一种糖网眼底图像数据的多类别病灶分割方法及系统技术方案

本发明专利技术提供了一种糖网眼底图像数据的多类别病灶分割方法与系统，涉及人工智能领域，所述方法应用于多类别病灶分割系统，所述方法包括：下载图像预分割模型；对糖网进行历史图像采集，生成历史图像集合；进行移动端的网络集成，生成精细化图像分割模型；利用图像预分割模型，确定泛化参数，得到泛化后图像分割模型；将测试样本集合输入泛化后图像分割模型，得到病灶语义分割数据；利用病灶识别校正模块，获得多类别病灶分割类型。解决难以对糖网图像进行精细分割，导致难以对病灶进行多类别的精准识别的技术问题，达到智能优化糖网眼底图像数据的类别病灶分割方案，快速定位病灶类别信息，提高病灶图像分割及其多类别病灶识别精准度的技术效果。精准度的技术效果。精准度的技术效果。

【技术实现步骤摘要】
一种糖网眼底图像数据的多类别病灶分割方法及系统


[0001]本专利技术涉及人工智能
，具体涉及一种糖网眼底图像数据的多类别病灶分割方法及系统。

技术介绍

[0002]“糖网”表示糖尿病性视网膜病变，是指糖尿病导致的视网膜微血管损害，是糖尿病最常见的微血管并发症之一，糖尿病患者做眼底筛查时所得糖尿病患者眼底图像相关数据信息即糖网眼底图像数据，早期的规范治疗可显著改善，糖网眼底图像病灶的类别多，可能是微血管的病理性改变，也可能是微血管系统渗漏或阻塞病变，对糖网眼底图像病灶通过观察直接划分无法保证划分结果的可靠性，亟需合理病灶类别分割方案，对病灶类型信息进行精准分割。
[0003]现有技术中存在难以对糖网图像进行精细分割，导致难以对病灶进行多类别的精准识别的技术问题。

技术实现思路

[0004]本申请通过提供了一种糖网眼底图像数据的多类别病灶分割方法及系统，解决了难以对糖网图像进行精细分割，导致难以对病灶进行多类别的精准识别的技术问题，达到了智能优化糖网眼底图像数据的类别病灶分割方案，快速定位病灶类别信息，提高病灶图像分割及其多类别病灶识别精准度的技术效果。
[0005]鉴于上述问题，本申请提供了一种糖网眼底图像数据的多类别病灶分割方法及系统。
[0006]第一方面，本申请提供了一种糖网眼底图像数据的多类别病灶分割方法，其中，所述方法应用于多类别病灶分割系统，所述系统包括网络集成模块、病灶识别校正模块，所述方法包括：从所述多类别病灶分割系统下载图像预分割模型，其中，所述图像预分割模型嵌入有深度学习网络结构；通过对糖网进行历史图像采集，可生成历史图像集合，其中，所述历史图像集合可自定义划分为训练样本集合、测试样本集合；利用所述网络集成模块，对所述图像预分割模型和所述训练样本集合进行移动端的网络集成，用以生成精细化图像分割模型，且所述精细化图像分割模型具备轻量级结构；利用所述图像预分割模型，对训练好的所述精细化图像分割模型进行损失分析，并通过分析结果确定泛化参数，用以对所述精细化图像分割模型进行泛化处理，可得到泛化后图像分割模型；将所述测试样本集合输入至所述泛化后图像分割模型进行训练，用以得到所述测试样本集合的病灶语义分割数据；利用所述病灶识别校正模块，对所述病灶语义分割数据进行病灶的识别校正，用以获得所述测试样本集合的多类别病灶分割类型。
[0007]第二方面，本申请提供了一种糖网眼底图像数据的多类别病灶分割系统，其中，所述系统包括：数据获取单元，所述数据获取单元用于从多类别病灶分割系统下载图像预分割模型，其中，所述图像预分割模型嵌入有深度学习网络结构；数据采集单元，所述数据采
集单元用于通过对糖网进行历史图像采集，可生成历史图像集合，其中，所述历史图像集合可自定义划分为训练样本集合、测试样本集合；数据分析单元，所述数据分析单元用于利用网络集成模块，对所述图像预分割模型和所述训练样本集合进行移动端的网络集成，用以生成精细化图像分割模型，且所述精细化图像分割模型具备轻量级结构；分析处理单元，所述分析处理单元用于利用所述图像预分割模型，对训练好的所述精细化图像分割模型进行损失分析，并通过分析结果确定泛化参数，用以对所述精细化图像分割模型进行泛化处理，可得到泛化后图像分割模型；训练整合单元，所述训练整合单元用于将所述测试样本集合输入至所述泛化后图像分割模型进行训练，用以得到所述测试样本集合的病灶语义分割数据；识别校正单元，所述识别校正单元用于利用病灶识别校正模块，对所述病灶语义分割数据进行病灶的识别校正，用以获得所述测试样本集合的多类别病灶分割类型。
[0008]本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0009]由于采用了从多类别病灶分割系统下载图像预分割模型；通过对糖网进行历史图像采集，可生成历史图像集合；利用网络集成模块，对图像预分割模型和训练样本集合进行移动端的网络集成，生成精细化图像分割模型；利用图像预分割模型，对训练好的精细化图像分割模型进行损失分析，通过分析结果确定泛化参数，对精细化图像分割模型进行泛化处理，得到泛化后图像分割模型；将测试样本集合输入至泛化后图像分割模型进行训练，得到测试样本集合的病灶语义分割数据；利用病灶识别校正模块，对病灶语义分割数据进行病灶的识别校正，获得测试样本集合的多类别病灶分割类型。本申请实施例达到了智能优化糖网眼底图像数据的类别病灶分割方案，快速定位病灶类别信息，提高病灶图像分割及其多类别病灶识别精准度的技术效果。
附图说明
[0010]图1为本申请一种糖网眼底图像数据的多类别病灶分割方法的流程示意图；
[0011]图2为本申请一种糖网眼底图像数据的多类别病灶分割方法的对样本数据进行自定义划分的流程示意图；
[0012]图3为本申请一种糖网眼底图像数据的多类别病灶分割方法的确定多类别病灶分割类型的流程示意图；
[0013]图4为本申请一种糖网眼底图像数据的多类别病灶分割系统的结构示意图。
[0014]附图标记说明：数据获取单元11，数据采集单元12，数据分析单元13，分析处理单元14，训练整合单元15，识别校正单元16。
具体实施方式
[0015]本申请通过提供了一种糖网眼底图像数据的多类别病灶分割方法及系统，解决了难以对糖网图像进行精细分割，导致难以对病灶进行多类别的精准识别的技术问题，达到了智能优化糖网眼底图像数据的类别病灶分割方案，快速定位病灶类别信息，提高病灶图像分割及其多类别病灶识别精准度的技术效果。
[0016]实施例一
[0017]如图1所示，本申请提供了一种糖网眼底图像数据的多类别病灶分割方法，其中，所述方法应用于多类别病灶分割系统，系统包括网络集成模块、病灶识别校正模块，所述方
法包括：
[0018]S100：从所述多类别病灶分割系统下载图像预分割模型，其中，所述图像预分割模型嵌入有深度学习网络结构；
[0019]具体而言，通过所述多类别病灶分割系统的数据存储单元，下载图像预分割模型，所述图像预分割模型嵌入有深度学习网络结构，所述多类别病灶分割系统进行数据预处理后，将预处理的数据信息输入所述图像预分割模型，进行数据分析处理，深度学习网络结构可以结合bp反向传播算法进行结构搭建，所述嵌入不表示具体技术操作，代表算法逻辑的嵌入，通过所述多类别病灶分割系统进行数据信息获取，能有效保证数据信息的可靠性。
[0020]S200：通过对糖网进行历史图像采集，可生成历史图像集合，其中，所述历史图像集合可自定义划分为训练样本集合、测试样本集合；
[0021]进一步而言，如图2所示，本申请实施例步骤S200还包括：
[0022]S210：将所述历史图像集合作为样本数据，通过对所述样本数据进行多特征遍历检索，可确定所述样本数据的覆盖度特征、重复度特征以及可用性特征；
[0023]具体而言，所述样本数据也就是参与数据处理的底层逻辑数据信息，将所述历史图像集合作为样本数据，对所述历史图像集合进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种糖网眼底图像数据的多类别病灶分割方法，其特征在于，所述方法应用于多类别病灶分割系统，所述系统包括网络集成模块、病灶识别校正模块，所述方法包括：从所述多类别病灶分割系统下载图像预分割模型，其中，所述图像预分割模型嵌入有深度学习网络结构；通过对糖网进行历史图像采集，可生成历史图像集合，其中，所述历史图像集合可自定义划分为训练样本集合、测试样本集合；利用所述网络集成模块，对所述图像预分割模型和所述训练样本集合进行移动端的网络集成，用以生成精细化图像分割模型，且所述精细化图像分割模型具备轻量级结构；利用所述图像预分割模型，对训练好的所述精细化图像分割模型进行损失分析，并通过分析结果确定泛化参数，用以对所述精细化图像分割模型进行泛化处理，可得到泛化后图像分割模型；将所述测试样本集合输入至所述泛化后图像分割模型进行训练，用以得到所述测试样本集合的病灶语义分割数据；利用所述病灶识别校正模块，对所述病灶语义分割数据进行病灶的识别校正，用以获得所述测试样本集合的多类别病灶分割类型。2.如权利要求1所述的方法，其特征在于，所述方法包括：将所述历史图像集合作为样本数据，通过对所述样本数据进行多特征遍历检索，可确定所述样本数据的覆盖度特征、重复度特征以及可用性特征；利用权重分配通道，对所述覆盖度特征、重复度特征以及可用性特征进行权重分配，可确定所述覆盖度特征对应的覆盖度权重占比、所述重复度特征对应的重复度权重占比、所述可用性特征对应的可用性权重占比；通过所述覆盖度权重占比、所述重复度权重占比以及所述可用性权重占比，对所述样本数据进行自定义划分。3.如权利要求2所述的方法，其特征在于，所述方法包括：利用所述覆盖度权重占比、所述重复度权重占比以及所述可用性权重占比，对所述样本数据进行权重加和运算，获得权重加和结果；通过样本数据自定义划分逻辑，对所述权重加和结果进行对应匹配，可确定所述权重加和结果对应的目标样本数据划分逻辑。4.如权利要求3所述的方法，其特征在于，所述对训练好的所述精细化图像分割模型进行损失分析，包括：将所述图像预分割模型作为Teacher端，将所述精细化图像分割模型作为Student端；对所述Teacher端进行损失函数分析，用以确定对应的Teacher端损失参数L
t
；对所述Student端进行损失函数分析，用以确定对应的Student端损失参数L
s
；计算所述Teacher端损失参数L
t
和所述Student端损失参数L
s
进行加权计算，用以确定所述精细化图像分割模型的损失函数L。5.如权利要求4所述的方法，其特征在于，所述方法包括：基于公式：L＝αL
t
+βL
s
，确定所述精细化图像分割模型的损失函数L，其中，α、β为损失加权系数，α＝0.9，β＝0.1；

【专利技术属性】
技术研发人员：郑儒楠，李超宏，
申请(专利权)人：苏州微清医疗器械有限公司，
类型：发明
国别省市：