基于多个特征的青光眼识别的训练方法及训练装置制造方法及图纸

本公开描述一种基于多个特征的青光眼识别的训练方法及训练装置，训练方法包括获取眼底图像及眼底图像对应的青光眼分类标签、通过对眼底图像进行预处理而获得的预处理眼底图像和通过对眼底图像进行标注而获得的标注图像；基于预处理眼底图像、标注图像以及空间加权图对基于深度学习的人工神经网络进行训练以生成视盘区域图像和视杯区域图像；基于视盘区域图像和视杯区域图像提取多个青光眼特征；通过包括青光眼特征的特征信息和青光眼分类标签对基于机器学习的分类器进行训练，以输出属于青光眼的概率。根据本方案，能够提高对于青光眼识别的准确性。青光眼识别的准确性。青光眼识别的准确性。

【技术实现步骤摘要】
基于多个特征的青光眼识别的训练方法及训练装置
[0001]本申请是申请日为2020年7月18日，申请号为2020107013737、专利技术名称青光眼识别的训练方法、训练装置、识别方法及识别系统的专利申请的分案申请。


[0002]本公开具体涉及一种基于多个特征的青光眼识别的训练方法及训练装置。

技术介绍

[0003]目前，青光眼已经成为是全球第二致盲眼科疾病。全球原发性青光眼患者已超过千万人，其中超过一成的患者可能发展为双眼盲。青光眼如果不及早就诊，有可能发展成不可逆性的眼盲，因此早期的青光眼筛查具有重要的意义。
[0004]在青光眼筛查的技术中，眼底相机技术为早期青光眼筛查提供了一种经济且准确的方式。医学研究证实，通过对眼底成像测定视神经乳头的杯盘比值(视杯半径与视盘半径的比值，简称杯盘比)可以在早期发现青光眼。随着近年来人工智能技术的发展，可以利用人工智能技术计算杯盘比以实现青光眼自动识别，例如专利文献(CN109829877A)中所描述的青光眼自动识别的方法。在上述专利文献中，先使用图像处理算法对眼底图像中的视盘进行初步定位，并利用深度卷积神经网络从初步定位的区域中分割出视盘区域和视杯区域，然后计算杯盘比并判断眼底图像中是否存在青光眼。
[0005]然而，在上述青光眼识别方法中，需要复杂的图像处理算法来对视盘进行初步定位，且视盘定位的精度会影响后续视杯或视盘分割的准确性，进而影响杯盘比计算的准确性。另外，在其它现有的青光眼识别方法中是利用杯盘比识别青光眼，没有利用卷积神经网络提取出的视杯或视盘的其他特征以用于青光眼的识别，因此青光眼识别的准确性仍有待提升。

技术实现思路

[0006]本公开鉴于上述现有的状况，其目的在于提供一种能够准确识别青光眼的青光眼识别的训练方法、训练装置、识别方法及识别系统。
[0007]为此，本公开第一方面提供一种基于青光眼识别的训练装置，其包括：获取模块，其获取眼底图像及其青光眼分类标签、通过对所述眼底图像进行预处理而获得的预处理眼底图像和通过对所述眼底图像进行标注而获得的标注图像，所述标注图像包括标注出视盘区域的视盘标注图像和标注出视杯区域的视杯标注图像；图像分割网络，其是基于深度学习的人工神经网络，并且通过所述预处理眼底图像、所述标注图像和空间加权图进行训练，以输出所述预处理眼底图像中各个像素点属于视盘的概率和属于视杯的概率，并基于所述预处理眼底图像中各个像素点属于所述视盘的概率和属于所述视杯的概率来生成视盘区域图像和视杯区域图像，其中，所述空间加权图通过基于预设的距离阈值和视盘距离对所述预处理眼底图像中的各个像素点进行加权而生成，所述视盘距离为所述预处理眼底图像中的各个像素点到所述视盘标注图像中的所述视盘区域的最短距离，在所述人工神经网络
的训练中，基于所述空间加权图对所述预处理眼底图像中的各个像素点的损失函数进行加权以获得第一损失函数，并基于所述第一损失函数优化所述人工神经网络；特征提取模块，其基于所述视盘区域图像和所述视杯区域图像获取青光眼特征；以及分类器，其基于机器学习通过包括所述青光眼特征的特征信息和所述青光眼分类标签进行训练，以输出属于青光眼的概率，在所述分类器的训练中，获得第二损失函数，并基于所述第二损失函数优化所述分类器。
[0008]在本公开中，基于预处理眼底图像、标注图像和空间加权图对图像分割网络进行训练，基于空间加权图对预处理眼底图像中的各个像素点的损失函数进行加权以获得第一损失函数，利用第一损失函数对图像分割网络进行训练优化，利用图像分割网络获得的视盘区域图像和视杯区域图像以获得青光眼特征，基于包括青光眼特征的特征信息和青光眼分类标签对分类器进行训练，并基于第二损失函数对分类器进行优化，以获得能够识别青光眼的分类器。在这种情况下，能够在不对视盘进行初步定位的情况下，对图像分割网络进行训练，改善因为视盘定位不准确而造成视杯、视盘分割不准确的问题，并且结合图像分割网络和分类器能够利用基于图像分割网络提取的特征以识别青光眼。由此，能够提高青光眼识别的准确性。
[0009]另外，在本公开第一方面所涉及的青光眼识别的训练装置中，可选地，所述青光眼特征包括所述视盘区域图像中的视盘的垂直直径和所述视杯区域图像中的视杯的垂直直径、所述视盘区域图像中视盘的水平直径和所述视杯区域图像中视杯的水平直径、所述视盘区域图像中视盘的面积和所述视杯区域图像中的视杯的面积中的至少一种。在这种情况下，能够基于视盘区域图像和视杯区域图像提取多个特征以用于青光眼的识别。由此，能够提高青光眼识别的准确性。
[0010]另外，在本公开第一方面所涉及的青光眼识别的训练装置中，可选地，通过将所述预处理眼底图像中的各个像素点的所述视盘距离与所述预设的距离阈值进行对比，令所述视盘距离小于所述预设的距离阈值的像素点的权重为第一预设值，令所述视盘距离大于或等于所述预设的距离阈值的像素点的权重为第二预设值，其中所述第一预设值大于所述第二预设值。在这种情况下，能够提高视盘区域的影响且能够在不对视盘进行初步定位的情况下，对图像分割网络进行训练。由此，能够改善因视盘定位不准确而造成视杯、视盘分割不准确的问题，进而提高青光眼识别的准确性。
[0011]另外，在本公开第一方面所涉及的青光眼识别的训练装置中，可选地，所述训练装置基于总损失函数进行优化，所述总损失函数根据所述第一损失函数和所述第二损失函数确定。在这种情况下，能够利用总损失函数对训练装置进行优化。由此，能够提高青光眼识别的准确性。
[0012]另外，在本公开第一方面所涉及的青光眼识别的训练装置中，可选地，所述特征信息还包括年龄、性别、病史中的至少一种。在这种情况下，可以基于特征信息的不同组合对分类器进行训练。由此，能够获得性能较好的分类器。
[0013]本公开第二方面提供了青光眼识别的训练方法，其包括：获取眼底图像及其青光眼分类标签、通过对所述眼底图像进行预处理而获得的预处理眼底图像和通过对所述眼底图像进行标注而获得的标注图像，所述标注图像包括标注出视盘区域的视盘标注图像和标注出视杯区域的视杯标注图像；基于所述预处理眼底图像、所述标注图像和空间加权图对
基于深度学习的人工神经网络进行训练，以输出所述预处理眼底图像中各个像素点属于视盘的概率和属于视杯的概率，并基于所述预处理眼底图像中各个像素点属于所述视盘的概率和属于所述视杯的概率来生成视盘区域图像和视杯区域图像，其中，所述空间加权图通过基于预设的距离阈值和视盘距离对所述预处理眼底图像中的各个像素点进行加权而生成，所述视盘距离为所述预处理眼底图像中的各个像素点到所述视盘标注图像中的所述视盘区域的最短距离，在所述人工神经网络的训练中，基于所述空间加权图对所述预处理眼底图像中的各个像素点的损失函数进行加权以获得第一损失函数，并基于所述第一损失函数优化所述人工神经网络；基于所述视盘区域图像和所述视杯区域图像获取青光眼特征；并且基于包括所述青光眼特征的特征信息和所述青光眼分类标签对基于机器学习的分类器进行训练，以输出属于青光眼的概率，在所述分类器的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多个特征的青光眼识别的训练方法，其特征在于，获取眼底图像及所述眼底图像对应的青光眼分类标签、通过对所述眼底图像进行预处理而获得的预处理眼底图像和通过对所述眼底图像进行标注而获得的标注图像，所述标注图像包括标注出视盘区域的视盘标注图像和标注出视杯区域的视杯标注图像；基于所述预处理眼底图像、所述标注图像以及基于预设的距离阈值和所述预处理眼底图像中的各个像素点的视盘距离而生成的空间加权图对基于深度学习的人工神经网络进行训练以生成所述预处理眼底图像对应的视盘区域图像和视杯区域图像，在所述人工神经网络的训练中，基于所述空间加权图对所述预处理眼底图像中的各个像素点的损失函数进行加权以获得第一损失函数，并基于所述第一损失函数优化所述人工神经网络以在不对视盘进行初步定位的情况下训练所述人工神经网络；基于所述视盘区域图像和所述视杯区域图像提取多个青光眼特征；并且基于包括所述青光眼特征的特征信息和青光眼分类标签对基于机器学习的分类器进行训练，以输出属于青光眼的概率。2.根据权利要求1所述的训练方法，其特征在于，所述预设的距离阈值根据所述视盘标注图像中视盘区域的大小进行设置，所述视盘距离为所述预处理眼底图像中的各个像素点到所述视盘标注图像中的所述视盘区域的最短距离。3.根据权利要求1所述的训练方法，其特征在于，在生成的所述空间加权图中，令所述视盘距离小于所述预设的距离阈值的像素点的权重为第一预设值，令所述视盘距离大于或等于所述预设的距离阈值的像素点的权重为第二预设值，所述第一预设值大于所述第二预设值。4.根据权利要求3所述的训练方法，其特征在于，所述空间加权图可以是图像或矩阵，并且所述空间加权图与所述预处理眼底图像的大小一致。5.根据权利要求3所述的训练方法，其特征在于，所述第一预设值为0.8至1，所述第二预设值为0至0.2。6.根据权利要求1所述的训练方法，其特征在于，在所述分类器的训练中，获得第二损失...

【专利技术属性】
技术研发人员：李叶平，张念军，王娟，
申请(专利权)人：深圳硅基智能科技有限公司，
类型：发明
国别省市：