白内障分类方法、病灶点可视化方法及相关装置制造方法及图纸

本发明专利技术公开了一种白内障分类方法、病灶点可视化方法及相关装置，应用于图像处理领域，包括获取待测眼底图像；将所述待测眼底图像输入至已训练好的白内障分类网络，得到输出特征向量；根据所述输出特征向量，得到所述待测眼底图像的类型信息。获取待测眼底图像，将待测眼底图像输入至已训练好的白内障分类网络，得到特征向量，并根据输出特征向量，对待测眼底图像进行分类，得到待测眼底图像的类型信息，该白内障分类方法能够获取待测眼底图像对应的白内障分类结果，减少了人工判断的过程，使得患者的治疗更加即时，提升了用户的使用体验。验。验。

【技术实现步骤摘要】
白内障分类方法、病灶点可视化方法及相关装置


[0001]本申请实施例涉及图像处理领域，尤其涉及一种白内障分类方法、病灶点可视化方法及相关装置。

技术介绍

[0002]老化、遗传、局部营养障碍、免疫与代谢异常、外伤、中毒、辐射等引起的晶状体代谢紊乱，从而导致晶状体蛋白质变性而发生浑浊的眼部疾病，称为白内障。白内障患者的晶状体浑浊使得光线无法投射在视网膜上，导致患者视线模糊。目前，临床上将根据病灶位置将白内障分为皮质性白内障、核性白内障、后囊下白内障。
[0003]相关技术中，临床上通过LOCS III分类方法观察裂隙镜和回照反射图像，对患者的白内障类型进行评估，然而，该方法依赖于眼科医生对白内障类型的人工判断，且需要使用多种仪器设备，花费较长时间。由于眼科医生和设备的资源有限，对白内障类型的判断容易出现误诊，导致部分白内障患者无法得到及时有效的治疗。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本申请实施例提供一种白内障分类方法、病灶点可视化方法及相关装置，能够减少白内障分类的时间，使得患者的治疗更加即时，提升了用户的使用体验。
[0006]第一方面，本专利技术提供一种白内障分类方法，包括：
[0007]获取待测眼底图像；
[0008]将所述待测眼底图像输入至已训练好的白内障分类网络，得到输出特征向量；
[0009]根据所述输出特征向量，得到所述待测眼底图像的类型信息。
[0010]根据本专利技术第一方面提供的白内障分类方法，至少具有如下有益效果：获取待测眼底图像，将待测眼底图像输入至已训练好的白内障分类网络，得到特征向量，并根据输出特征向量，对待测眼底图像进行分类，得到待测眼底图像的类型信息，该白内障分类方法能够获取待测眼底图像对应的白内障分类结果，减少了人工判断的过程，使得患者的治疗更加即时，提升了用户的使用体验。
[0011]根据本专利技术第一方面的一些实施例，所述待测眼底图像的类型信息包括至少一种以下眼底图像类型：皮质性白内障、核性白内障、后囊下白内障、无白内障。
[0012]根据本专利技术第一方面的一些实施例，所述白内障分类网络的训练步骤包括：
[0013]获取多张样本眼底图像以及所述样本眼底图像对应的白内障类别；
[0014]将所述样本眼底图像输入至待训练的所述白内障分类网络，得到所述样本眼底图像对应的样本特征向量；
[0015]将所述样本特征向量进行分类，得到的所述样本特征向量与所述样本眼底图像对应的白内障类别相对应。
[0016]根据本专利技术第一方面的一些实施例，所述将所述待测眼底图像输入至已训练好的白内障分类网络之前，包括：
[0017]对所述待测眼底图像的尺寸均一化；
[0018]对所述待测眼底图像的RGB值均一化；
[0019]将尺寸、RGB值均一化后的结果更新为所述待测眼底图像。
[0020]根据本专利技术第一方面的一些实施例，所述对所述待测眼底图像的尺寸均一化，包括：
[0021]将所述待测眼底图像的尺寸统一为N0*N0，其中，N0为大于等于1的正整数；
[0022]所述对所述待测眼底图像的RGB值均一化，包括：
[0023]根据预设的RGB均值和RGB方差，计算所述待测眼底图像的RGB值，其中，所述待测眼底图像的RGB值可以表示为：
[0024]x＝(x
‑
mean(x))/std(x)
[0025]其中，mean为预设的RGB均值，std为预设的RGB方差，且经过尺寸、RGB值均一化后的所述待测眼底图像为3通道的N0*N0结构。
[0026]根据本专利技术第一方面的一些实施例，所述将所述待测眼底图像输入至已训练好的白内障分类网络，得到输出特征向量，包括：
[0027]将所述待测眼底图像通过多级卷积网络模块进行扩充，得到第一特征图集，其中，所述第一特征图集为M通道的N
t
*N
t
结构，M为大于等于1的正整数,N
t
为大于等于1的正整数；
[0028]将所述第一特征图集依次通过池化层、全连接层和激活函数，得到输出特征向量。
[0029]根据本专利技术第一方面的一些实施例，所述卷积网络模块的通道数逐级增加，和/或，所述卷积网络模块生成的特征图的尺寸逐级递减，以使得所述第一特征图集中特征图的尺寸满足：N
t
＝N0/2
s
，s为卷积网络模块的级数。
[0030]根据本专利技术第一方面的一些实施例，所述待测眼底图像为3通道的N*N结构；
[0031]所述将所述待测眼底图像通过多级卷积网络模块进行扩充，得到第一特征图集，包括：
[0032]将所述待测眼底图像通过第一级卷积网络模块，得到第二特征图集，其中，所述第二特征图集为M/25通道的N/22*N/22的结构；
[0033]将所述第二特征图集通过第二级卷积网络模块，得到第三特征图集，其中，所述第三特征图集为M/23通道的N/22*N/22结构；
[0034]将所述第三特征图集通过第三级卷积网络模块，得到第四特征图集，其中，所述第四特征图集为M/22通道的N/23*N/23结构；
[0035]将所述第四特征图集通过第四级卷积网络模块，得到第五特征图集，其中，所述第五特征图集为M/2通道的N/24*N/24结构；
[0036]将所述第五特征图集通过第五级卷积网络模块，得到第一特征图集,其中，N
t
＝N0/25[0037]根据本专利技术第一方面的一些实施例，
[0038]所述将所述待测眼底图像通过第一级卷积网络模块，得到第二特征图集，包括：
[0039]将所述待测眼底图像通过卷积核；
[0040]将经过所述卷积核的所述待测眼底图像依次通过批量归一化层、激活函数以及最
大池化层，得到第二特征图集。
[0041]根据本专利技术第一方面的一些实施例，所述第二级卷积网络模块、所述第三级卷积网络模块、所述第四级卷积网络模块和所述第五级卷积网络模块分别包括多个残差模块。
[0042]第二方面，本专利技术提供一种病灶点可视化方法，包括：
[0043]获取待测眼底图像；
[0044]将所述待测眼底图像通过已训练好的白内障分类网络中的多级卷积网络模块，得到第一特征图集；
[0045]根据所述第一特征图集，计算所述第一特征图集对应的类激活图；
[0046]将所述类激活图与所述待测眼底图像叠加，得到用于可视化病灶点的目标图像；
[0047]输出所述目标图像。
[0048]根据本专利技术第二方面提供的病灶点可视化方法，至少具有如下有益效果：将待测眼底图像输入已训练好的白内障分类网络中的多级分类网络模块，计算得到第一特征图集，并根据第一特征图集，计算其对应的类激活图，将类激活图与待测眼底图像叠加，能够得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种白内障分类方法，其特征在于，包括：获取待测眼底图像；将所述待测眼底图像输入至已训练好的白内障分类网络，得到输出特征向量；根据所述输出特征向量，得到所述待测眼底图像的类型信息。2.根据权利要求1所述的白内障分类方法，其特征在于，所述待测眼底图像的类型信息包括至少一种以下眼底图像类型：皮质性白内障、核性白内障、后囊下白内障、无白内障。3.根据权利要求1所述的白内障分类方法，其特征在于，所述白内障分类网络的训练步骤包括：获取多张样本眼底图像以及所述样本眼底图像对应的白内障类别；将所述样本眼底图像输入至待训练的所述白内障分类网络，得到所述样本眼底图像对应的样本特征向量；将所述样本特征向量进行分类，得到的所述样本特征向量与所述样本眼底图像对应的白内障类别相对应。4.根据权利要求1所述的白内障分类方法，其特征在于，所述将所述待测眼底图像输入至已训练好的白内障分类网络之前，包括：对所述待测眼底图像的尺寸均一化；对所述待测眼底图像的RGB值均一化；将尺寸、RGB值均一化后的结果更新为所述待测眼底图像。5.根据权利要求4所述的白内障分类方法，其特征在于，所述对所述待测眼底图像的尺寸均一化，包括：将所述待测眼底图像的尺寸统一为N0*N0，其中，N0为大于等于1的正整数；所述对所述待测眼底图像的RGB值均一化，包括：根据预设的RGB均值和RGB方差，计算所述待测眼底图像的RGB值，其中，所述待测眼底图像的RGB值可以表示为：x＝(x
‑
mean(x))/std(x)其中，mean为预设的RGB均值，std为预设的RGB方差，且经过尺寸、RGB值均一化后的所述待测眼底图像为3通道的N0*N0结构。6.根据权利要求1至5任一项所述的白内障分类方法，其特征在于，所述将所述待测眼底图像输入至已训练好的白内障分类网络，得到输出特征向量，包括：将所述待测眼底图像通过多级卷积网络模块进行扩充，得到第一特征图集，其中，所述第一特征图集为M通道的N
t
*N
t
结构，M为大于等于1的正整数,N
t
为大于等于1的正整数；将所述第一特征图集依次通过池化层、全连接层和激活函数，得到输出特征向量。7.根据权利要求6所述的白内障分类方法，其特征在于，所述卷积网络模块的通道数逐级增加，和/或，所述卷积网络模块生成的特征图的尺寸逐级递减，以使得所述第一特征图集中特征图的尺寸满足：N
t
＝N0/2
s
，s为卷积网络模块的级数。8.根据权利要求7所述的白内障分类方法，其特征在于，所述待测眼底图像为3通道的N*N结构；所述将所述待测眼底图像通过多级卷积网络模块进行扩充，得到第一特征图集，包括：
将所述待测眼底图像通过第一级...

【专利技术属性】
技术研发人员：马岚，魏文斌，高伟豪，邵蕾，李方，董力，张川，秦培武，
申请(专利权)人：首都医科大学附属北京同仁医院，
类型：发明
国别省市：