特征；在所述眼底图像分析模型包括图像质量因素子模型时，所述图像特征包括：第二直角坐标系图像特征与第一极坐标系图像特征连结后的第一图像连结特征。在其中一个实施例中，训练确定所述眼底图像分析模型的方式包括：获取样本眼底图像，分别提取各样本眼底图像的图像特征；基于提取的各样本眼底图像的图像特征，对预设眼底图像分析模型进行模型训练，获得所述眼底图像分析模型。在其中一个实施例中，提取各样本眼底图像的图像特征，包括：在所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像特征包括：第三直角坐标系图像特征；在所述眼底图像分析模型包括图像质量因素子模型时，所述图像特征包括：第四直角坐标系图像特征、第二极坐标系图像特征，以及第四直角坐标系图像特征与第二极坐标系图像特征连结后的第二图像连结特征。在其中一个实施例中，在对预设眼底图像分析模型进行模型训练之前，还包括步骤：通过迁移学习初始化所述预设眼底图像分析模型。在其中一个实施例中，通过训练确定的残差网络，预测确定所述目标眼底图像的黄斑中心初始位置图像、所述目标眼底图像的视盘中心初始位置图像中的至少一种；提取黄斑中心初始位置图像中的第一图像特征，基于提取的第一图像特征，通过训练确定的第一深度卷积神经网络，确定所述目标眼底图像的黄斑中心位置；提取视盘中心初始位置图像中的第二图像特征，基于提取的第二图像特征，通过训练确定的第二深度卷积神经网络，确定所述视盘眼底图像的黄斑中心位置。一个实施例中，还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。一个实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。上述眼底图像分析方法、计算机设备和存储介质，在获取到待分析的目标眼底图像后，通过训练确定的眼底图像分析模型对该目标眼底图像进行分析，获得目标眼底图像的图像分析结果。其中，眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型中的至少一种。上述方法通过眼底图像分析模型对目标眼底图像进行质量分析，当该模型包括整体分级预测子模型时，可以得到目标眼底图像整体是否可分级的预测结果；当模型包括图像质量因素子模型时，可以得到眼底图像质量因素的分析结果而图像分析模型是通过大量图像训练确定的，基于上述模型确定的图像是否可分级的结果可靠性高。附图说明图1为一个实施例中眼底图像分析方法的流程示意图；图2为一个实施例中获得目标眼底图像的图像分析结果步骤的流程示意图；图3为一个实施例中训练确定所述眼底图像分析模型的流程示意图；图4为一个实施例中通过迁移学习初始化预设眼底图像分析模型的流程示意图；图5为一个实施例中眼底图像分析模型的框架示意图；图6为一个实施例中黄斑、视盘中心预测模型框架示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。在一个实施例中，如图1所示，提供了一种眼底图像分析方法，包括步骤S110和步骤S120。步骤S110：获取目标眼底图像。其中，目标眼底图像表示待分析的眼底图像。步骤S120：通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果。其中，所述眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型中的至少一种，所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像分析结果包括所述目标眼底图像是否可分级的预测结果，所述眼底图像分析模型包括图像质量因素子模型时，所述图像分析结果包括所述目标眼底图像的图像质量因素分析结果。一个实施例中，目标眼底图像是否可分级的预测结果分为目标眼底图像可分级，目标眼底图像不可分级。其中，目标眼底图像的图像分析结果，眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型的至少一种，图像分析结果相应包括：图像整本文档来自技高网...

【技术保护点】
1.一种眼底图像分析方法，所述方法包括：/n获取目标眼底图像；/n通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果；/n所述眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型中的至少一种，所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像分析结果包括所述目标眼底图像是否可分级的预测结果，所述眼底图像分析模型包括图像质量因素子模型时，所述图像分析结果包括所述目标眼底图像的图像质量因素分析结果。/n

【技术特征摘要】
1.一种眼底图像分析方法，所述方法包括：
获取目标眼底图像；
通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果；
所述眼底图像分析模型包括：图像整体分级预测子模型、图像质量因素子模型中的至少一种，所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像分析结果包括所述目标眼底图像是否可分级的预测结果，所述眼底图像分析模型包括图像质量因素子模型时，所述图像分析结果包括所述目标眼底图像的图像质量因素分析结果。


2.根据权利要求1所述的方法，其特征在于，所述图像质量因素子模型包括：图像伪影分析子模型、图像清晰度分析子模型以及图像位置分析子模型中的至少一种；
所述图像质量因素子模型包括图像伪影分析子模型时，所述图像质量因素分析结果包括图像伪影信息；
所述图像质量因素子模型包括图像清晰度分析子模型时，所述图像质量因素分析结果包括图像清晰度信息；
所述图像质量因素子模型包括图像位置分析子模型时，所述图像质量因素分析结果包括图像位置信息。


3.根据权利要求1所述的方法，其特征在于，通过训练确定的眼底图像分析模型对所述目标眼底图像进行分析，获得所述目标眼底图像的图像分析结果，包括：
提取所述目标眼底图像的图像特征；
对所述目标眼底图像的图像特征进行分析，获得所述目标眼底图像的图像分析结果。


4.根据权利要求3所述的方法，其特征在于，在所述眼底图像分析模型包括图像整体分级预测子模型时，所述图像特征包括：第一直角坐标系图像特征；
在所述眼底图像分析模型包括图像质量因素子模型时，所述图像特征包括：第二直角坐标系图像特征与第一极坐标系图像特征连结后的第一图像连结特征。


5.根据权利要求1所述的方法，其特征在于，训练确定所...

【专利技术属性】
技术研发人员：贾伟平，盛斌，沈雅欣，李华婷，
申请(专利权)人：上海市第六人民医院，上海交通大学，
类型：发明
国别省市：上海;31