【技术实现步骤摘要】
本专利技术涉及医疗图像分类，尤其涉及一种基于眼底图像的眼部疾病识别方法、分割模型训练方法、分类模型训练方法、装置、电子设备及存储介质。
技术介绍
1、随着科技的进步和电子产品的普及，近视的发病率越来越高。近视度数大于600度的叫做高度近视，高度近视非常容易引发病理性近视，还可能引发网膜脱离等并发症，有可能导致永久性视力损害，甚至失明。
2、相关技术中，通过训练的模型仅能筛查出病理性近视，并不能识别出视网膜脱离等眼部疾病，这是因为，视网膜脱离的眼底图像较难采集，能够获取的数据量较少，从而在模型训练时并不能够充分学习到视网膜脱离数据的特征，所以，对于视网膜脱离数据的分类效果较差。
3、所以，基于眼底图像，如果能够准确的筛查出病理性近视和视网膜脱离等眼部病症，是目前有待解决的技术问题。
技术实现思路
1、本专利技术提供一种基于眼底图像的眼部疾病识别方法、分割模型训练方法、分类模型训练方法、装置、电子设备及计算机可读存储介质，以至少解决相关技术中由于不能准确的筛查出病理性近视和视网膜脱离等眼部病症，导致眼部疾病分类识别效率差的技术问题。本专利技术的技术方案如下：
2、根据本专利技术实施例的第一方面，提供一种基于眼底图像的眼部疾病识别方法，包括：
3、获取待识别的一张或多张眼底图像；
4、利用深度卷积神经网络对获取的每张眼底图像进行特征提取，得到所述每张眼底图像的特征图，并对所述每张眼底图像的特征图分别进行分割处理和分类处理，得到每
5、对所述每张眼底图像的分割结果和分类结果进行融合预测，得到所述每张眼底图像中眼部疾病的识别结果。
6、可选的，在利用深度卷积神经网络对获取的每张眼底图像进行特征提取之前，所述方法还包括：
7、预先训练所述深度卷积神经网络中的所述分割模型，以及基于训练好的所述分割模型的参数，继续训练所述深度卷积神经网络中的所述分类模型；
8、将训练好的所述分类模型的参数作为训练好的深度卷积神经网络的参数。
9、可选的，所述预先训练所述深度卷积神经网络中的分割模型包括：
10、获取第一训练集，所述第一训练集包括：多张样本眼底图像，所述多张样本眼底图像中包括眼部疾病的第一标注图以及未见明显病变的第二标注图，其中，所述眼部疾病的第一标注图至少包括：病理性近视和视网膜脱离的标注数据；所述未见明显病变的第二标注图包括：正常眼底图像和豹纹眼底图像；
11、将所述多张样本眼底图像输入到初始的分割模型，提取输入的每张眼底图像中与眼部疾病相关的病灶特征，以及未见明显病变的正常眼底图像和豹纹眼底图像的特征；
12、将提取的与所述病灶特征和未见明显病变的正常眼底图像和豹纹眼底图像的特征分别与对应的第一标注图和第二标注图进行比较；
13、根据比较结果的差距计算损失值；
14、基于所述损失值，通过反向传播机制更新所述分割模型的参数，经过多次迭代，直至所述分割模型收敛，并将分割模型收敛时的输出图像进行上采样处理，恢复到原样本眼底图像的尺寸，得到训练好的分割模型。
15、可选的，所述基于训练好的所述分割模型的参数，继续训练所述深度卷积神经网络中的所述预分类模型，包括：
16、获取第二训练集，所述第二训练集包括：多张样本眼底图像，所述多张样本眼底图像中包括眼部疾病和非眼部疾病的分类标签，其中，所述分类标签至少包括：未见明显病变、豹纹状眼底、弥漫性脉络膜萎缩、斑片状脉络膜萎缩、黄斑区萎缩和视网膜脱离；
17、将所述多张样本眼底图像输入到初始的分类模型，其中，所述初始的分类模型的参数为训练好的所述分割模型的参数；
18、提取所述多张样本眼底图像中每张眼底图像中与眼部疾病相关和非眼部疾病的分类特征；
19、对提取的所述分类特征通过全连接层进行维度和分类的训练，并将训练结果与所述分类标签进行比较；
20、根据比较结果的差距计算损失值；
21、基于所述损失值，通过反向传播机制更新所述分类模型的参数，经过多次迭代，并将每次迭代结果依次进行两次全连接层进行维度和分类处理，直至所述分类模型收敛，得到训练好的分类模型。
22、可选的，所述对所述每张眼底图像的特征图分别进行分割处理，得到每张眼底图像的分割结果，包括：
23、对所述每张眼底图像的特征图进行上采样后输出分割结果；
24、计算所述分割结果中所述每张眼底图像的病灶区域的像素点之和；
25、在所述病灶区域的像素点之和大于第一预设阈值时，确定对应眼底图像的分割结果为眼底疾病；或者
26、在所述病灶区域的像素点之和不大于第一预设阈值时，确定对应眼底图像的分割结果为非眼底疾病。
27、可选的，所述对所述每张眼底图像的特征图进行分类处理，得到每张眼底图像的分类结果，包括：
28、对所述每张眼底图像的特征图通过全连接层依次进行维度和分类处理，得到对应的分类结果；
29、在所述分类结果为视网膜脱离时，计算所述视网膜脱离的分类置信度，并在所述视网膜脱离的分类置信度大于第二阈值时时，确定所述分类结果为视网膜脱离；或者
30、在所述分类结果为病理性近视时，计算病理性近视的分类置信度，并在所述病理性近视的分类置信度大于第三阈值时，确定所述分类结果为病理性近视；或者
31、在所述分类结果为未见明显病变，计算所述未见明显病变的分类置信度，并在所述未见明显病变的分类置信度大于第四阈值时，确定分类结果为未见明显病变。
32、可选的，所述对所述每张眼底图像的分割结果和分类结果进行融合预测，得到所述每张眼底图像中眼部疾病的识别结果，包括：
33、若所述每张眼底图像的分割结果和分类结果相同，则输出相同的所述结果；或者
34、若所述每张眼底图像的分割结果和分类结果不相同时，则对所述每张眼底图像的分割结果和分类结果进行逻辑判断，得到所述每张眼底图像中眼部疾病的识别结果。
35、可选的，所述对所述每张眼底图像的分割结果和分类结果进行逻辑判断，得到所述每张眼底图像中眼部疾病的识别结果，包括：
36、如果所述分割结果中包括视网膜脱离，则对所述分割结果和分类结果进行或逻辑运算操作，得到包括视网膜脱离的预测结果；或者
37、如果所述分类结果中存在弥漫性脉络膜萎缩、斑片状脉络膜萎缩和黄斑区萎缩中的任何一类，则将所述分类结果和分割结果进行或逻辑运算操作，得到病理性近视的预测结果；
38、如果所述分割结果为未见明显病变，所述分类结果为视网膜脱离时且分类结果的概率大于分类阈值，将所述分割结果和分类结果进行或操作，得到视网膜脱离的预测结果；或者
39、如果所本文档来自技高网...
【技术保护点】
1.一种基于眼底图像的眼部疾病识别方法，其特征在于，包括：
2.根据权利要求1所述的基于眼底图像的眼部疾病识别方法，其特征在于，在利用深度卷积神经网络对获取的每张眼底图像进行特征提取之前，所述方法还包括：
3.根据权利要求2所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述预先训练所述深度卷积神经网络中的分割模型包括：
4.根据权利要求3所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述基于训练好的所述分割模型的参数，继续训练所述深度卷积神经网络中的所述预分类模型，包括：
5.根据权利要求1至4任一项所述的基于眼底图像的眼部疾病识别方法，其特征在于，
6.根据权利要求1至4任一项所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述对所述每张眼底图像的特征图进行分类处理，得到每张眼底图像的分类结果，包括：
7.根据权利要求1至4任一项所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述对所述每张眼底图像的分割结果和分类结果进行融合预测，得到所述每张眼底图像中眼部疾病的识别结果，包括：
8
9.一种分割模型训练方法，其特征在于，所述方法包括：
10.一种分类模型训练方法，其特征在于，所述方法包括：
11.一种基于眼底图像的眼部疾病识别装置，其特征在于，包括：
12.一种分割模型训练装置，其特征在于，所述装置包括：
13.一种分类模型训练装置，其特征在于，所述装置包括：
14.一种电子设备，其特征在于，包括：
15.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至8中任一项所述的基于眼底图像的眼部疾病识别方法或如权利要求9所述分割模型训练方法或如权利要求10所述分类模型训练方法。
...【技术特征摘要】
1.一种基于眼底图像的眼部疾病识别方法，其特征在于，包括：
2.根据权利要求1所述的基于眼底图像的眼部疾病识别方法，其特征在于，在利用深度卷积神经网络对获取的每张眼底图像进行特征提取之前，所述方法还包括：
3.根据权利要求2所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述预先训练所述深度卷积神经网络中的分割模型包括：
4.根据权利要求3所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述基于训练好的所述分割模型的参数，继续训练所述深度卷积神经网络中的所述预分类模型，包括：
5.根据权利要求1至4任一项所述的基于眼底图像的眼部疾病识别方法，其特征在于，
6.根据权利要求1至4任一项所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述对所述每张眼底图像的特征图进行分类处理，得到每张眼底图像的分类结果，包括：
7.根据权利要求1至4任一项所述的基于眼底图像的眼部疾病识别方法，其特征在于，所述对所述每张眼底图像的分割结果和分类结果...
【专利技术属性】
技术研发人员：齐秀梅，赵昕，
申请(专利权)人：北京鹰瞳健康科技有限公司，
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。