基于时序图像的预测方法及装置制造方法及图纸

本发明专利技术实施例涉及一种基于时序图像的预测方法及装置。其中，该方法包括：取眼底图像序列，其中，眼底图像序列包括按照时间排序的多张眼底图像；将眼底图像序列输入至预先训练完成的眼底图像预测模型中，以得出预测结果，其中，眼底图像预测模型用于基于眼底图像序列分别对应的图像特征以及时序特征确定预测结果，眼底图像预测模型是根据具备特征值的眼底图像序列的数据集训练得到的。本发明专利技术解决了由于相关技术中眼底图像预测网络准确率以及敏感性低，且眼底图像的时序间隔不同，而导致眼底图像结果预测不准确的技术问题。

【技术实现步骤摘要】
基于时序图像的预测方法及装置
本专利技术涉及图像识别领域，具体涉及一种基于时序图像的预测方法及装置。
技术介绍
青光眼作为最主要的致盲性不可逆眼科疾病，其发病率在45岁及以上人群中约为3.5％，预计到2020年全世界有八千万的人口患有青光眼，而到2040年，由于人口老龄化，预计有一亿一千万人口患有青光眼。疾病早期发现是医疗诊断中非常重要的一个环节。数据显示，医院死亡人数中的11％是由于缺乏了及时的诊断与治疗。因此，对于疾病的筛查与预防工作来说，基于时序信息的未来病情预测算法显得更为重要。近年来有一些工作对疾病的预测进行了尝试，但是主要面临了以下三个问题：特征难提取、样本比例不均衡和采样间隔不固定的问题。对于疾病预测任务来说，近年来也有许多基于电子病历(Electronichealthrecords,EHR)信息的疾病预测工作。具体来说，这些方法共性的采用了卷积神经网络(Convolutionalneuralnetwork,CNN)用于从电子病历中提取有效信息，例如患者的个人信息和历史医疗记录。这种基于电子病历的医疗预测任务的好处在于，电本文档来自技高网...

【技术保护点】
1.一种基于时序图像的眼底图像预测方法，其特征在于，包括：/n获取眼底图像序列，其中，所述眼底图像序列包括按照时间排序的多张眼底图像；/n将所述眼底图像序列输入至预先训练完成的眼底图像预测模型中，以得出预测结果，其中，所述眼底图像预测模型用于基于所述眼底图像序列分别对应的图像特征以及时序特征确定预测结果，所述眼底图像预测模型是根据具备特征值的眼底图像序列的数据集训练得到的。/n

【技术特征摘要】
1.一种基于时序图像的眼底图像预测方法，其特征在于，包括：
获取眼底图像序列，其中，所述眼底图像序列包括按照时间排序的多张眼底图像；
将所述眼底图像序列输入至预先训练完成的眼底图像预测模型中，以得出预测结果，其中，所述眼底图像预测模型用于基于所述眼底图像序列分别对应的图像特征以及时序特征确定预测结果，所述眼底图像预测模型是根据具备特征值的眼底图像序列的数据集训练得到的。


2.根据权利要求1所述的方法，其特征在于，将所述眼底图像序列输入至预先训练完成的眼底图像预测模型中，以得出预测结果包括：
根据所述眼底图像的图像特征得到所述眼底图像对应的空间特征；
根据所述空间特征、两个相邻时序的眼底图像的时间差值，得到所述眼底图像对应的时空特征；
对所述时空特征进行分类，以得到所述预测结果。


3.根据权利要求2所述的方法，其特征在于，根据所述眼底图像的图像特征得到所述眼底图像对应的空间特征包括：
根据所述眼底图像以及预设注意力图像，获取所述眼底图像的注意力特征；
根据所述眼底图像的感兴趣区域的极坐标图像，获取所述眼底图像的极坐标特征；
根据所述注意力特征以及所述极坐标特征得到所述空间特征。


4.根据权利要求3所述的方法，其特征在于，根据所述眼底图像以及预设注意力图像获取所述眼底图像的注意力特征包括：
对所述眼底图像以及所述预设注意力图像进行多尺度卷积，以得到注意力特征。


5.根据权利要求3所述的方法，其特征在于，根据所述眼底图像的感兴趣区域的极坐标图像获取所述眼底图像的极坐标特征包括：
对所述预设注意力图像进行二值化，以得到二值化注意力图像；
根据所述眼底图像以及所述二值化注意力图像确定所述眼底图像的杯盘中心点；
根据所述杯盘中心点确定所述眼底图像的感兴趣区域的极坐标图像；
对所述眼底图像的感兴趣区域进行多尺度卷积，以得到所述极坐标特征。


6.根据权利要求3所述的方法，其特征在于，根据所述注意力特征以及所述极坐标特征得到所述空间特征包括：
合并所述注意力特征以及所述极坐标特征，得到高维特征；<...

【专利技术属性】
技术研发人员：徐迈，李柳，
申请(专利权)人：深圳市新产业眼科新技术有限公司，
类型：发明
国别省市：广东;44