一种基于神经网络模型进行眼部疾病识别的系统及其方法技术方案

本公开涉及一种基于神经网络模型进行眼部疾病识别的系统及其方法。该系统包括一个或多个处理器；分割网络模型；分类识别网络模型；以及一个或多个计算机可读存储介质，其存储有实现所述分割网络模型和所述分类识别网络模型的程序指令，当所述程序指令由所述一个或多个处理器执行时，使得：所述分割网络模型接收眼前节图像并对所述眼前节图像进行分割，以获得眼前节中的生理结构区域图像；以及所述分类识别网络模型从所述分割网络模型接收所述眼前节中的生理结构区域图像并对所述生理结构区域图像进行分类识别，以输出用于眼部疾病识别的识别结果。利用本公开的方案，能够基于眼前节图像获得高精度的眼部疾病识别结果。前节图像获得高精度的眼部疾病识别结果。前节图像获得高精度的眼部疾病识别结果。

【技术实现步骤摘要】
一种基于神经网络模型进行眼部疾病识别的系统及其方法


[0001]本公开一般地涉及图像处理
更具体地，本公开涉及一种基于神经网络模型进行眼部疾病识别的系统、方法以及计算机可读存储介质。

技术介绍

[0002]眼睛是我们认识世界、从事各项生活工作的重要工具。其中，眼前节生物数据是反映眼睛健康状态的一个关键指标。随着人工智能的发展，使得利用计算机视觉技术对眼前节图像分析成为可能，例如通过采集的眼前节图像分割出生理结构，进而基于生理结构来分析眼前节生物数据，这对临床医学在各种眼部疾病的诊断、拟定治疗方案和评估治疗效果等方法，有重要的现实意义。
[0003]目前，通常采用以下两种方式来对眼部疾病进行诊断。即， 通过光学设备对人眼图像进行处理得到诊断图像，再由临床医生根据经验诊断图像判断用户是否患有眼部疾病以及通过AR眼镜获取人眼图像的对应的幅度频谱图或相位频谱，再利用诊断装置可以通过人眼图像自动诊断出用户是否患有眼疾两种方式。然而，前者主要依赖个人主观判断，不同医生判断结果可能不一致，并且诊断时间较长；而后者虽然无需人工诊断用户是否患有眼部疾病，但无法精细分辨出眼部的各类疾病。因此，如何高效且准确地识别眼部疾病成为需要解决的技术问题。

技术实现思路

[0004]为了至少部分地解决
技术介绍
中提到的技术问题，本公开的方案提供了一种基于神经网络模型进行眼部疾病识别的方案。利用本公开的方案，可以快速地获得高精度的眼部疾病的识别结果。为此，本公开在如下的多个方面提供解决方案。
[0005]在一个方面中，本公开提供一种基于神经网络模型进行眼部疾病识别的系统，包括：一个或多个处理器；分割网络模型；分类识别网络模型；以及一个或多个计算机可读存储介质，其存储有实现所述分割网络模型和所述分类识别网络模型的程序指令，当所述程序指令由所述一个或多个处理器执行时，使得：所述分割网络模型接收眼前节图像并对所述眼前节图像进行分割，以获得眼前节中的生理结构区域图像；以及所述分类识别网络模型从所述分割网络模型接收所述眼前节中的生理结构区域图像并对所述生理结构区域图像进行分类识别，以输出用于眼部疾病识别的识别结果。
[0006]在一个实施例中，所述眼前节中的生理结构区域图像至少包括球结膜区域图像、睑结膜区域图像、虹膜区域图像和/或角膜区域图像。
[0007]在另一个实施例中，所述一个或多个计算机可读存储介质还存储有对所述眼前节图像进行预处理的程序指令，当所述程序指令由所述一个或多个处理器运行时，执行对所述眼前节图像进行图像变换和/或图像标准化操作，以对所述眼前节图像进行预处理。
[0008]在又一个实施例中，所述一个或多个计算机可读存储介质还存储有实现归一化操作的程序指令，当所述程序指令由所述一个或多个处理器运行时，使得：对所述分割网络模
型的分割结果执行归一化操作，以获得眼前节中的生理结构区域图像；以及对所述分类识别网络模型的分类识别结果执行归一化操作，以输出用于眼部疾病识别的识别结果。
[0009]在又一个实施例中，所述一个或多个计算机可读存储介质还存储有计算所述分割网络模型中的损失函数的程序指令，当所述程序指令由所述一个或多个处理器运行时，使得：分别计算所述分割网络模型中的第一损失函数和第二损失函数；以及将所述第一损失函数和所述第二损失函数进行相加，以获得所述分割网络模型中的最终损失函数。
[0010]在又一个实施例中，所述分割网络模型包括编码模块和解码模块，其中：所述编码模块包括多个第一残差块，并且用于对眼前节图像进行下采样编码，以提取与所述眼前节中的生理结构区域图像相关的第一特征图像；以及所述解码模块包括多个第二残差块，并且用于基于所述第一特征图像进行上采样解码，以获得所述眼前节中的生理结构区域图像。
[0011]在又一个实施例中，每个所述第一残差块均包括多个第一卷积层和一个池化层，每个所述第二残差块均包括一个反卷积层和多个第二卷积层，并且所述多个第一残差块中的一个第一残差块的输出端连接至所述多个第二残差块中的第一个第二残差块的输入端。
[0012]在又一个实施例中，在基于所述第一特征图像进行上采样解码，以获得所述眼前节中的生理结构区域图像中，所述解码模块进一步用于：基于所述第一特征图像进行上采样解码，以提取与所述眼前节中的生理结构区域图像相关的第二特征图像；以及将部分第二特征图像与部分第一特征图像进行特征融合，以获得所述眼前节中的生理结构区域图像。
[0013]在又一个实施例中，所述分类识别网络模型包括特征提取模块和分类识别模块，其中：所述特征提取模块包括多个第三卷积层和多个深度分离卷积层，并且用于对所述眼前节中的生理结构区域图像进行特征提取，以获得第三特征图像；所述分类识别模块包括展平层和全连接层，并且用于对所述第三特征图像进行分类识别，以输出用于眼部疾病识别的识别结果，其中所述识别结果包括多种眼部疾病的概率。
[0014]在又一个实施例中，所述多个深度分离卷积层布置于多个第三卷积层之间且串行连接，并且串行连接的最后一个第三卷积层的输出端连接至所述展平层的输入端，所述展平层的输出端连接至所述全连接层的输入端。
[0015]在又一个实施例中，所述一个或多个计算机可读存储介质还存储有基于所述多种眼部疾病的概率确定为相应疾病的最终识别结果的程序指令，当所述程序指令由所述一个或多个处理器运行时，使得：选择每种眼部疾病的概率中的最大概率；以及将所述最大概率对应的眼部疾病确定为相应眼部疾病的最终识别结果。
[0016]在另一个方面，本公开还提供一种基于神经网络模型进行眼部疾病识别的方法，包括：将眼前节图像输入至分割网络模型；使用所述分割网络模型对所述眼前节图像进行分割，以获得眼前节中的生理结构区域图像；以及使用分类识别网络模型从所述分割网络模型接收所述眼前节中的生理结构区域图像并对所述生理结构区域图像进行分类识别，以输出用于眼部疾病识别的识别结果。
[0017]在又一个方面，本公开还提供一种计算机可读存储介质，其上存储有基于神经网络模型进行眼部疾病识别的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，实现如前述另一个方面中所述的实施例。
[0018]通过本公开的方案，通过利用神经网络模型对眼前节图像进行分割和分类，实现由粗到精的识别过程，从而能够快速地获得高精度的用于眼部疾病的识别结果。进一步地，本公开实施例在分割网络模型中引入残差块以及将上采样解码过程中提取的部分特征与下采样编码中提取的部分特征进行特征融合，能够避免特征信息丢失，从而保证提取的特征图像信息的完整性。此外，本公开实施例还采用两种不同损失函数进行线性组合获得分割网络模型中的损失函数，规避了由于网络梯度消失而出现的网络退化，提高了图像的分割精度。
附图说明
[0019]通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型进行眼部疾病识别的系统，其特征在于，包括：一个或多个处理器；分割网络模型；分类识别网络模型；以及一个或多个计算机可读存储介质，其存储有实现所述分割网络模型和所述分类识别网络模型的程序指令，当所述程序指令由所述一个或多个处理器执行时，使得：所述分割网络模型接收眼前节图像并对所述眼前节图像进行分割，以获得眼前节中的生理结构区域图像；以及所述分类识别网络模型从所述分割网络模型接收所述眼前节中的生理结构区域图像并对所述生理结构区域图像进行分类识别，以输出用于眼部疾病识别的识别结果。2.根据权利要求1所述的系统，其特征在于，所述眼前节中的生理结构区域图像至少包括球结膜区域图像、睑结膜区域图像、虹膜区域图像和/或角膜区域图像。3.根据权利要求1所述的系统，其特征在于，所述一个或多个计算机可读存储介质还存储有对所述眼前节图像进行预处理的程序指令，当所述程序指令由所述一个或多个处理器运行时，执行对所述眼前节图像进行图像变换和/或图像标准化操作，以对所述眼前节图像进行预处理。4.根据权利要求2所述的系统，其特征在于，所述一个或多个计算机可读存储介质还存储有实现归一化操作的程序指令，当所述程序指令由所述一个或多个处理器运行时，使得：对所述分割网络模型的分割结果执行归一化操作，以获得眼前节中的生理结构区域图像；以及对所述分类识别网络模型的分类识别结果执行归一化操作，以输出用于眼部疾病识别的识别结果。5.根据权利要求4所述的系统，其特征在于，所述一个或多个计算机可读存储介质还存储有计算所述分割网络模型中的损失函数的程序指令，当所述程序指令由所述一个或多个处理器运行时，使得：分别计算所述分割网络模型中的第一损失函数和第二损失函数；以及将所述第一损失函数和所述第二损失函数进行相加，以获得所述分割网络模型中的最终损失函数。6.根据权利要求5所述的系统，其特征在于，所述分割网络模型包括编码模块和解码模块，其中：所述编码模块包括多个第一残差块，并且用于对眼前节图像进行下采样编码，以提取与所述眼前节中的生理结构区域图像相关的第一特征图像；以及所述解码模块包括多个第二残差块，并且用于基于所述第一特征图像进行上采样解码，以获得所述眼前节中的生理结构区域图像。7.根据权利要求6所述的系统，其特征在于，每个所述第一残差块...

【专利技术属性】
技术研发人员：刘家明，陈荡荡，
申请(专利权)人：北京鹰瞳科技发展股份有限公司，
类型：发明
国别省市：