眼底图像识别方法及装置和设备制造方法及图纸

本申请涉及一种眼底图像识别方法及装置和设备，包括：获取采集到的眼底图像，并对采集到的眼底图像进行预处理；将预处理后的眼底图像输入至训练好的视盘预测模型，由视盘预测模型对眼底图像进行视盘预测，得到相应的视盘预测图；其中，视盘预测图中标注有一个或多个定位出的视盘候选区域；获取视盘预测图并进行椭圆拟合，得到视盘候选区域的椭圆拟合参数，并基于视盘候选区域的个数以及椭圆拟合参数，确定眼底图像中的视盘区域。其通过视盘预测模块由眼底图像中先定位出可能的多个视盘候选区域，然后再由多个视盘候选区域中进行最终的视盘区域的确定，不仅实现了对各种情况的眼底图像的视盘区域的识别和定位，还有效提高了视盘区域定位的准确性。

【技术实现步骤摘要】
眼底图像识别方法及装置和设备
本申请涉及图像处理
，尤其涉及一种眼底图像识别方法及装置和设备。
技术介绍
近年来，随着机器学习，尤其是深度学习等技术的不断发展，以及医学成像采集设备的不断完善，越来越多的研究人员投入到人工智能医学领域中，这使得医学图像处理取得了长足的进步。其中，基于深度学习的视盘和视杯定位算法，通过收集足够多的训练数据，以训练深度学习模型来自动学习视盘区的特征。但是，由于深度学习是数据驱动的，而当前公开的数据集都是台式图像，视盘区比较明显。当实际所拍摄出来的眼底图像由于拍摄设备和拍摄手法的影响导致出现漏光、彩虹斑、镜头污点等异常情况时，基于深度学习进行视盘和视杯的识别时，就会经常出现多个视盘和视杯候选区域，从而影响视盘检测结果的准确性。
技术实现思路
有鉴于此，本申请提出了一种眼底图像识别方法，可以有效提高视盘检测结果的准确性。根据本申请的一方面，提供了一种眼底图像识别方法，包括：获取采集到的眼底图像，并对采集到的所述眼底图像进行预处理；将预处理后的所述眼底图像输入至训练好的视盘预测模型，由所述视盘预测模型对所述眼底图像进行视盘预测，得到相应的视盘预测图；其中，所述视盘预测图中标注有一个或多个定位出的视盘候选区域；获取所述视盘预测图并进行椭圆拟合，得到所述视盘预测图中视盘候选区域的椭圆拟合参数，并基于所述视盘候选区域的个数以及所述椭圆拟合参数，确定所述眼底图像中的视盘区域。在一种可能的实现方式中，基于所述视盘候选区域的个数以及所述椭圆拟合参数，确定所述眼底图像中的视盘区域，包括：在所述视盘候选区域为两个以上时，根据各所述视盘候选区域对应的椭圆拟合参数，由所述视盘预测图中截取相应的椭圆区域；对各所述椭圆区域进行边缘检测，得到各所述视盘候选区域的血管像素图；计算各所述血管像素图中的血管像素数，并根据各所述血管像素数确定最终的视盘区域。在一种可能的实现方式中，根据各所述血管像素数确定最终的视盘区域，包括：由所述血管像素数中选取数值最大的视盘候选区域作为所述视盘区域。在一种可能的实现方式中，对各所述椭圆区域进行边缘检测时，采用基于Canny算子的多级边缘检测算法进行检测。在一种可能的实现方式中，获取所述视盘预测图并进行椭圆拟合，包括：对所述视盘预测图进行二值化处理，将所述视盘预测图转换为二值化图，对二值化图中的视盘候选区域进行椭圆拟合，得到相应的椭圆拟合参数。在一种可能的实现方式中，还包括视杯识别的步骤；获取以视盘中心为图像中心的视盘局部图像，将所述视盘局部图像输入至训练好的视杯检测模型，由所述视杯检测模型对所述视盘局部图像进行视杯预测，得到视杯候选区域；对所述视杯候选区域进行椭圆拟合，根据拟合结果确定所述视杯候选区域的边界与所述视盘区域的关系；在确定出所述视杯候选区域的边界超过所述视盘区域时，对所述视杯候选区域进行调整，直至调整后的所述视杯候选区域处于所述视盘区域内后确定视杯位置。在一种可能的实现方式中，对所述视杯候选区域进行调整时，通过将所述视盘局部图像作为掩码，采用掩码大津阈值法对所述视杯候选区域进行调整。在一种可能的实现方式中，在对所述视杯候选区域进行调整时，还包括：判断当前次调整是否为首次调整；在当前次调整为首次调整时，对所述视杯候选区域进行扩大处理后作为待调整的视杯候选区域；在当前次调整不是首次调整时，缩小所述视杯候选区域后作为待调整的视杯候选区域。根据本申请的另一方面，还提供了一种眼底图像识别装置，包括图像预处理模块、视盘定位模块、椭圆拟合模块和视盘区域确定模块；所述图像预处理模块，被配置为获取采集到的眼底图像，并对采集到的所述眼底图像进行预处理；所述视盘定位模块，被配置为将预处理后的所述眼底图像输入至训练好的视盘预测模型，由所述视盘预测模型对所述眼底图像进行视盘预测，得到相应的视盘预测图；其中，所述视盘预测图中标注有一个或多个定位出的视盘候选区域；所述椭圆拟合模块，被配置为获取所述视盘预测图并进行椭圆拟合，得到所述视盘预测图中视盘候选区域的椭圆拟合参数；所述视盘区域确定模块，被配置为基于所述视盘候选区域的个数以及所述椭圆拟合参数，确定所述眼底图像中的视盘区域。根据本申请的另一方面，还提供了一种眼底图像视盘识别设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。本申请实施例的眼底图像识别方法，通过采用训练好的视盘预测模型对眼底图像进行视盘定位，在眼底图像中先定位出视盘候选区域，然后再通过对定位出视盘候选区域进行椭圆拟合后，根据视盘候选区域的个数以及椭圆拟合参数，确定最终的视盘区域，从而对于采集到的成像质量不是很高的眼底图像（即，出现漏光、彩虹斑和镜头污点等情况的眼底图像），仍能够通过视盘预测模块由眼底图像中先定位出可能出现的多个视盘候选区域，然后再由多个视盘候选区域中进行最终的视盘区域的选取确定，不仅实现了对各种情况的眼底图像的视盘区域的识别和定位，同时还有效提高了视盘区域定位的准确性。根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。附图说明包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。图1示出本申请一实施例的眼底图像识别方法的流程图；图2示出本申请另一实施例的眼底图像识别方法的流程图；图3示出本申请一实施例的眼底图像识别方法中识别出多个视盘候选区域后，由多个视盘候选区域中确定最终的视盘区域的流程图；图4示出本申请一实施例的眼底图像识别方法中对采集到的眼底图像进行预处理后得到的眼底灰度图；图5示出本申请一实施例的眼底图像识别方法中所获得的视盘预测图的眼底图；图6示出本申请一实施例的眼底图像识别方法中所识别出的视盘候选区域图；图7示出本申请一实施例的眼底图像识别方法中所识别出的另一视盘候选区域图；图8示出本申请一实施例的眼底图像识别方法中进行视杯识别的流程图；图9示出本申请一实施例的眼底图像识别方法中在进行视杯识别的过程中对视杯候选区域进行调整的流程图；图10示出本申请一实施例的眼底图像识别装置的结构框图；图11示出本申请一实施例的眼底图像视盘识别设备的结构框图。具体实施方式以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。另外，为了更好的说明本申请，在下文的具体实施本文档来自技高网...

【技术保护点】
1.一种眼底图像识别方法，其特征在于，包括：/n获取采集到的眼底图像，并对采集到的所述眼底图像进行预处理；/n将预处理后的所述眼底图像输入至训练好的视盘预测模型，由所述视盘预测模型对所述眼底图像进行视盘预测，得到相应的视盘预测图；其中，所述视盘预测图中标注有一个或多个定位出的视盘候选区域；/n获取所述视盘预测图并进行椭圆拟合，得到所述视盘预测图中视盘候选区域的椭圆拟合参数，并基于所述视盘候选区域的个数以及所述椭圆拟合参数，确定所述眼底图像中的视盘区域。/n

【技术特征摘要】
1.一种眼底图像识别方法，其特征在于，包括：
获取采集到的眼底图像，并对采集到的所述眼底图像进行预处理；
将预处理后的所述眼底图像输入至训练好的视盘预测模型，由所述视盘预测模型对所述眼底图像进行视盘预测，得到相应的视盘预测图；其中，所述视盘预测图中标注有一个或多个定位出的视盘候选区域；
获取所述视盘预测图并进行椭圆拟合，得到所述视盘预测图中视盘候选区域的椭圆拟合参数，并基于所述视盘候选区域的个数以及所述椭圆拟合参数，确定所述眼底图像中的视盘区域。


2.根据权利要求1所述的方法，其特征在于，基于所述视盘候选区域的个数以及所述椭圆拟合参数，确定所述眼底图像中的视盘区域，包括：
在所述视盘候选区域为两个以上时，根据各所述视盘候选区域对应的椭圆拟合参数，由所述视盘预测图中截取相应的椭圆区域；
对各所述椭圆区域进行边缘检测，得到各所述视盘候选区域的血管像素图；
计算各所述血管像素图中的血管像素数，并根据各所述血管像素数确定最终的视盘区域。


3.根据权利要求2所述的方法，其特征在于，根据各所述血管像素数确定最终的视盘区域，包括：
由所述血管像素数中选取数值最大的视盘候选区域作为所述视盘区域。


4.根据权利要求2所述的方法，其特征在于，对各所述椭圆区域进行边缘检测时，采用基于Canny算子的多级边缘检测算法进行检测。


5.根据权利要求1所述的方法，其特征在于，获取所述视盘预测图并进行椭圆拟合，包括：
对所述视盘预测图进行二值化处理，将所述视盘预测图转换为二值化图，
对二值化图中的视盘候选区域进行椭圆拟合，得到相应的椭圆拟合参数。


6.根据权利要求1至5任一项所述的方法，其特征在于，还包括视杯识别的步骤；
获取以视盘中心为图像中心的视盘局部图像，将所述视盘局部图像输入至训练好的视杯检测模型，由所述视杯检测模...

【专利技术属性】
技术研发人员：代黎明，姜泓羊，杨战波，张冬冬，
申请(专利权)人：北京至真互联网技术有限公司，
类型：发明
国别省市：北京;11