模型训练方法、眼球体结构重塑方法和装置及存储介质制造方法及图纸

本发明专利技术公开了一种模型训练方法及装置、眼球体结构重塑方法、装置及存储介质，模型训练方法包括：获取眼球的若干二维眼底图像和若干初始结构图像，对若干初始结构图像进行分层处理，以提取初始结构图像的目标数据，提取目标区域中三维结构的Z轴的深度信息，以得到深度图像，将若干二维眼底图像分别与深度图像进行配对处理，得到初始数据库，基于预设的学习算法根据初始数据库进行模型训练方法，以构建初始深度图像估计模型。本发明专利技术能够得到一个简单获取眼球体的三维结构图的估计模型。获取眼球体的三维结构图的估计模型。获取眼球体的三维结构图的估计模型。

【技术实现步骤摘要】
模型训练方法、眼球体结构重塑方法和装置及存储介质


[0001]本专利技术涉及深度学习
，尤其是涉及一种模型训练方法、眼球体结构重塑方法和装置及存储介质。

技术介绍

[0002]病理性近视大多早年发病，随着近视屈光度进行性加深，发展加快，逐渐出现各种类似的眼底及视神经改变，主要包括青光眼、近视性黄斑病变，周边视网膜病变，甚至导致失明。目前的诊断都需要到眼科医院或者科室进行近视或者病理性近视的诊断，但眼科医疗条件严重不均衡，部分患者通常很难及时得到专业医生的诊断。
[0003]相关技术中，为了解决医疗条件不均衡问题，已有一些研究证明可以通过手机获取眼底图像，但一直没有真正应用到眼科疾病的诊断，因为目前手机直接拍摄的眼底图像是二维，没有其他的信息，如何获取更加准确的眼球体的三维结构图是目前亟待需要解决的问题。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种模型训练方法，能够得到一个根据二维眼底图像得到目标深度信息的初始深度图像估计模型，以便于根据眼底图像和目标深度信息构建三维的眼球图像更加准确。
[0005]本专利技术还提出一种眼球体结构重塑方法。
[0006]本专利技术还提出一种模型训练方法装置。
[0007]本专利技术还提出一种眼球体结构重塑装置。
[0008]本专利技术还提出一种存储介质。
[0009]第一方面，本专利技术的一个实施例提供了模型训练方法，应用于眼球体三维结构重塑，包括：
>[0010]获取眼球的若干二维眼底图像和若干初始结构图像；
[0011]对若干所述初始结构图像进行分层处理，以提取所述初始结构图像的目标数据；
[0012]提取所述目标数据中三维结构的Z轴的深度信息，以得到深度图像；
[0013]将若干所述二维眼底图像分别与所述深度图像进行配对处理，得到初始数据库；
[0014]基于预设的学习算法根据所述初始数据库进行模型训练方法，以构建初始深度图像估计模型。
[0015]本专利技术实施例的模型训练方法至少具有如下有益效果：获取采集好的眼球的若干二维眼底图像和若干初始结构图像，对若干初始结构图像进行分层处理，以提取初始结构图像的目标数据，并提取目标数据中三维结构的Z轴的深度信息，以得到深度图像，然后，将若干二维眼底图像分别与深度图像进行配对处理，得到初始数据库，最后，基于预设的学习算法根据初始数据库进行模型训练方法，以构建初始深度图像估计模型，能够得到一个根据二维眼底图像得到目标深度信息的初始深度图像估计模型，以便于根据眼底图像和目标
深度信息构建三维的眼球图像更加准确。
[0016]根据本专利技术的另一些实施例的模型训练方法，所述基于预设的学习算法根据所述初始数据库进行模型训练方法，以构建初始深度图像估计模型之后，所述方法还包括：
[0017]对所述初始深度图像估计模型进行轻量化处理，以得到目标深度图像估计模型；其中，所述目标深度图像估计模型以预设加载方式运行于终端上。
[0018]根据本专利技术的另一些实施例的模型训练方法，所述对若干所述初始结构图像进行分层处理，以提取所述初始结构图像的目标数据，包括：
[0019]对若干所述初始结构图进行分层处理，以得到bruch层的若干分层图像；
[0020]将若干所述分层图像进行组合，以得到所述目标数据。
[0021]根据本专利技术的另一些实施例的模型训练方法，所述提取所述目标数据中三维结构的Z轴的深度信息，以得到深度图像，包括：
[0022]根据所述三维结构的Z轴对所述目标数据进行信息提取，以得到目标深度信息；
[0023]将所述目标深度信息进行归一化处理，以得到所述深度图像。
[0024]根据本专利技术的另一些实施例的模型训练方法，所述对所述初始深度图像估计模型进行权重稀疏化训练，以得到稀疏权重模型，包括：
[0025]根据预设的稀疏缩放程度对所述初始深度图像估计模型的各个层的梯度值进行调整，得到目标梯度值；
[0026]根据所述目标梯度值调整所述初始深度图像估计模型的权重，以得到所述稀疏权重模型。
[0027]第二方面，本专利技术的一个实施例提供了眼球体结构重塑方法，包括：
[0028]获取待分析眼底图像；
[0029]将所述待分析眼底图像输入初始深度图像估计模型，得到目标深度信息；其中，所述初始深度图像估计模型通过如第一方面所述的模型训练方法得到；
[0030]根据所述目标深度信息和所述待分析眼底图像构建目标三维图像。
[0031]本专利技术实施例的眼球体结构重塑方法至少具有如下有益效果：获取用户输入的待分析眼底图像，将待分析眼底图像输入通过如第一方面所述的模型训练方法得到的初始深度图像估计模型，得到目标深度信息，根据目标深度信息和待分析眼底图像构建目标三维图像，能够构建与实际人眼球体匹配度更高的的三维结构图，有效辅助医生进行近视等疾病的诊断。
[0032]第三方面，本专利技术的一个实施例提供了模型训练方法装置，包括：
[0033]第一获取模块，用于获取眼球的若干二维眼底图像和若干初始结构图像；
[0034]分层模块，用于对若干所述初始结构图像进行分层处理，以提取所述初始结构图像的目标数据；
[0035]提取模块，用于提取所述目标数据中三维结构的Z轴的深度信息，以得到深度图像；
[0036]数据库模块，用于将若干所述二维眼底图像分别与所述深度图像进行配对处理，得到初始数据库；
[0037]模型构建模块，用于基于预设的学习算法根据所述初始数据库进行模型训练方法，以构建初始深度图像估计模型。
[0038]本专利技术实施例的模型训练方法装置至少具有如下有益效果：第一获取模块获取采集好的眼球的若干二维眼底图像和若干初始结构图像，分层模块对若干初始结构图像进行分层处理，以提取初始结构图像的目标数据，提取模块提取目标数据中三维结构的Z轴的深度信息，以得到深度图像，然后，数据库模块将若干二维眼底图像分别与深度图像进行配对处理，得到初始数据库，最后，模型构建模块基于预设的学习算法根据初始数据库进行模型训练方法，以构建初始深度图像估计模型，能够得到一个根据二维眼底图像得到目标深度信息的初始深度图像估计模型，以便于根据眼底图像和目标深度信息构建三维的眼球图像更加准确。
[0039]第四方面，本专利技术的一个实施例提供了眼球体结构重塑装置，包括：
[0040]第二获取模块，用于获取待分析眼底图像；
[0041]输入模块，用于将所述待分析眼底图像输入初始深度图像估计模型，得到目标深度信息；其中，所述初始深度图像估计模型通过如第一方面所述的模型训练方法得到；
[0042]结构重塑模块，用于根据所述目标深度信息和所述待分析眼底图像构建目标三维图像。
[0043]本专利技术实施例的眼球体结构重塑装置至少具有如下有益效果：第二获取模块获取用户输入的待分析眼底图像，输入模块将待分析眼底图像输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，应用于眼球体三维结构重塑，其特征在于，包括：获取眼球的若干二维眼底图像和若干初始结构图像；对若干所述初始结构图像进行分层处理，以提取所述初始结构图像的目标数据；提取所述目标数据中三维结构的Z轴的深度信息，以得到深度图像；将若干所述二维眼底图像分别与所述深度图像进行配对处理，得到初始数据库；基于预设的学习算法根据所述初始数据库进行模型训练方法，以构建初始深度图像估计模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述基于预设的学习算法根据所述初始数据库进行模型训练方法，以构建初始深度图像估计模型之后，所述方法还包括：对所述初始深度图像估计模型进行轻量化处理，以得到目标深度图像估计模型；其中，所述目标深度图像估计模型以预设加载方式运行于终端上。3.根据权利要求1所述的模型训练方法，其特征在于，所述对若干所述初始结构图像进行分层处理，以提取所述初始结构图像的目标数据，包括：对若干所述初始结构图进行分层处理，以得到bruch层的若干分层图像；将若干所述分层图像进行组合，以得到所述目标数据。4.根据权利要求3所述的模型训练方法，其特征在于，所述提取所述目标数据中三维结构的Z轴的深度信息，以得到深度图像，包括：根据所述三维结构的Z轴对所述目标数据进行信息提取，以得到目标深度信息；将所述目标深度信息进行归一化处理，以得到所述深度图像。5.根据权利要求2所述的模型训练方法，其特征在于，所述对所述初始深度图像估计模型进行轻量化处理，以得到目标深度图像估计模型，包括：对所述初始深度图像估计模型进行权重稀疏化训练，以得到稀疏权重模型；根据预设模型剪枝策略对所述稀疏权重模型的冗余机构进行裁剪，以得到轻量模型；对所述轻量模型进行量化感知训练，以更新所述初始深度图像估计模型得到所述目标深度图像估计模型。6.根据权利要求5所述的模型...

【专利技术属性】
技术研发人员：胡衍，邱忠喜，张嘉奇，孙沛铖，刘江，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：