System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及一种超广域眼底图像识别方法、装置、终端设备及存储介质。
技术介绍
1、眼底检查对眼底疾病及全身疾病筛诊均具有重要意义。眼底位于眼球后部,其结构复杂、功能精细,含有重要的血管和神经,为眼球的成像部位。眼底病变若不及时发现并处理,可导致不可逆视功能损害甚至失明。因此,眼底图像检查是系统性疾病早期筛查和病情监测的一个重要步骤。黄斑为视觉最敏锐的地方,而视盘和视杯是视神经在眼球穿出的部位,识别这3个眼底生理结构是眼底图像阅片的基础,也是通过眼底图像判断病变累及范围的首要步骤。现有技术在对这3个眼底生理结构的识别主要是通过后极部眼底图像识别和定位眼底结构的技术进行识别,但是后极部眼底图像的成像范围仅为中央的45°(仅为全眼底的1/4),无法观察周围眼底,使得最终通过后极部眼底图像对黄斑、视盘和视杯进行识别时存在识别不准确的情况。
技术实现思路
1、本专利技术实施例提供一种超广域眼底图像识别方法、装置、终端设备及存储介质,能以超广域眼底图像替代后极部眼底图像,并以超广域眼底图像作为训练样本训练生成眼底结构识别模型,使眼底结构识别模型能学习到更多的图像特征,使眼底结构识别模型在进行图像识别时能更准确的对超广域眼底图像进行识别,使得到的黄斑位置、视盘区域以及视杯区域更为准确。
2、本专利技术一实施例提供一种超广域眼底图像识别方法,包括:
3、获取待识别超广域眼底图像;
4、将所述待识别超广域眼底图像输入眼底结构识别模型,以使所述眼
5、其中,通过以下方式构建所述眼底结构识别模型:
6、获取若干标注有黄斑位置、以视盘位置为圆心的视盘目标框、以视杯位置为圆心的视杯目标框以及眼底结构名称的超广域眼底样本图像;
7、构建初始神经网络模型;
8、以所述超广域眼底样本图像为输入,以标注有黄斑位置、视盘区域、视杯区域以及眼底结构名称的超广域眼底样本预测图像为输出,对所述初始神经网络模型进行训练,直至所述初始神经网络模型收敛,生成眼底结构识别模型。
9、进一步地,所述初始神经网络模型包括:骨干网络、特征网络以及识别网络;
10、所述对所述初始神经网络模型进行训练,包括:
11、将所述超广域眼底样本图像输入骨干网络;
12、所述骨干网络对超广域眼底样本图像进行处理得到若干第一特征图,并将若干第一特征图输入所述特征网络;
13、所述特征网络对若干第一特征图进行卷积计算得到若干第二特征图,将若干第二特征图输入所述识别网络;
14、所述识别网络根据若干第二特征图确定超广域眼底样本图像中的黄斑位置、视盘区域、视杯区域以及眼底结构名称,并输出标注有黄斑位置、视盘区域、视杯区域以及眼底结构名称的超广域眼底样本预测图像。
15、进一步地,所述骨干网络对超广域眼底样本图像进行处理得到若干第一特征图,并将若干第一特征图输入所述特征网络,包括:
16、骨干网络对超广域眼底样本图像进行处理得到若干第一特征图;
17、从若干第一特征图中选取部分第一特征图,将所选取的第一特征图输入所述特征网络。
18、进一步地,所述识别网络包括:目标框识别网络以及目标分类网络;
19、所述识别网络根据若干第二特征图确定超广域眼底样本图像中的黄斑位置、视盘区域、视杯区域以及眼底结构名称,并输出标注有黄斑位置、视盘区域、视杯区域以及眼底结构名称的超广域眼底样本预测图像,包括:
20、所述目标框识别网络根据若干第二特征图确定超广域眼底图像样本中黄斑位置、视盘区域以及视杯区域;
21、所述目标分类网络根据若干第二特征图对超广域眼底图像样本中黄斑、视盘以及视杯进行分类,确定超广域眼底图像样本中的黄斑、视盘以及视杯;
22、根据黄斑位置、视盘区域、视杯区域以及目标分类网络的分类结果生成超广域眼底样本预测图像。
23、进一步地,还包括:
24、根据所述超广域眼底预测图像中的视盘区域以及视杯区域确定超广域眼底预测图像的杯盘比。
25、进一步地,还包括:
26、根据所述超广域眼底预测图像中的视盘区域以及黄斑位置确定超广域眼底预测图像的黄斑区域。
27、进一步地,所述根据所述超广域眼底预测图像中的视盘区域以及黄斑位置确定超广域眼底预测图像的黄斑区域,包括:
28、根据所述超广域眼底预测图像中的视盘区域确定视盘中心位置;
29、以黄斑位置作为黄斑区域圆心,以黄斑位置和视盘中心位置连线的三分之二为黄斑区域的半径画圆,确定超广域眼底预测图像的黄斑区域。
30、在上述方法项实施例的基础上,本专利技术对应提供了装置项实施例;
31、本专利技术一实施例对应提供了一种超广域眼底图像识别装置,包括:图像获取模块、图像识别模块以及模型构建模块;
32、所述图像获取模块,用于获取待识别超广域眼底图像;
33、所述图像识别模块,用于将所述待识别超广域眼底图像输入眼底结构识别模型,以使所述眼底结构识别模型输出超广域眼底预测图像;其中,所述超广域眼底预测图像中标注有黄斑位置、视盘区域、视杯区域以及眼底结构名称;所述眼底结构包括:黄斑、视盘以及视杯;
34、所述模型构建模块,用于获取若干标注有黄斑位置、以视盘位置为圆心的视盘目标框、以视杯位置为圆心的视杯目标框以及眼底结构名称的超广域眼底样本图像;构建初始神经网络模型;以所述超广域眼底样本图像为输入,以标注有黄斑位置、视盘区域、视杯区域以及眼底结构名称的超广域眼底样本预测图像为输出,对所述初始神经网络模型进行训练,直至所述初始神经网络模型收敛,生成眼底结构识别模型。
35、本专利技术另一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述专利技术实施例所述的一种超广域眼底图像识别方法。
36、本专利技术另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行上述专利技术实施例所述的一种超广域眼底图像识别方法。
37、通过实施本专利技术具有如下有益效果:
38、本专利技术提供了一种超广域眼底图像识别方法、装置、终端设备及存储介质,该超广域眼底图像识别方法,通过以标注有黄斑位置、以视盘位置为圆心的视盘目标框、以视杯位置为圆心的视杯目标框以及眼底结构名称的超广域眼底样本图像作为训练样本对初始神经网络模型进行训练后,生成一眼底结构识别模型;继而以训练得到的眼底结构识别模型对待识别超广域眼底图像中的黄斑位置、视盘区域、视杯区域以及眼底结构名称进行识别,生成标注本文档来自技高网...
【技术保护点】
1.一种超广域眼底图像识别方法,其特征在于,包括:
2.如权利要求1所述的一种超广域眼底图像识别方法,其特征在于,所述初始神经网络模型包括:骨干网络、特征网络以及识别网络;
3.如权利要求2所述的一种超广域眼底图像识别方法,其特征在于,所述骨干网络对超广域眼底样本图像进行处理得到若干第一特征图,并将若干第一特征图输入所述特征网络,包括:
4.如权利要求2所述的一种超广域眼底图像识别方法,其特征在于,所述识别网络包括:目标框识别网络以及目标分类网络;
5.如权利要求1所述的一种超广域眼底图像识别方法,其特征在于,还包括:
6.如权利要求1所述的一种超广域眼底图像识别方法,其特征在于,还包括:
7.如权利要求6所述的一种超广域眼底图像识别方法,其特征在于,所述根据所述超广域眼底预测图像中的视盘区域以及黄斑位置确定超广域眼底预测图像的黄斑区域,包括:
8.一种超广域眼底图像识别装置,其特征在于,包括:图像获取模块、图像识别模块以及模型构建模块;
9.一种终端设备,其特征在于,包括处理器、存储
10.一种计算机可读存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的一种超广域眼底图像识别方法。
...【技术特征摘要】
1.一种超广域眼底图像识别方法,其特征在于,包括:
2.如权利要求1所述的一种超广域眼底图像识别方法,其特征在于,所述初始神经网络模型包括:骨干网络、特征网络以及识别网络;
3.如权利要求2所述的一种超广域眼底图像识别方法,其特征在于,所述骨干网络对超广域眼底样本图像进行处理得到若干第一特征图,并将若干第一特征图输入所述特征网络,包括:
4.如权利要求2所述的一种超广域眼底图像识别方法,其特征在于,所述识别网络包括:目标框识别网络以及目标分类网络;
5.如权利要求1所述的一种超广域眼底图像识别方法,其特征在于,还包括:
6.如权利要求1所述的一种超广域眼底图像识别方法,其特征在于,还包括:
7.如权利...
【专利技术属性】
技术研发人员:林浩添,林桢哲,林铎儒,崔婷欣,
申请(专利权)人:中山大学中山眼科中心,
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。