视网膜病变检测方法、装置及计算机可读存储介质制造方法及图纸

本申请实施例提供一种视网膜病变检测方法、装置及计算机可读存储介质。所述视网膜病变检测方法包括：获取待测眼底图片；将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。本申请实施例提供的视网膜病变检测方法，可以提高早产儿视网膜病变的检测效率，且可以提高检测精度。

【技术实现步骤摘要】
视网膜病变检测方法、装置及计算机可读存储介质
本专利技术涉及图像识别
，尤其涉及一种视网膜病变检测方法、装置及计算机可读存储介质。
技术介绍
早产儿视网膜病变(RetinopathyOfPrematurity，ROP)是一种影响早产儿和出生低体重儿的血管增生性视网膜疾病，我国出生体重≤1500g婴儿ROP发生率为26.0％。早期筛查和及时干预是预防ROP致盲的关键因素，而ROP的治疗窗较小。目前，眼底筛查通常的方法是使用专业设备采集一组新生儿的眼底图像数据，然后由专业眼科医生对这一组图像数据进行诊断，然而由于不同地理区域医疗资源的不平衡，ROP筛查存在许多障碍。第一，缺乏医疗设备和人员进行ROP检查。第二，眼科医生的培训不够规范，合格的眼科医生也很少。第三，发展中国家没有充分执行ROP筛选政策。在欠发达地区，由于缺乏及时筛查和早期治疗，许多早产儿失明。因此，需要一种更加智能化的ROP检测方法。
技术实现思路
本申请提供一种视网膜病变检测方法，所述视网膜病变检测方法包括：获取待测眼底图片；将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。本申请提供的视网膜病变检测方法，首先随机获取一定数量的待测眼底图片，然后将这些待测眼底图片输入到第一神经网络模型中，所述第一神经网络模型用于对待测眼底图片的质量进行初步筛选，当待测眼底图片的质量初步筛选合格时，再将质量合格的待测眼底图片输入到第二神经网络模型中，所述第二神经网络模型用于对待测眼底图片中呈现出来的特征进行视网膜病变检测。通过本申请实施例提供的视网膜病变检测方法可以提高早产儿视网膜病变检测的效率，且有助于提高检测的准确率。本申请还提供一种视网膜病变检测装置，所述视网膜病变检测装置包括：获取模块，用于获取待测眼底图片；输入判别模块，用于将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；第一输入检测模块，用于当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。附图说明为了更清楚地说明本申请实施方式的技术方案，下面将对实施方式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申请一些实施方式，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是本申请实施例提供的第一种视网膜病变检测方法的流程图。图2是本申请实施例提供的第二种视网膜病变检测方法的流程图。图3是本申请实施例提供的第三种视网膜病变检测方法的流程图。图4是本申请实施例提供的第四种视网膜病变检测方法的流程图。图5是本申请实施例提供的第五种视网膜病变检测方法的流程图。图6是本申请实施例提供的第六种视网膜病变检测方法的流程图。图7是本申请实施例提供的第一种视网膜病变检测装置的结构示意图。图8是本申请实施例提供的第二种视网膜病变检测装置的结构示意图。图9是本申请实施例提供的第三种视网膜病变检测装置的结构示意图。图10是本申请实施例提供的第四种视网膜病变检测装置的结构示意图。图11是本申请实施例提供的第五种视网膜病变检测装置的结构示意图。图12是本申请实施例提供的第六种视网膜病变检测装置的结构示意图。具体实施方式下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本申请一部分实施方式，而不是全部的实施方式。基于本申请中的实施方式，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。请参阅图1，图1是本申请实施例提供的第一种视网膜病变检测方法的流程图。在本实施例中，所述视网膜病变检测方法包括但不限于步骤S100、S200和S300，关于步骤S100、S200和S300的详细介绍如下。S100：获取待测眼底图片。其中，眼底是指眼球内后部的组织，即眼球的内膜包括视网膜、视乳头、黄斑和视网膜中央动静脉。眼底图片即为包括眼球内膜特征的图片。所述待测眼底图片可以是实时获取的，也可以是提前拍摄好的。所述待测眼底图片可以为一张，也可以为多张。S200：将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别。其中，神经网络的基本思想是模拟计算机“大脑”中的多个互连细胞，使它能够从环境中学习，识别不同的模式，通俗一点来说就是模仿人类的思维模式进行决策。一个基本神经网络包含数百万个被称为单元的人工神经元。这些单元分层排列，每一层都互相连接。单元划分为三个部分：输入单元用于接受外部环境的信息；隐藏单元用于最终输入到输出单元，每个隐藏单元都是其输入的压缩线性函数；输出单元，这些信号表示网络应如何响应最近获取的信息。在本实施例中，输入单元用于接收输入的待测眼底图片。输出单元是指响应于输入单元接收到的待测眼底图片，神经网络模型做出的反应。所述第一神经网络模型可以为VGG-16卷积神经网络模型，具备深度学习功能。当神经网络模型被训练时，或者在训练之后刚开始运行时，使用不同的输入单元将不同的信息模式馈送到网络中。这些信息将触发隐藏组的层，然后到达输出单元。这被称为前馈网络，是常用的设计之一。当使用训练模型对神经网络进行了充分训练后，它会达到一个阶段，在该阶段会呈现一组全新的输入，这些输入在训练阶段没有遇到，且它可以预测出令人满意的输出。第一神经网络模型为图像质量判别模型，用于判断所述待测眼底图片是否满足质量要求。这里的质量要求主要是指是否便于根据待测眼底图片判断视网膜病变的情况。当根据待测眼底图片可判断出视网膜病变的情况时，认为待测眼底图片的质量符合要求。当根据待测眼底图片无法判断视网膜病变的情况时，认为待测眼底图片的质量不符合要求，这时可能需要对图片进行处理校正或者考虑更换眼底图片。S300：当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。其中，视网膜病变(retinopathy，ROP)分类较多，常见的有视网膜脱离、黄斑病变、眼外伤、糖尿病性视网膜病变、眼内炎、球内异物、先天性眼病，如新生儿视网膜病变、眼内寄生虫，以最常见的视网膜脱离为例。第二神经网络模型为视网膜病变预测模型，用于对质量合格的眼底图片对应的早产儿进行视网膜病变的预测。所述第二神经网络模型也可以为VGG-16卷积神经网络模型，具备深度学习功能。当待测眼底图片的质量合格时，根据所述待测眼底图片可以判断视网膜病变的情况，因此，为了对该眼底图片对应的早产儿是否具有视网膜病变的情况进行预测，需要将质量合格的待测眼底图片输入到第二神经网络模型中检测。本方案可以本文档来自技高网...

【技术保护点】
1.一种视网膜病变检测方法，其特征在于，所述视网膜病变检测方法包括：/n获取待测眼底图片；/n将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；/n当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。/n

【技术特征摘要】
1.一种视网膜病变检测方法，其特征在于，所述视网膜病变检测方法包括：
获取待测眼底图片；
将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别；
当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。


2.如权利要求1所述的视网膜病变检测方法，其特征在于，所述“将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别”包括：
判断所述待测眼底图片中是否具有眼球内膜特征，所述眼球内膜特征包括：视网膜、视乳头、黄斑和视网膜中央动静脉中的一种或多种；
当所述待测眼底图片中具有眼球内膜特征时，判断所述待测眼底图片是否满足可识别要求，所述可识别要求包括：清晰度、图片视角以及所述眼球内膜特征在所述待测眼底图片中的占比；
当所述待测眼底图片满足可识别要求时，判定所述待测眼底图片的质量合格。


3.如权利要求1所述的视网膜病变检测方法，其特征在于，当所述待测眼底图片质量不合格时，所述视网膜病变检测方法还包括：
对所述待测眼底图片进行预处理，以使得所述待测眼底图片符合质量要求；
将经过预处理合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测。


4.如权利要求3所述的视网膜病变检测方法，其特征在于，所述“对所述待测眼底图片进行预处理，以使得所述待测眼底图片符合质量要求”包括：
将所述待测眼底图片放大预设倍数；
对放大预设倍数后的所述待测眼底图片中的眼球内膜特征进行校正，以使得所述眼球内膜特征在所述待测眼底图片中处于合适的位置以及角度；
去除所述待测眼底图片中除去所述眼球内膜特征的背景图像。


5.如权利要求1所述的视网膜病变检测方法，其特征在于，在所述“将所述待测眼底图片输入到第一神经网络模型中，对所述待测眼底图片进行质量判别”和所述“当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测”之前，所述视网膜病变检测方法还包括：
将随机获取的若干张图片输入第一神经网络模型中对所述第一神经网络模型进行训练，以使得所述第一神经网络模型具备识别图片质量的能力；
当所述第一神经网络判定目标图片符合质量要求时，对所述目标图片进行标记，所述标记包括所述目标图片具有视网膜病变和所述目标图片不具有视网膜病变；
将经过标记后的所述目标图片输入到第二神经网络模型中对所述第二神经网络模型进行训练，以使得所述第二神经网络模型具备判断图片是否具有视网膜病变的能力。


6.如权利要求1所述的视网膜病变检测方法，其特征在于，所述“当所述待测眼底图片的质量合格时，将质量合格的所述待测眼底图片输入到第二神经网络模型中进行视网膜病变的检测”包括：
提取质量合格的所述待测眼底图片中的眼球内膜特征；
采用向量对所述眼球内膜特征进行表征，以得到表征向量；
将所述表征向量与所述第二神经网络模型中的向量集合进行比对；
通过计算所述表征向量与所述向量集合之间的关联度对所述待测眼底图片进行视网膜病变的判断。


7.一种视网膜病...

【专利技术属性】
技术研发人员：张国明，汪建涛，曾键，陈妙虹，马大卉，陈懿，田汝银，赵金凤，吴桢泉，苏康进，邱水平，张寅升，项益鸣，
申请(专利权)人：张国明，
类型：发明
国别省市：广东;44