一种白内障分级方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种白内障分级方法、装置、设备及存储介质，在该方法中，首先，获取待检测眼部图像中的晶体核区域图像；然后，通过至少两个第一白内障分级模型对晶体核区域图像进行分级，获得待检测眼部的至少两个第一白内障分级结果；最后，通过第二白内障分级模型对至少两个第一白内障分级结果进行分级，获得待检测眼部的第二白内障分级结果。可见，通过不同的第一白内障分级模型考虑了眼部晶体核区域图像的不同特征，又通过第二白内障分级模型结合至少两个第一白内障分级结果，相较于只通过分类器进行白内障分级，该方法通过这两种白内障分级模型进行分级能够得到更加准确的第二白内障分级结果，从而提高白内障分级结果的准确性。确性。确性。

【技术实现步骤摘要】
一种白内障分级方法、装置、设备及存储介质


[0001]本申请涉及机器学习
，尤其涉及一种白内障分级方法、装置、设备及存储介质。

技术介绍

[0002]白内障是视力受损的主要原因，也是导致失明的最严重的眼疾之一，发病率会随着年龄的增长而增加，及时的诊断和治疗有利于白内障疾病的恢复。其中，对白内障进行分级是提高诊断效率的重要手段之一，根据白内障的不同等级能够进行有针对性的治疗，从而帮助患者更快恢复。
[0003]现有技术中，白内障分级的方法为：通过卷积神经网络提取眼部图像的特征，利用分类器对眼部图像的特征进行分类，得到眼部图像的白内障分级结果。然而，在该白内障分级的方法中，仅通过分类器对眼部图像的特征进行分类，可能会出现白内障分级结果错误的情况，导致白内障分级结果的准确率降低低。
[0004]因此，如何提高白内障分级结果的准确性，成为目前亟待解决的问题。

技术实现思路

[0005]有鉴于此，本申请实施例提供了一种白内障分级方法、装置、设备及存储介质，旨在提高白内障分级结果的准确性。
[0006]第一方面，本申请实施例提供了一种白内障分级方法，所述方法包括：
[0007]获取待检测眼部图像中的晶体核区域图像；
[0008]通过至少两个第一白内障分级模型对所述晶体核区域图像进行分级，获得所述待检测眼部的至少两个第一白内障分级结果；
[0009]通过第二白内障分级模型对所述至少两个第一白内障分级结果进行分级，获得所述待检测眼部的第二白内障分级结果。
[0010]可选地，所述获取待检测眼部图像中的晶体核区域图像，包括：
[0011]通过YOLOv5s模型对所述待检测眼部图像中的晶体核进行定位，获得所述晶体核区域图像。
[0012]可选地，所述第一白内障分级模型包括：预先训练的深度学习模型和/或预先训练的分类器。
[0013]可选地，所述预先训练的深度学习模型包括预先训练的MobileNet v3模型；所述预先训练的分类器包括基于灰度共生特征的SVM分类器。
[0014]可选地，所述第一白内障分级模型的训练步骤，包括：
[0015]获取多个晶体核区域图像样本和每个晶体核区域图像样本对应的等级标签；
[0016]通过第一预设分级模型对所述多个晶体核区域图像样本进行分级，获得所述多个晶体核区域图像样本的多个第三白内障分级结果；
[0017]根据所述第三白内障分级结果、所述每个晶体核区域图像样本对应的等级标签和
所述第一预设分级模型的预设损失函数，训练所述第一预设分级模型的参数；
[0018]将训练完成的所述第一预设分级模型确定为所述第一白内障分级模型。
[0019]可选地，所述第二白内障分级模型的训练步骤，包括：
[0020]获取多组第一白内障分级结果和每组第一白内障分级结果对应的等级标签，所述每组第一白内障分级结果是通过所述至少两个第一白内障分级模型得到的；
[0021]通过第二预设分级模型对所述多组第一白内障分级结果进行分级，获得所述多组第一白内障分级结果的多个第四白内障分级结果；
[0022]根据所述第四白内障分级结果、所述每组第一白内障分级结果对应的等级标签和所述第二预设分级模型的预设损失函数，训练所述第二预设分级模型的参数；
[0023]将训练完成的所述第二预设分级模型确定为所述第二白内障分级模型。
[0024]第二方面，本申请实施例提供了一种白内障分级装置，所述装置包括：
[0025]获取模块，用于获取待检测眼部图像中的晶体核区域图像；
[0026]第一分级模块，用于通过至少两个第一白内障分级模型对所述晶体核区域图像进行分级，获得所述待检测眼部的至少两个第一白内障分级结果；
[0027]第二分级模块，用于通过第二白内障分级模型对所述至少两个第一白内障分级结果进行分级，获得所述待检测眼部的第二白内障分级结果。
[0028]第三方面，本申请实施例提供了一种白内障分级设备，所述设备包括：
[0029]存储器，用于存储计算机程序；
[0030]处理器，用于执行所述计算机程序，以使所述设备执行前述第一方面所述的白内障分级方法。
[0031]第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被运行时，运行所述计算机程序的设备实现前述第一方面所述的白内障分级方法。
[0032]相较于现有技术，本申请实施例具有以下有益效果：
[0033]本申请实施例提供了一种白内障分级方法、装置、设备及存储介质，在该方法中，首先，获取待检测眼部图像中的晶体核区域图像；然后，通过至少两个第一白内障分级模型对晶体核区域图像进行分级，获得待检测眼部的至少两个第一白内障分级结果；最后，通过第二白内障分级模型对至少两个第一白内障分级结果进行分级，获得待检测眼部的第二白内障分级结果。可见，通过不同的第一白内障分级模型考虑了眼部晶体核区域图像的不同特征，又通过第二白内障分级模型结合至少两个第一白内障分级结果，相较于只通过分类器进行白内障分级，该方法通过这两种白内障分级模型进行分级能够得到更加准确的第二白内障分级结果，从而提高白内障分级结果的准确性。
附图说明
[0034]为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本申请实施例提供的一种白内障分级方法的应用场景；
[0036]图2为本申请实施例提供的一种白内障分级方法的流程图；
[0037]图3为本申请实施例提供的一种白内障分级装置的结构示意图。
具体实施方式
[0038]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0039]目前，已有的白内障分级的方法为：通过卷积神经网络提取眼部图像的特征，利用分类器对眼部图像的特征进行分类，得到眼部图像的白内障分级结果。然而，在该白内障分级的方法中，仅通过分类器对眼部图像的特征进行分类，可能会出现白内障分级结果错误的情况，导致白内障分级结果的准确率降低。因此，如何提高白内障分级结果的准确性，成为目前亟待解决的问题。
[0040]基于此，为了解决上述问题，本申请实施例提供了一种白内障分级方法、装置、设备及存储介质，在该方法中，首先，获取待检测眼部图像中的晶体核区域图像；然后，通过至少两个第一白内障分级模型对晶体核区域图像进行分级，获得待检测眼本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种白内障分级方法，其特征在于，所述方法包括：获取待检测眼部图像中的晶体核区域图像；通过至少两个第一白内障分级模型对所述晶体核区域图像进行分级，获得所述待检测眼部的至少两个第一白内障分级结果；通过第二白内障分级模型对所述至少两个第一白内障分级结果进行分级，获得所述待检测眼部的第二白内障分级结果。2.根据权利要求1所述的方法，其特征在于，所述获取待检测眼部图像中的晶体核区域图像，包括：通过YOLOv5s模型对所述待检测眼部图像中的晶体核进行定位，获得所述晶体核区域图像。3.根据权利要求1所述的方法，其特征在于，所述第一白内障分级模型包括：预先训练的深度学习模型和/或预先训练的分类器。4.根据权利要求1所述的方法，其特征在于，所述预先训练的深度学习模型包括预先训练的MobileNet v3模型；所述预先训练的分类器包括基于灰度共生特征的SVM分类器。5.根据权利要求1所述的方法，其特征在于，所述第一白内障分级模型的训练步骤，包括：获取多个晶体核区域图像样本和每个晶体核区域图像样本对应的等级标签；通过第一预设分级模型对所述多个晶体核区域图像样本进行分级，获得所述多个晶体核区域图像样本的多个第三白内障分级结果；根据所述第三白内障分级结果、所述每个晶体核区域图像样本对应的等级标签和所述第一预设分级模型的预设损失函数，训练所述第一预设分级模型的参数；将训练完成的所述第一预设分级模型确定为所述第一白内障分级模型。6.根据权利要求1所述的方法，其特征在于，所述第二白内障分级模型的训练步骤，包括：获取多组第一白内障分级结果和每组第一白内障...

【专利技术属性】
技术研发人员：胡深明，李一凡，杨静，李礼，朱玥，栾欣泽，李博，
申请(专利权)人：辽宁蜻蜓健康科技有限公司，
类型：发明
国别省市：