眼部OCT图像病灶识别方法、装置及存储介质制造方法及图纸

本发明专利技术属于人工智能技术领域，公开了一种眼部OCT图像病灶识别方法、装置和介质，方法包括：获取眼部的原始OCT图像，对原始OCT图像进行预处理；将预处理后的OCT图像输入经过训练得到的分类模型中，通过分类模型得到置信度向量，其中，分类模型包括输入层、卷积层、池化层、全连接层和输出层，所述输入层用于输入预处理后的OCT图像，卷积层、池化层和全连接层中每一层的输入均来自前面所有层的输出，输出层用于输出一种或多种病灶类型为阳性的置信度向量；根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。本发明专利技术仅用一个分类模型即可自动识别同一张眼部OCT图像中的多种病灶类型，提高降低时间损耗，节约成本。

Focus Recognition Method, Device and Storage Medium for OCT Eye Image

【技术实现步骤摘要】
眼部OCT图像病灶识别方法、装置及存储介质
本专利技术涉及人工智能
，尤其涉及一种眼部OCT图像病灶识别方法、装置及存储介质。
技术介绍
人工智能算法可以基于眼科光学相干断层扫描(OCT，OpticalCoherencetomography)图像自动识别相关眼部疾病，但现有方法大多仅对图像进行正常/异常二分类识别，或对异常图片属于某一类眼科病种(如老年黄斑变性、糖尿病黄斑水肿等)进行病种的多类别分类(multi-classclassification)。一个分类模型仅能识别一张OCT图像中的一种病灶，然而在实际临床中，一张OCT图像中可能包括多种病灶，医生往往需要识别图像中的不同病灶征象。现有技术中，通常使用多个二分类模型对OCT图像中的每一个病灶进行识别，时间损耗和计算资源开销较大。
技术实现思路
本专利技术提供一种眼部OCT图像病灶识别方法、装置及存储介质，以解决现有技术中使用多个二分类模型对一张OCT图像中的每个病灶识别导致时间损耗和计算资源开销较大的问题。为了实现上述目的，本专利技术的一个方面是提供一种眼部OCT图像病灶识别方法，包括：获取眼部的原始OCT图像，包括：获取眼部的原始OCT图像；对原始OCT图像进行预处理，得到与分类模型相匹配的预处理后的OCT图像；将预处理后的OCT图像输入经过训练得到的分类模型中，通过所述分类模型得到置信度向量，其中，所述分类模型包括输入层、卷积层、池化层、全连接层和输出层，所述输入层用于输入预处理后的OCT图像，所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出，所述输出层用于输出置信度向量，所述置信度向量表示一种或多种病灶类型为阳性的概率；根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。优选地，所述分类模型的训练步骤包括：获取OCT图像样本，并对每个样本均标注多种病灶类型，得到与所述样本对应的标签向量；将标注后的样本按比例划分为训练集、验证集和测试集，且每个集合中均包括所标注的所有病灶类型中的每种病灶呈阳性的样本；构建密集连接卷积神经网络；将训练集中的训练样本和对应的标签向量输入所述神经网络中进行训练，生成分类模型；利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量；利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率，若所述准确率大于或等于预设准确率，则训练结束，若所述准确率小于预设准确率，则继续上述训练步骤。优选地，通过所述分类模型得到置信度向量的步骤包括：根据下式得到病灶类型呈阳性的置信度：l＝δ(wx+b)其中，l表示病灶类型呈阳性的置信度，x为最后一层全连接层的输入；w为最后一层全连接层的权重；b为最后一层全连接层的偏置；δ为激活函数；将得到的置信度按照标签向量中各向量元素的位置与病灶类型的对应顺序组成置信度向量。优选地，利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量的步骤包括：对预设的各个病灶类型逐个进行置信度阈值的确定；将确定的置信度阈值按照标签向量中各向量元素的位置与病灶类型的对应顺序组成阈值向量。优选地，对病灶类型进行置信度阈值的确定的步骤包括：将验证集中的验证样本分别输入所述分类模型中；通过所述分类模型得到多个验证样本中所述病灶类型呈阳性的置信度集合；计算所述置信度集合中各个置信度分别作为置信度阈值时，所述病灶类型的约登指数，得到约登指数集合；确定所述约登指数集合中的最大约登指数值对应的置信度，作为所述病灶类型的置信度阈值。优选地，利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率的步骤包括：将所述测试集中的测试样本输入所述分类模型中，通过所述分类模型得到与所述测试样本对应的置信度向量；将所述置信度向量中的向量元素值与所述阈值向量中对应位置的置信度阈值分别比较，得到所述测试集中的测试样本的测试结果，其中，若所述置信度向量中的向量元素值大于或等于对应的置信度阈值，则与所述向量元素值对应的病灶类型呈阳性，若所述置信度向量中的向量元素值小于对应的置信度阈值，则与所述向量元素值对应的病灶类型呈阴性；将所述测试结果与标注结果进行比较，得到所述分类模型的准确率。优选地，根据所述置信度向量得到所述OCT图像的一种或多种病灶类型的步骤包括：根据病灶类型设定与所述病灶类型对应的置信度阈值；将所述置信度向量中的向量元素值与设定的置信度阈值比较，若置信度向量中的向量元素值大于或等于对应的置信度阈值，则与所述向量元素值对应的病灶类型呈阳性，若所述置信度向量中的向量元素值小于对应的置信度阈值，则与所述向量元素值对应的病灶类型呈阴性。优选地，对原始OCT图像进行预处理，包括：通过添加边框将原始OCT图像的尺寸修正为方形图像；将修正后的方形图像按照分类模型设定的输入图像尺寸进行扩大或缩小。为了实现上述目的，本专利技术的另一个方面是提供一种电子装置，该电子装置包括：处理器；存储器，所述存储器中包括眼部OCT图像病灶识别程序，所述眼部OCT图像病灶识别程序被所述处理器执行时实现如上所述的眼部OCT图像病灶识别方法的步骤。为了实现上述目的，本专利技术的再一个方面是提供一种计算机可读存储介质，所述计算机可读存储介质中包括眼部OCT图像病灶识别程序，所述眼部OCT图像病灶识别程序被处理器执行时，实现如上所述的眼部OCT图像病灶识别方法的步骤。相对于现有技术，本专利技术具有以下优点和有益效果：本专利技术通过构建密集连接的卷积神经网络生成分类模型，以识别一张眼部OCT图像中存在的一种或多种病灶类型，从而可以仅用一个分类模型即可识别出一张眼部OCT图像中的多种病灶类型，无需多个分类模型对多种病灶类型进行分别识别，降低时间损耗和计算资源开销，并提高了识别预测效率，节约成本。通过本专利技术自动识别出一张眼部OCT图像中的多种不同病灶类型，可以给临床医生提供更多的诊断信息，从而提高诊断正确率。附图说明图1为本专利技术所述眼部OCT图像病灶识别方法的流程示意图；图2为本专利技术中眼部OCT图像病灶识别程序的模块示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将参考附图来描述本专利技术所述的实施例。本领域的普通技术人员可以认识到，在不偏离本专利技术的精神和范围的情况下，可以用各种不同的方式或其组合对所描述的实施例进行修正。因此，附图和描述在本质上是说明性的，仅仅用以解释本专利技术，而不是用于限制权利要求的保护范围。此外，在本说明书中，附图未按比例画出，并且相同的附图标记表示相同的部分。在一张眼部OCT图像中可能包括一种或多种病灶类型，使用同一个分类模型同时识别多种病灶类型，有利于提高对病灶的预测效率。图1为本专利技术所述眼部OCT图像病灶识别方法的流程示意图，如图1所示，本专利技术所述眼部OCT图像病灶识别方法包括以下步骤：步骤S1、获取眼部的OCT图像；步骤S2、将OCT图像输入经过训练得到的分类模型中，通过所述分类模型得到置信度向量，其中，所述分类模型由密集连接卷积神经网络构成，包括输入层、卷积层、池化层、全连接层和输出层，所述输入层用于输入所述OCT图像，所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出，形成密集连接，所述输出层用于输出置信度向量，所述置信度向量表示一种或多种病本文档来自技高网...

【技术保护点】
1.一种眼部OCT图像病灶识别方法，应用于电子装置，其特征在于，包括：获取眼部的原始OCT图像，对原始OCT图像进行预处理，得到与分类模型相匹配的预处理后的OCT图像；将所述预处理后的OCT图像输入经过训练得到的分类模型中，通过所述分类模型得到置信度向量，其中，所述分类模型包括输入层、卷积层、池化层、全连接层和输出层，所述输入层用于输入预处理后的OCT图像，所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出，所述输出层用于输出置信度向量，所述置信度向量表示一种或多种病灶类型为阳性的概率；根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。

【技术特征摘要】
1.一种眼部OCT图像病灶识别方法，应用于电子装置，其特征在于，包括：获取眼部的原始OCT图像，对原始OCT图像进行预处理，得到与分类模型相匹配的预处理后的OCT图像；将所述预处理后的OCT图像输入经过训练得到的分类模型中，通过所述分类模型得到置信度向量，其中，所述分类模型包括输入层、卷积层、池化层、全连接层和输出层，所述输入层用于输入预处理后的OCT图像，所述卷积层、所述池化层和所述全连接层中每一层的输入均来自前面所有层的输出，所述输出层用于输出置信度向量，所述置信度向量表示一种或多种病灶类型为阳性的概率；根据所述置信度向量得到所述OCT图像的一种或多种病灶类型。2.根据权利要求1所述的眼部OCT图像病灶识别方法，其特征在于，所述分类模型的训练步骤包括：获取OCT图像样本，并对每个样本均标注多种病灶类型，得到与所述样本对应的标签向量；将标注后的样本按比例划分为训练集、验证集和测试集，且每个集合中均包括所标注的所有病灶类型中的每种病灶呈阳性的样本；构建密集连接卷积神经网络；将训练集中的训练样本和对应的标签向量输入所述神经网络中进行训练，生成分类模型；利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量；利用所述测试集中的测试样本和所述阈值向量测试所述分类模型的准确率，若所述准确率大于或等于预设准确率，则训练结束，若所述准确率小于预设准确率，则继续上述训练步骤。3.根据权利要求2所述的眼部OCT图像病灶识别方法，其特征在于，通过所述分类模型得到置信度向量的步骤包括：根据下式得到病灶类型呈阳性的置信度：l＝δ(wx+b)其中，l表示病灶类型呈阳性的置信度，x为最后一层全连接层的输入；w为最后一层全连接层的权重；b为最后一层全连接层的偏置；δ为激活函数；将得到的置信度按照标签向量中各向量元素的位置与病灶类型的对应顺序组成置信度向量。4.根据权利要求2所述的眼部OCT图像病灶识别方法，其特征在于，利用所述验证集中的验证样本通过所述分类模型获取置信度的阈值向量的步骤包括：对预设的各个病灶类型逐个进行置信度阈值的确定；将确定的置信度阈值按照标签向量中各向量元素的位置与病灶类型的对应顺序组成阈值向量。5.根据权利要求4所述的眼部OCT图像病灶识别方法，其特征在于，对病灶类型进行置信度阈值的确定的步骤包括：将验证集中的...

【专利技术属性】
技术研发人员：王玥，郭晏，吕彬，吕传峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44