【技术实现步骤摘要】
本申请涉及人工智能，具体涉及一种基于深度学习的自动眼前节图像的处理方法、介质和设备。
技术介绍
1、随着计算机硬件、算法和计算能力的进步，人工智能近年来取得了显著的进展，对于处理大量复杂多样的医疗数据显示出巨大的潜力。眼科作为一个医学领域，在此过程中因其易于获取的眼部图像和多种成像数据在诊断和治疗眼部疾病中的重要作用，成为人工智能应用最广泛的医学领域之一。
2、目前，人工智能技术在眼科领域的应用仍需依赖医护人员和医疗设备，患者无法自主进行疾病筛查。移动终端收集眼前节图像有助于远程医疗服务的提供。患者可以通过移动终端拍摄眼睛图像，并将其发送给医生或眼科专家进行远程诊断和咨询。尤其是在偏远地区或医疗资源不足的地方，这种方式可以提供及时的眼科护理。利用移动终端收集眼前节图像还能够进行眼部健康状况的快速筛查和监测，为医生提供更多个性化的治疗方案。因此，利用移动终端等移动设备获取患者的医学信息，实现患者独立操作即可完成疾病的诊断，或将成为未来眼科人工智能发展的重要方向。
3、然而，在医疗设备或移动终端设备中，图像质量对模型的准确性和性能有着巨大影响。因此，确保输入图像的质量至关重要。目前，用于模型训练的图像质量控制通常是依赖于人工来完成，这需要耗费大量时间和精力，并且缺乏标准化的质量控制标准。特别是在移动终端设备拍摄的情况下，由于拍摄人员的操作手法缺乏统一标准、移动终端品牌的多样性和光照环境的不确定性等因素，使得移动终端拍摄患者的眼前节图像变得更加困难。如果对输入图像不进行质量控制，将会增加计算成本，导致无效和垃圾
技术实现思路
1、鉴于上述问题，本申请提供了一种基于深度学习的自动眼前节图像的技术方案，以解决现有的眼前节图像的图像质量评估依赖于人工完成，效率低下，标准不统一，增加后续诊断模型的计算成本的技术问题。
2、为实现上述目的，在第一方面，本申请提供了一种基于深度学习的自动眼前节图像的处理方法，所述方法包括：
3、接收移动终端上传的待处理的眼前节图像；
4、将所述眼前节图像输入训练完成的深度学习模型中，输出针对所述眼前节图像的图像特征分析结果，所述图像特征分析结果包括判断所述待处理的眼前节图像的图像质量是否符合预设图像质量要求，若不符合则发出第一提示信息至所述移动终端。
5、进一步的，所述判断所述待处理的眼前节图像的图像质量是否符合预设图像质量要求包括以下种类中的任一项或多项：
6、判断所述待处理的眼前节图像是否为眼部图像；
7、判断所述待处理的眼前节图像是否包含预设的若干眼部结构特征；
8、判断所述待处理的眼前节图像的清晰度是否符合预设清晰度；
9、判断所述待处理的眼前节图像的曝光度是否符合在预设曝光度范围内；
10、判断所述待处理的眼前节图像的眼球视线是否符合预设基准角度；
11、判断所述待处理的眼前节图像中的预设的若干眼部结构特征是否被眼睑遮挡。
12、进一步的，所述第一提示信息用于提示当前移动终端上传的眼前节图像不符合预设图像质量要求以及不符合预设图像质量要求的类型。
13、进一步的，所述深度学习模型根据以下方式进行训练：
14、获取样本数据集，并将所述样本数据集按照预设比例随机划分为训练集、验证集和测试集，所述样本数据集包含眼部特征正常的眼前节图像和不同病变类型的眼前节图像；
15、构建初始的深度学习模型，将所述训练集输入所述初始的深度学习模型进行训练，输出相应的图像特征分析结果，迭代训练多次，将所述验证集输入至经过多次迭代训练后的深度学习模型中，对训练过程中的神经网络参数进行调整，得到训练完成的深度学习模型；
16、所述方法还包括：
17、将所述测试集输入至训练完成的深度学习模型，对所述训练完成的深度学习模型的性能进行评估，输出评估指标，所述评估指标包括准确率、f1分数、召回率、精确率中的任一项或多项。
18、进一步的，所述深度学习模型为mobileeye网络模型，所述mobileeye网络模型包含start stage模块、middle stage模块和last stage模块；
19、所述start stage模块通过3×3的卷积操作来提取输入的眼前节图像的图像特征；
20、所述middle stage模块包括多个bneck块，不同所述bneck块所包含的卷积层的数量和参数各不相同，所述bneck块用于提升模型对start stage模块提取的图像特征的关注程度；
21、所述last stage模块用于输出所述眼前节图像的图像特征分析结果。
22、进一步的，所述方法还包括：
23、提取所述待处理的眼前节图像的不同位置的图像特征，将符合预设图像质量要求的第一图像特征存储于第一存储单元中；
24、在判定当前待处理的第一眼前节图像的图像质量不符合预设图像质量要求后，获取所述移动终端重新上传的待处理的第二眼前节图像，将所述第二眼前节图像输入训练完成的深度学习模型中，输出针对所述第二眼前节图像的图像特征分析结果；
25、若所述第二眼前节图像的不符合预设图像质量要求，则根据特定位置的眼部特征判断所述第一眼前节图像和所述第二眼前节图像是否为属于同一患者相同眼睛的图像，若是则判断所述第一存储单元中是否存储有所述第二眼前节图像中被判定为不符合预设图像质量要求的相应眼部位置的第一图像特征，若是则获取第一图像特征与所述第二眼前节图像进行特征融合，生成第三眼前节图像；
26、将所述第三眼前节图像输入训练完成的深度学习模型中，输出针对所述第三眼前节图像的图像特征分析结果。
27、进一步的，所述方法还包括：
28、在每一次接收到符合预设图像质量要求的眼前节图像后，将符合预设图像质量要求的所述眼前节图像存储于云端并记录上传日期；
29、获取上传日期在本次上传日期之前的若干所述眼前节图像的图像特征，将本次获取的眼前节图像的图像特征与获取的上传日期在本次之前的若干眼前节图像的图像特征进行叠加，分析相应图像特征的变化趋势，并利用ar技术以动画方式可视化呈现所述变化趋势和可能恶化的病情走向。
30、进一步的，所述方法还包括：
31、在判定所述待处理的眼前节图像的图像质量符合预设图像质量要求后，将所述眼前节图像传输给诊断评估模型，以输出诊断建议结果。
32、在第二方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如本申请第一方面所述的基于深度学习的自动眼前节图像的处理方法。
33、在第三方面，本申请提供了一种电子设备，其上存储有计算机程序，包括处理器和存储介质，所述存储介质上存储有计算机程序，所述计算机程序被所述处理器执行时实现如本申请第一方面所述的基于深度学习的本文档来自技高网...
【技术保护点】
1.一种基于深度学习的自动眼前节图像的处理方法，其特征在于，所述方法包括：
2.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述判断所述待处理的眼前节图像的图像质量是否符合预设图像质量要求包括以下种类中的任一项或多项：
3.如权利要求2所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述第一提示信息用于提示当前移动终端上传的眼前节图像不符合预设图像质量要求以及不符合预设图像质量要求的类型。
4.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述深度学习模型根据以下方式进行训练：
5.如权利要求1或4所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述深度学习模型为MobileEye网络模型，所述MobileEye网络模型包含Start Stage模块、Middle Stage模块和Last Stage模块；
6.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述方法还包括：
7.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特
8.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述方法还包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8任一项所述的基于深度学习的自动眼前节图像的处理方法。
10.一种电子设备，其上存储有计算机程序，其特征在于，包括处理器和存储介质，所述存储介质上存储有计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8任意一项所述的基于深度学习的自动眼前节图像的处理方法。
...【技术特征摘要】
1.一种基于深度学习的自动眼前节图像的处理方法，其特征在于，所述方法包括：
2.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述判断所述待处理的眼前节图像的图像质量是否符合预设图像质量要求包括以下种类中的任一项或多项：
3.如权利要求2所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述第一提示信息用于提示当前移动终端上传的眼前节图像不符合预设图像质量要求以及不符合预设图像质量要求的类型。
4.如权利要求1所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述深度学习模型根据以下方式进行训练：
5.如权利要求1或4所述的深度学习的自动眼前节图像的处理方法，其特征在于，所述深度学习模型为mobileeye网络模型，所述mobileeye网络模型包含start stage模...
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。