【技术实现步骤摘要】
本申请涉及深度学习和数字图像处理，具体涉及一种基于神经网络数学模型的眼底图像后处理系统和方法。
技术介绍
1、眼部疾病的诊断和检测，可以通过眼底成像的方式进行检测，再利用计算机技术辅助眼底诊断，进行眼底健康筛查已被广泛应用。尤其深度学习现已成为计算机视觉的主流技术。它在开发新的医学图像处理算法以支持疾病检测和诊断方面扮演者重要的角色。利用深度学习技术进行眼底图像分类的研究方法可以从广义上分为两种，即利用全局信息进行分析和基于局部病灶。在这些方法中，一些研究通过对整个眼底图像进行特征提取，随后进行分类的方法已经取得了很多成果。除了全局信息分析，局部病灶分析也是一种较为常见的方法。这种方法的主要流程是先使用定位算法检测眼底图像中的病变区域，然后根据病变的类型或数量等信息进行分类，最终得到分类结果。还有一些研究探索不同深度学习方法的融合以提高诊断的精度，例如使用alexnet、vgg、googlenet等多个网络进行训练，并综合参考这些模型的结果，采用随机森林方法进行诊断。现阶段，应用神经网络数学模型对眼底成像检测，只能对已发病的中晚期阶段进行明确诊断（具有明显的病变图像特征），例如，青光眼的检测和诊断就非常困难，急性青光眼主要表现为眼痛或者是流泪，疼痛，视力减退等，轻度的患者可能会出现视觉神经受损，而严重的患者可能会遭受神经严重破坏，视力下降以及失明等，因此要到专业的眼科进行相关的检查，而绝大部分的人群是没有任何症状的，更不会主动去就医。而对于眼部疾病最好是早预防，早发现和早治疗，青少年进行的定期体检就是针对这个早发现而设定的。但现
技术实现思路
1、本申请要解决的技术问题是如何依据历史眼底图像数据实现对未来眼底图像的预测，以实现对眼部疾病早期发现的目的。
2、根据第一方面，一种实施例中提供一种基于神经网络数学模型的眼底图像后处理方法，包括：
3、获取至少m+1幅标识有时间节点信息的眼底图像数据，其中m为大于2的整数；所述时间节点信息用于表示对应的所述眼底图像数据的生成时间；
4、对每幅所述眼底图像数据按眼部组织器官的眼底成像特征分别进行感性兴趣区域划分，并对所述感性兴趣区域进行特征提取，以获取对应每个所述眼部组织器官的组织特征图像数据；所述眼部组织器官包括中心凹、黄斑、视腺头、视网膜静脉和/或视网膜静脉；
5、按时间先后顺序将对应每个所述眼部组织器官的组织特征图像数据作为一组织特征序列输入一预设的第一神经网络数学模型，并获取所述第一神经网络数学模型输出的对应每个所述眼部组织器官在第一幅所述眼底图像数据至最后一幅所述眼底图像数据在时间轴方向的组织特征变化规律数据；
6、将每个所述眼部组织器官的所述组织特征变化规律数据输入一预设的第二神经网络数学模型，并获取所述第二神经网络数学模型输出的每个所述眼部组织器官在一第一未来预设时间点的组织特征预测数据；
7、将每个所述眼部组织器官的所述组织特征预测数据融合，以获取在所述第一未来预设时间点的眼底图像预测数据，所述眼底图像预测数据用于作为依据m+1幅标识有时间节点信息的眼底图像数据获取的所述第一未来预设时间点的眼底图像数据。
8、根据第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如第一方面所述的眼底图像后处理方法。
9、根据第三方面，一种实施例中提供一种基于神经网络数学模型的眼底图像后处理系统，用于应用如第一方面所述的眼底图像后处理方法，所述眼底图像后处理系统包括：
10、数据获取单元，用于获取至少m+1幅标识有时间节点信息的眼底图像数据，其中m为大于2的整数；所述时间节点信息用于表示对应的所述眼底图像数据的生成时间；
11、特征提取单元，用于对每幅所述眼底图像数据按眼部组织器官的眼底成像特征分别进行感性兴趣区域划分，并对所述感性兴趣区域进行特征提取，以获取对应每个所述眼部组织器官的组织特征图像数据；所述眼部组织器官包括中心凹、黄斑、视腺头、视网膜静脉和/或视网膜静脉；
12、规律获取单元，用于按时间先后顺序将对应每个所述眼部组织器官的组织特征图像数据作为一组织特征序列输入一预设的第一神经网络数学模型，并获取所述第一神经网络数学模型输出的对应每个所述眼部组织器官在第一幅所述眼底图像数据至最后一幅所述眼底图像数据在时间轴方向的组织特征变化规律数据；
13、特征预测单元，用于将每个所述眼部组织器官的所述组织特征变化规律数据输入一预设的第二神经网络数学模型，并获取所述第二神经网络数学模型输出的每个所述眼部组织器官在一第一未来预设时间点的组织特征预测数据；
14、眼底图像预测单元，用于将每个所述眼部组织器官的所述组织特征预测数据融合，以获取在所述第一未来预设时间点的眼底图像预测数据，所述眼底图像预测数据用于作为依据m+1幅标识有时间节点信息的眼底图像数据获取的所述第一未来预设时间点的眼底图像数据。
15、依据上述实施例的眼底图像后处理系统，由于依据历史眼底图像数据对未来时间点的眼底图像进行预测，进而实现对眼部疾病早发现的目的。另外，由于将眼部组织器官分别进行特征提取、预测和融合，可以最大限度的降低眼部组织器官成像之间的互相干扰，进而提高眼底预测图像的准确性和可靠性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络数学模型的眼底图像后处理方法，其特征在于，包括：
2.如权利要求1所述的眼底图像后处理方法，其特征在于，还包括：
3.如权利要求2所述的眼底图像后处理方法，其特征在于，所述比较结果数据包括预测匹配差异率，所述预测匹配差异率用于表示第M+1幅时间节点的所述眼底图像预测数据与第M+1眼底图像数据之间的差异百分比值；
4.如权利要求3所述的眼底图像后处理方法，其特征在于，所述对M+1幅眼底图像数据进行筛选，包括：
5.如权利要求1所述的眼底图像后处理方法，其特征在于，还包括：
6.如权利要求1所述的眼底图像后处理方法，其特征在于，所述第一神经网络数学模型和所述第二神经网络数学模型共为一个基于条件潜扩散数学模型；
7.如权利要求6所述的眼底图像后处理方法，其特征在于，在所述粗糙潜扩散模型的训练过程包括一个正向扩散过程和反向去噪过程；
8.如权利要求7所述的眼底图像后处理方法，其特征在于，在所述精细潜扩散模型的训练过程是将所述粗糙潜扩散模型获得的结果和历史序列的最后一个时间点的真是特征进
9.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的眼底图像后处理方法。
10.一种基于神经网络数学模型的眼底图像后处理系统，其特征在于，用于应用如权利要求1至8中任一项所述的眼底图像后处理方法，所述眼底图像后处理系统包括：
...【技术特征摘要】
1.一种基于神经网络数学模型的眼底图像后处理方法，其特征在于，包括：
2.如权利要求1所述的眼底图像后处理方法，其特征在于，还包括：
3.如权利要求2所述的眼底图像后处理方法，其特征在于，所述比较结果数据包括预测匹配差异率，所述预测匹配差异率用于表示第m+1幅时间节点的所述眼底图像预测数据与第m+1眼底图像数据之间的差异百分比值；
4.如权利要求3所述的眼底图像后处理方法，其特征在于，所述对m+1幅眼底图像数据进行筛选，包括：
5.如权利要求1所述的眼底图像后处理方法，其特征在于，还包括：
6.如权利要求1所述的眼底图像后处理方法，其特征在于，所述第一神经网络数学模型和所述第二神经网络数学模型共为...
【专利技术属性】
技术研发人员：张语涵，王平安，
申请(专利权)人：香港中文大学深圳研究院，
类型：发明
国别省市：
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。