【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种角膜炎分类信息获取智能方法、装置、设备及存储介质。
技术介绍
1、目前，主要通过以下方法获取角膜炎分类信息：(1)经验丰富的角膜病专家根据患者的病史及图片获取角膜炎分类信息；(2)角膜炎病灶刮片染色及角膜炎细菌真菌培养鉴定方式。上述方案(1)需要依赖经验丰富的角膜病专家，但经验丰富的角膜病专家较为缺乏，而且依靠专家主观判断，准确性较低；方案(2)的角膜炎细菌真菌培养鉴定方式需要较长时间才有结果(通常需要48小时以上)，耗时长，而且准确性较低。
技术实现思路
1、本专利技术提供一种角膜炎分类信息智能获取方法、装置、设备及存储介质，用以解决现有技术中耗时长，准确性较低的缺陷，实现一种效率较高且准确性较高的角膜炎分类信息智能获取方法。
2、本专利技术提供一种角膜炎分类信息智能获取方法，包括：
3、利用训练得到的裁剪模型从眼部图片中获取角膜区域图片；
4、根据所述角膜区域图片和角膜共聚焦图片中至少一项，利用训练得到的特征提取模型获取第一特征信息；
5、对眼部临床检查信息进行特征变换，得到第二特征信息；
6、根据所述第一特征信息和所述第二特征信息，利用训练得到的分类模型获取所述眼部图片的角膜炎分类信息。
7、根据本专利技术提供的一种角膜炎分类信息智能获取方法，所述裁剪模型包括：卷积模块、区域生成网络模块、边框回归模块和分类模块，所述利用训练得到的裁剪模型从眼部图片中获取角膜区域图片，包
8、将所述眼部图片输入所述卷积模块，得到特征图像；
9、基于锚点框利用所述区域生成网络模块，确定所述特征图像中的至少一个候选边界框，所述候选边界框对应的区域为包括角膜的候选目标区域；
10、利用所述边框回归模块对各个所述候选边界框进行调整；
11、基于各个调整后的候选边界框利用所述分类模块，确定所述角膜区域图片。
12、根据本专利技术提供的一种角膜炎分类信息智能获取方法，所述裁剪模型还包括：特征转换模块，所述利用所述边框回归模块对各个所述候选边界框进行调整之前，还包括：
13、利用所述特征转换模块对各个所述候选边界框对应的候选目标区域的特征进行转换处理，得到各个所述候选目标区域的目标特征；
14、所述利用所述边框回归模块对各个所述候选边界框进行调整，包括：
15、将各个所述候选目标区域的目标特征输入边框回归模块，得到各个所述候选目标区域对应的候选边界框的调整值；
16、利用各个所述候选边界框的调整值对各个所述候选边界框进行调整；所述调整值包括位置调整值和尺寸调整值。
17、根据本专利技术提供的一种角膜炎分类信息智能获取方法，所述基于各个调整后的候选边界框利用所述分类模块，确定所述角膜区域图片，包括：
18、利用所述分类模块确定各个调整后的候选边界框对应的区域是否是角膜图像；
19、若存在候选边界框对应的区域不是角膜图像，则剔除所述调整后的候选边界框；
20、若存在目标边界框对应的区域为角膜区域，则将所述目标边界框对应的区域确定为所述角膜区域图片；所述目标边界框为所述调整后候选边界框中的边界框。
21、根据本专利技术提供的一种角膜炎分类信息智能获取方法，所述角膜炎分类信息包括：所述眼部图片属于不同角膜类型的概率。
22、根据本专利技术提供的一种角膜炎分类信息智能获取方法，所述眼部临床检查信息包括以下至少一项：有无植物外伤史、有无非植物外伤史、有无分泌物、有无黄绿色分泌物、有无佩戴隐形眼镜、佩戴隐形眼镜的时长、有无疼痛感、疼痛程度、既往是否有过类似症状、既往是否有过自身免疫性疾病史。
23、根据本专利技术提供的一种角膜炎分类信息智能获取方法，所述角膜类型包括以下至少一项：细菌性、真菌性、病毒性、阿米巴性、免疫性以及非感染性。
24、本专利技术还提供一种角膜炎分类信息智能获取装置，包括：
25、裁剪模块，用于利用训练得到的裁剪模型从眼部图片中获取角膜区域图片；
26、特征提取模块，用于根据所述角膜区域图片和角膜共聚焦图片中至少一项，利用训练得到的特征提取模型获取第一特征信息；
27、特征转换模块，用于对眼部临床检查信息进行特征变换，得到第二特征信息；
28、处理模块，用于根据所述第一特征信息和所述第二特征信息，利用训练得到的分类模型获取所述眼部图片的角膜炎分类信息。
29、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述角膜炎分类信息智能获取方法。
30、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述角膜炎分类信息智能获取方法。
31、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述角膜炎分类信息智能获取方法。
32、本专利技术提供的角膜炎分类信息智能获取方法、装置、设备及存储介质，利用训练得到的裁剪模型从眼部图片中获取角膜区域图片，由于提取了角膜区域图片，能够使得后续分类模型输出结果的准确性较高；根据所述角膜区域图片和角膜共聚焦图片中至少一项，利用训练得到的特征提取模型获取第一特征信息；对眼部临床检查信息进行特征变换，得到第二特征信息，特征提取的准确性较高，进而能够保证后续分类模型输出结果的准确性较高；根据所述第一特征信息和所述第二特征信息，利用训练得到的分类模型获取所述眼部图片的角膜炎分类信息，基于多模态的特征信息，并利用分类模型获得角膜炎分类信息，效率和准确性较高。
本文档来自技高网...【技术保护点】
1.一种角膜炎分类信息智能获取方法，其特征在于，包括：
2.根据权利要求1所述的角膜炎分类信息智能获取方法，其特征在于，所述裁剪模型包括：卷积模块、区域生成网络模块、边框回归模块和分类模块，所述利用训练得到的裁剪模型从眼部图片中获取角膜区域图片，包括：
3.根据权利要求2所述的角膜炎分类信息智能获取方法，其特征在于，所述裁剪模型还包括：特征转换模块，所述利用所述边框回归模块对各个所述候选边界框进行调整之前，还包括：
4.根据权利要求2或3所述的角膜炎分类信息智能获取方法，其特征在于，所述基于各个调整后的候选边界框利用所述分类模块，确定所述角膜区域图片，包括：
5.根据权利要求1-3任一项所述的角膜炎分类信息智能获取方法，其特征在于，所述角膜炎分类信息包括：所述眼部图片属于不同角膜类型的概率。
6.根据权利要求1-3任一项所述的角膜炎分类信息智能获取方法，其特征在于，所述眼部临床检查信息包括以下至少一项：有无植物外伤史、有无非植物外伤史、有无分泌物、有无黄绿色分泌物、有无佩戴隐形眼镜、佩戴隐形眼镜的时长、有无疼痛感、疼痛程
7.根据权利要求5所述的角膜炎分类信息获取方法，其特征在于，所述角膜类型包括以下至少一项：细菌性、真菌性、病毒性、阿米巴性、免疫性以及非感染性。
8.一种角膜炎分类信息智能获取装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述角膜炎分类信息智能获取方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述角膜炎分类信息智能获取方法。
...【技术特征摘要】
1.一种角膜炎分类信息智能获取方法，其特征在于，包括：
2.根据权利要求1所述的角膜炎分类信息智能获取方法，其特征在于，所述裁剪模型包括：卷积模块、区域生成网络模块、边框回归模块和分类模块，所述利用训练得到的裁剪模型从眼部图片中获取角膜区域图片，包括：
3.根据权利要求2所述的角膜炎分类信息智能获取方法，其特征在于，所述裁剪模型还包括：特征转换模块，所述利用所述边框回归模块对各个所述候选边界框进行调整之前，还包括：
4.根据权利要求2或3所述的角膜炎分类信息智能获取方法，其特征在于，所述基于各个调整后的候选边界框利用所述分类模块，确定所述角膜区域图片，包括：
5.根据权利要求1-3任一项所述的角膜炎分类信息智能获取方法，其特征在于，所述角膜炎分类信息包括：所述眼部图片属于不同角膜类型的概率。
6.根据权利要求1-3任一项所述的角膜炎分类信息智能获取方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。