CN109697719B - 一种图像质量评估方法、装置及计算机可读存储介质 - Google Patents
一种图像质量评估方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109697719B CN109697719B CN201910164856.5A CN201910164856A CN109697719B CN 109697719 B CN109697719 B CN 109697719B CN 201910164856 A CN201910164856 A CN 201910164856A CN 109697719 B CN109697719 B CN 109697719B
- Authority
- CN
- China
- Prior art keywords
- optic disc
- fundus image
- image
- disc region
- confidence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明实施例提出一种图像质量评估方法、装置及计算机可读存储介质,其中方法包括:获取针对目标对象的眼底图像;将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果。以解决不能满足医疗影像分析场景需求,以及无法保证输出结果的准确性的问题。
Description
技术领域
本发明涉及医疗图像处理技术领域,尤其涉及一种图像质量评估方法、装置及计算机可读存储介质。
背景技术
视网膜眼底图在眼底疾病筛查和诊断中发挥了重要的作用。清晰的眼底图是智能眼底筛查系统获得可靠诊断结果的先决条件。目前,眼底图像质量评估目前普遍采用的方案有:基于通用的图片质量控制模块对图像质量进行评估;和/或,基于提取局部感兴趣区域的统计特征进行质量评估。但是,现有方法的主要问题在于,不能满足医疗影像分析场景需求,以及无法保证输出结果的准确性。
发明内容
本发明实施例提供一种图像质量评估方法、装置及计算机可读存储介质,以解决现有技术中的一个或多个技术问题。
第一方面,本发明实施例提供了一种图像质量评估方法,包括:
获取针对目标对象的眼底图像;
将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;
基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;
基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果。
在一种实施方式中,所述方法还包括:
获取至少一个历史眼底图像;
确定所述至少一个历史眼底图像的每一个历史眼底图像中,包含的历史视盘坐标;
将所述历史眼底图像作为第一预设模型的输入参数,将所述历史视盘坐标作为第一预设模型的标签参数;
基于所述输入参数以及标签参数对第一预设模型进行训练,得到训练后的第一预设模型。
在一种实施方式中,所述基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度,包括:
从所述至少一个视盘区域候选位置信息及其对应的置信度中,选取最大的置信度作为所述视盘区域的目标置信度。
在一种实施方式中,所述基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果,包括:
当所述视盘区域的目标置信度大于预设门限值时,确定针对目标对象的眼底图像的评估结果为满足第一要求;
当所述视盘区域的目标置信度不大于预设门限值时,确定针对目标对象的眼底图像的评估结果为不满足第一要求;
其中,所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求。
在一种实施方式中,所述方法还包括:
当确定针对目标对象的眼底图像的评估结果为不满足第一要求时,对所述眼底图像进行分析,得到所述眼底图像无法满足第一要求的原因信息,输出所述原因信息。
第二方面,本发明实施例提供了一种图像质量评估装置,包括:
图像获取单元,用于获取针对目标对象的眼底图像;
模型处理单元,用于将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中视盘区域所对应的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;
图像评估单元,用于基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果。
在一种实施方式中,所述模型处理单元,用于获取至少一个历史眼底图像;确定所述至少一个历史眼底图像的每一个历史眼底图像中,包含的历史视盘坐标;将所述历史眼底图像作为第一预设模型的输入参数,将所述历史视盘坐标作为第一预设模型的标签参数;基于所述输入参数以及标签参数对第一预设模型进行训练,得到训练后的第一预设模型。
在一种实施方式中,所述图像评估单元,用于从所述至少一个视盘区域候选位置信息及其对应的置信度中,选取最大的置信度作为所述视盘区域的目标置信度。
在一种实施方式中,所述图像评估单元,用于当所述视盘区域的目标置信度大于预设门限值时,确定针对目标对象的眼底图像的评估结果为满足第一要求;
当所述视盘区域的目标置信度不大于预设门限值时,确定针对目标对象的眼底图像的评估结果为不满足第一要求;
其中,所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求。
在一种实施方式中,所述装置还包括:
图像分析单元,还用于当确定针对目标对象的眼底图像的评估结果为不满足第一要求时,对所述眼底图像进行分析,得到所述眼底图像无法满足第一要求的原因信息,输出所述原因信息。
第三方面,本发明实施例提供了一种图像质量评估装置,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述任一项所述的方法。
在一个可能的设计中,所述装置的结构中包括处理器和存储器,所述存储器用于存储支持所述装置执行上述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口,用于与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储图像质量评估装置所用的计算机软件指令,其包括用于执行上述图像质量评估方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果:
通过对眼底图像的视盘区域的置信度进行检测,进而根据视盘区域对应的目标置信度以对眼底图像进行评估;从而能够结合眼部的视盘区域来进行眼底图像的质量评估,避免了现有技术中无法结合特定的医疗场景进行图像分析的问题;并且由于能够配合置信度进行分析处理,从而避免了现有技术中在没有特定区域的情况下进行分析所带来的失误的问题;进而能够保证眼底图像评估的准确性,这就有助于提升后续采用眼底图像进行分析的准确性,从而避免因眼底图像质量不佳造成的误诊和漏诊。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出本发明实施例的一种图像质量评估方法流程示意图一;
图2示出本发明实施例的一种图像质量评估方法流程示意图二;
图3示出本发明实施例的一种视盘区域的候选框及其置信度的表示方式;
图4示出本发明实施例的一种图像质量评估方法流程示意图三;
图5示出造成图像质量评估结果不满足要求的情况示意图;
图6示出本发明实施例的一种图像质量评估方法流程示意图四;
图7示出本发明实施例的一种图像质量评估装置的结构框图一;
图8示出本发明实施例的一种图像质量评估装置的结构框图二。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
在一种实施方式中,图1示出根据本发明实施例的图像质量评估方法的流程图,所述方法包括:
步骤S11:获取针对目标对象的眼底图像;
步骤S12:将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中视盘区域所对应的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;
步骤S13:基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;
步骤S14:基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果。
这里,本实施例提供的方案可以应用于具备图像分析及处理功能的设备,比如,可以为终端设备,当然,也可以应用于网络设备。
当方案应用在终端设备的时候,可以通过终端设备上设置的图像采集单元采集针对目标对象的眼底图像,再通过终端设备的处理单元执行前述步骤S11-步骤S14最终获取针对目标对象的眼底图像的评估结果。
当方案应用在网络设备的时候,可以接收具备采集单元的终端设备发来的其采集到的针对目标对象的眼底图像,然后由网络设备执行步骤S11-步骤S14;进一步地,当本方案应用在网络侧,可以在执行完成步骤S14之后,由网络设备将确定的针对目标对象的眼底图像的评估结果发送至终端设备。
本实施例提供的方案在执行步骤S11之前,会对第一预设模型进行训练,具体的处理可以参见图2,包括以下步骤:
步骤S21:获取至少一个历史眼底图像;
步骤S22:确定所述至少一个历史眼底图像的每一个历史眼底图像中包含的历史视盘坐标;
步骤S23:将所述历史眼底图像作为第一预设模型的输入参数,将所述历史视盘坐标作为第一预设模型的标签参数;
步骤S24:基于所述输入参数以及标签参数对第一预设模型进行训练,得到训练后的第一预设模型。
其中,所述至少一个历史眼底图像可以来自同一个用户也可以来自不同的用户;或者还可以是一个用户的N张历史眼底图像,以及另一个用户的M张历史眼底图像。N和M均为整数。步骤S21获取至少一个历史眼底图像的方式可以为从数据库中获取已经采集到并保存的多张历史眼底图像。
上述确定所述至少一个历史眼底图像的每一个历史眼底图像中,包含的历史视盘坐标中,所述历史视盘坐标可以通过针对视盘的候选框的坐标来体现,比如,如图3所示,在视盘区域设置候选框,其对应的坐标可以采用候选框的左上角的坐标、以及右下角的坐标来表征;当然,还可以采用其他方式,比如,可以采用候选框的四个顶点的坐标,或者,可以采用候选框的中心点坐标,加候选框的高度以及宽度来表征,这里不再穷举。关于其具体标注格式,可采用与公开数据集Pascal VOC一致的形式,以方便调用现有检测框架进行训练。
上述第一预设模型,可以为针对视盘区域的预设模型,其具体的实现可以采用Faster RCNN,FPN等目标检测算法,关于每一种算法的具体处理,本实施例不做赘述。
在另一种实施方式中,图4示出根据本发明实施例的图像质量评估方法的流程图,所述方法包括:
步骤S11:获取针对目标对象的眼底图像;
步骤S12:将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中视盘区域所对应的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;
步骤S13:基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;
步骤S34:判断所述视盘区域的目标置信度是否大于预设门限值,大于则执行步骤S35,否则,执行步骤S36;
步骤S35:当所述视盘区域的目标置信度大于预设门限值时,确定针对目标对象的眼底图像的评估结果为满足第一要求,结束处理流程;
步骤S36:当所述视盘区域的目标置信度不大于预设门限值时,确定针对目标对象的眼底图像的评估结果为不满足第一要求;其中,所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求。
需要说明的是,前述步骤S11中,获取针对目标对象的眼底图像的时候,还可以包括针对眼底图像进行预处理。
其中,所述预处理可以包括有调整眼底图像的显示参数,比如,可以增加对比度,增加的程度可以根据实际及情况进行设置这里不再限定;经过预处理所要得到的眼底图像可以为更加清晰或者对比度更加明显的图像。
进一步地,前述步骤S12中,将眼底图像直接输入至第一预设模型,即前述图2描述的各个步骤中训练得到的第一预设模型。这里需要指出的是,通过第一预设模型输出的可能并不仅有一个视盘区域候选位置信息及其对应的置信度。因为,一个眼底图像中可能存在多个区域与训练的时候的视盘区域存在类似的样式,所以,在输出视盘区域的候选坐标的时候,能够将眼底图像中的多个可能的候选坐标均作为输出。
其中,视盘区域候选位置信息可以采用候选框来表示。多个视盘区域候选位置信息对应的置信度可以理解为每一个视盘区域候选位置信息的正确概率。
比如,如图5所示,候选框坐标一般采用左上角坐标(x1,y1)及右下角坐标(x2,y2)表示,有时也可用中心点坐标(xc,yc)及和候选框的高度h和宽度w表示,下面的描述中可以用统一用向量b表示候选框对应的坐标值;候选框对应的置信度分值用c表示。
以第一预设模型为Faster RCNN为例,其输出的目标向量为一系列视盘候选框坐标和对应的置信度分值,分别用{b1,b2,...,bn}和{c1,c2,...,cn}表示,其中下标n表示检测算法输出的候选框数量,n为大于等于1的整数。
步骤S13中所述基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度,包括:
从所述至少一个视盘区域候选位置信息及其对应的置信度中,选取最大的置信度作为所述视盘区域的目标置信度。
由于每张眼底图中最多存在一个视盘,因此本实施例中设置将置信度最大的一个视盘区域候选位置信息,作为最终选定的视盘区域所对应的位置,并且将最大的置信度作为该视盘区域所对应的目标置信度。其中,最大的置信度分值和其对应的候选框坐标作为的最终输出时,可以分别采用b0和c0表示。
前述步骤S34-步骤S36,可以理解为基于目标置信度,与预设的门限值进行比较,其中,预设门限值可以根据实验获得,该实验获得可以为只要置信度高于这个数值,就能够通过眼底图像中的视盘区域对相应的病情进行检测。也就是说,输出的目标置信度c0与实验设定的阈值进行比较,当大于时,则认为眼底图中视盘部分质量符合第一要求,可进行后续处理;否则,则认为图像视盘区域质量不合格,建议重新拍摄该眼底图。
所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求,也就是说,视盘区域的置信度高于预设门限值时,确定至少视盘区域的图像能够符合后续进行病情分析的要求。
本实施例中的视盘也叫视乳头,视盘区域可以理解为包含有视盘的部分区域,可以为圆形的或者椭圆形的区域,是视网膜上视神经纤维汇集传出眼球的部位,在眼底图中表现为亮黄色椭圆区域。视盘的检测定位与多种眼底疾病相关。比如,在青光眼检测中,视盘区域为重要的观察区域。
与视盘区域关联的其他区域,有时候也会依赖视盘区域的定位结果来定位,所以,视盘区域的图像质量符合第一要求的时候,也能够使得其他区域的图像检测更加准确;比如,在黄斑病变检测中,黄斑区域的定位分割也依赖于视盘的位置。因此,视盘的检测和定位对于智能眼底疾病筛查系统具有重要意义。
再进一步地,当眼底图像符合第一要求之后,即完成上述步骤S35之后,所述方法还可以包括:
当确定所述眼底图像的评估结果为满足第一要求时,将所述眼底图像输入至除第一预设模型之外的至少一种其他预设模型,得到至少一种其他预设模型输出的除视盘区域外的至少一个其他区域的候选位置信息及其对应的置信度;
基于所述至少一个其他区域的候选位置信息及其对应的置信度,确定所述至少一个其他区域的其他目标置信度;
基于所述至少一个其他区域的所述其他目标置信度,确定针对目标对象的眼底图像是否满足除所述第一要求之外的至少一个其他要求。
也就是说,当确定视盘区域符合第一要求的时候,仅可以确定眼底图像能够进行一部分的区域的病情分析,但是,无法保证眼底图像能够进行其他病情分析,因此,在完成上述步骤S35之后,还可以进一步采用除第一预设模型之外的至少一个其他预设模型再次对图像进行分析,以确定眼底图像是否能够满足更多的要求。
比如,还可以包括有针对黄斑区的第二预设模型,那么可以采用第二预设模型得到至少一个黄斑区候选位置信息及对应的置信度;选择置信度最大的黄斑区候选位置信息标定黄斑区,将最大的置信度作为黄斑区的置信度,进而判断该眼底图像中的黄斑区的图像是否符合第二要求,第二要求表征黄斑区的图像符合进行病情分析的要求。当然,前述第二预设模型仅为示例,实际处理中,还可以划分更多的模型,比如,第三预设模型、第四预设模型,具体的处理可以与前述相同,不再赘述。
完成上述步骤S36之后,本实施例提供的方案,还可以包括:
当确定针对目标对象的眼底图像的评估结果为不满足第一要求时,对所述眼底图像进行分析,得到所述眼底图像无法满足第一要求的原因信息,输出所述原因信息。
结合图5,示出当视盘的检测置信度较低时,可认为是以下情况之一发生,相应的,输出的原因信息,可以用于描述以下之一:
眼底图区域不包含视盘或者视盘区域不全;如图5中的(1)图所示,其中,视盘区域不全;
眼底图中视盘区域受遮挡,如边缘漏光覆盖到了视盘区域;如图5中的(2)图所示;
眼底图模糊,导致视盘区域边界不清晰和区域内血管轮廓不清晰;如图5中的(3)图所示;
拍摄图像为非眼底图,如拍摄到的为外眼图,如图5中的(4)图所示;
眼底图像欠曝,亮度过低,影响对视盘区域的观察;如图5中的(5)图所示;
其他情况导致的视盘结构信息缺损,致使检测算法无法正确定位视盘位置;比如,如图5中的(6)图所示,其中视盘结构不完善,有所缺损,因此无法正确定位视盘信息。
其中,对所述眼底图像进行分析,可以为检测眼底图像中是否存在某些区域的相同像素颜色所覆盖的范围大于一定的预设值,比如,如图5中(3)可能就是白色的像素覆盖范围过大,那么如果分析到这种情况,就可以输出原因为眼底图像模糊;再比如,视盘所在的位置处存在黑色像素的数量大于一定的预设值,如果分析到这种情况,可以输出原因为视盘结构信息缺损。当然,对眼底图像进行分析还可以根据像素的亮度值等其他参数来进行判断,这里不再穷举。
需要理解的是,输出原因信息可以为通过语音输出,和/或采用文字输出,这里不再限定。
进一步地,当确定了本次无法得到视盘信息的原因信息之后,使得工作人员更加便利的确定需要对哪些设备进行调整,比如是否需要擦一下镜头,或者调一下光线等,使得下一次进行眼底图像的采集的质量有所提高。
本实施例提出的方案,可以理解为当视盘的检测置信度低于某个阈值时,则认为眼底图中未检测到视盘。在检测算法性能可靠的前提下,视盘检测不到的原因,可归纳为以下两点:第一,眼底图中不包含视盘;第二,眼底图中视盘区域的结构信息不充分,如成像模糊、区域受遮挡等。而上述情况均可认为是眼底图质量不佳的表现,尤其是在后续处理中需要以视盘作为感兴趣区域的情况。
本实施例提供的上述方案可以应用于智能眼底疾病筛查系统。智能眼底病筛查系统输出结果的可靠性受采集图像质量影响。视盘区域与多种眼底疾病的诊断分类相关,是眼底图中最重要的感兴趣区域之一。准确的视盘分割是计算机辅助眼底病诊断的基础环节,传统方法多基于图像分割技术进行区域提取。分割技术从本质上讲是对图像中的每个像素点进行分类,虽然分割精度可以达到像素级别,但是没有考虑到目标级别的约束。考虑到感兴趣区域提取一般只需要获得大致的矩形候选区,无需精细分割结果,本发明采用目标检测算法对眼底图的视盘区域进行检测和定位。结合图6对上述方案再进行具体描述:
将眼底相机拍摄的眼底图原图(或经过预处理后的图)直接输入到训练后的视盘目标检测算法(可采用如Faster RCNN,FPN之类的主流目标检测算法)中进行处理。关于目标检测算法的训练,需要准备一个带视盘候选框标注的数据集。其标注格式可采用与公开数据集Pascal VOC一致的形式,以便调用现有的检测框架代码。
目标检测算法的输出为视盘区域候选框坐标及其对应的置信度分值(如图3所示)。以Faster RCNN为例,其输出的目标向量为一系列视盘候选框坐标和对应的置信度分值,因为每张眼底图中最多存在一个视盘,所以这一步只需要取其中最大的目标置信度分值和其对应的候选框坐标作为的视盘区域最终输出即可。
检测置信度,即检测目标置信度与实验设定的阈值进行比较:大于时,则认为眼底图中视盘部分质量符合要求,可进行后续处理;否则,则认为图像视盘区域质量不合格,建议重新拍摄该眼底图。
以AI眼底筛查一体机为例,操作人员采用眼底相机为待筛查者拍摄眼底图,后台的AI算法自动对该眼底图进行分析,输出青光眼、黄斑病变和糖尿病视网膜病变等眼底疾病的风险指标,如果该眼底图质量不佳(如拍摄图片过于模糊,未捕获到视盘区域,或由于漏光、镜头灰尘等导致视盘部分受到遮挡),则AI算法输出结果的准确性无法保证。
采用本实施例提供的方案,就能够通过对眼底图像的视盘区域的置信度进行检测,进而根据视盘区域对应的目标置信度以对眼底图像进行评估;从而能够结合眼部的视盘区域来进行眼底图像的质量评估,避免了现有技术中无法结合特定的医疗场景进行图像分析的问题;并且由于能够配合置信度进行分析处理,从而避免了现有技术中在没有特定区域的情况下进行分析所带来的失误的问题;进而能够保证眼底图像评估的准确性,这就有助于提升后续采用眼底图像进行分析的准确性,从而避免因眼底图像质量不佳造成的误诊和漏诊。
本发明的再一种实施例提供了一种图像质量评估装置,如图7所示,包括:
图像获取单元61,用于获取针对目标对象的眼底图像;
模型处理单元62,用于将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中视盘区域所对应的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;
图像评估单元63,用于基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果。
所述模型处理单元62,用于获取至少一个历史眼底图像;确定所述至少一个历史眼底图像的每一个历史眼底图像中,包含的历史视盘坐标;将所述历史眼底图像作为第一预设模型的输入参数,将所述历史视盘坐标作为第一预设模型的标签参数;基于所述输入参数以及标签参数对第一预设模型进行训练,得到训练后的第一预设模型。
所述图像评估单元63,用于从所述至少一个视盘区域候选位置信息及其对应的置信度中,选取最大的置信度作为所述视盘区域的目标置信度。
所述图像评估单元63,用于当所述视盘区域的目标置信度大于预设门限值时,确定针对目标对象的眼底图像的评估结果为满足第一要求;
当所述视盘区域的目标置信度不大于预设门限值时,确定针对目标对象的眼底图像的评估结果为不满足第一要求;
其中,所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求。
所述装置还包括:图像分析单元64,还用于当确定针对目标对象的眼底图像的评估结果为不满足第一要求时,对所述眼底图像进行分析,得到所述眼底图像无法满足第一要求的原因信息,输出所述原因信息。
还需要理解的是,上述装置中的各个单元可以设置在终端设备也可以设置在网络设备中。当装置的各个单元设置在网络设备的时候,网络设备中还可以包括有通信单元,通过通信单元可以接收到至少一张眼底图像,也可以通过通信单元将评估结果和/或将原因信息发送至终端设备。
需要说明的是,本发明实施例装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
采用本实施例提供的方案,就能够通过对眼底图像的视盘区域的置信度进行检测,进而根据视盘区域对应的目标置信度以对眼底图像进行评估;从而能够结合眼部的视盘区域来进行眼底图像的质量评估,避免了现有技术中无法结合特定的医疗场景进行图像分析的问题;并且由于能够配合置信度进行分析处理,从而避免了现有技术中在没有特定区域的情况下进行分析所带来的失误的问题;进而能够保证眼底图像评估的准确性,这就有助于提升后续采用眼底图像进行分析的准确性,从而避免因眼底图像质量不佳造成的误诊和漏诊。
图8示出根据本发明实施例的图像质量评估装置的结构框图。如图8所示,包括:存储器910和处理器920,存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的方法。所述存储器910和处理器920的数量可以为一个或多个。
该装置/设备/终端/服务器还包括:
通信接口930,用于与外界设备进行通信,进行数据交互传输。
存储器910可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种图像质量评估方法,其特征在于,所述方法包括:
获取针对目标对象的眼底图像;
将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;所述至少一个视盘区域候选位置信息对应的置信度为所述至少一个视盘区域候选位置信息的正确概率;
基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;
基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果;
根据所述评估结果,将所述眼底图像输入至其他预设模型,得到其他预设模型根据所述视盘区域的至少一个视盘区域候选位置信息输出的其他区域的候选位置信息;所述其他区域为与所述视盘区域关联的眼底图像中的区域;
根据其他区域的候选区域,确定针对目标对象的眼底图像是否满足除第一要求之外的至少一个其他要求。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取至少一个历史眼底图像;
确定所述至少一个历史眼底图像的每一个历史眼底图像中包含的历史视盘坐标;
将所述历史眼底图像作为第一预设模型的输入参数,将所述历史视盘坐标作为第一预设模型的标签参数;
基于所述输入参数以及标签参数对第一预设模型进行训练,得到训练后的第一预设模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度,包括:
从所述至少一个视盘区域候选位置信息及其对应的置信度中,选取最大的置信度作为所述视盘区域的目标置信度。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果,包括:
当所述视盘区域的目标置信度大于预设门限值时,确定针对目标对象的眼底图像的评估结果为满足第一要求;
当所述视盘区域的目标置信度不大于预设门限值时,确定针对目标对象的眼底图像的评估结果为不满足第一要求;
其中,所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
当确定针对目标对象的眼底图像的评估结果为不满足第一要求时,对所述眼底图像进行分析,得到所述眼底图像无法满足第一要求的原因信息,输出所述原因信息。
6.一种图像质量评估装置,其特征在于,包括:
图像获取单元,用于获取针对目标对象的眼底图像;
模型处理单元,用于将所述眼底图像输入至第一预设模型,得到所述第一预设模型输出的所述眼底图像中视盘区域所对应的至少一个视盘区域候选位置信息、以及每一个视盘区域候选位置信息对应的置信度;所述至少一个视盘区域候选位置信息对应的置信度为所述至少一个视盘区域候选位置信息的正确概率;
图像评估单元,用于基于所述至少一个视盘区域候选位置信息及其对应的置信度,确定所述视盘区域的目标置信度;基于所述视盘区域的目标置信度,确定针对目标对象的眼底图像的评估结果;
所述图像质量评估装置还用于:
根据所述评估结果,将所述眼底图像输入至其他预设模型,得到其他预设模型根据所述视盘区域的至少一个视盘区域候选位置信息输出的其他区域的候选位置信息;所述其他区域为与所述视盘区域关联的眼底图像中的区域;
根据其他区域的候选区域,确定针对目标对象的眼底图像是否满足除第一要求之外的至少一个其他要求。
7.根据权利要求6所述的装置,其特征在于,所述模型处理单元,用于获取至少一个历史眼底图像;确定所述至少一个历史眼底图像的每一个历史眼底图像中,包含的历史视盘坐标;将所述历史眼底图像作为第一预设模型的输入参数,将所述历史视盘坐标作为第一预设模型的标签参数;基于所述输入参数以及标签参数对第一预设模型进行训练,得到训练后的第一预设模型。
8.根据权利要求6所述的装置,其特征在于,所述图像评估单元,用于从所述至少一个视盘区域候选位置信息及其对应的置信度中,选取最大的置信度作为所述视盘区域的目标置信度。
9.根据权利要求6-8任一项所述的装置,其特征在于,所述图像评估单元,用于当所述视盘区域的目标置信度大于预设门限值时,确定针对目标对象的眼底图像的评估结果为满足第一要求;
当所述视盘区域的目标置信度不大于预设门限值时,确定针对目标对象的眼底图像的评估结果为不满足第一要求;
其中,所述第一要求表征所述眼底图像中至少视盘区域的图像质量符合对应病情分析的要求。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
图像分析单元,还用于当确定针对目标对象的眼底图像的评估结果为不满足第一要求时,对所述眼底图像进行分析,得到所述眼底图像无法满足第一要求的原因信息,输出所述原因信息。
11.一种图像质量评估装置,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至5中任一项所述的方法。
12.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910164856.5A CN109697719B (zh) | 2019-03-05 | 2019-03-05 | 一种图像质量评估方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910164856.5A CN109697719B (zh) | 2019-03-05 | 2019-03-05 | 一种图像质量评估方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109697719A CN109697719A (zh) | 2019-04-30 |
CN109697719B true CN109697719B (zh) | 2021-12-24 |
Family
ID=66233838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910164856.5A Active CN109697719B (zh) | 2019-03-05 | 2019-03-05 | 一种图像质量评估方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109697719B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428415B (zh) * | 2019-08-05 | 2022-05-13 | 上海联影医疗科技股份有限公司 | 医学图像的质量评估方法、装置、设备及存储介质 |
CN110599456B (zh) * | 2019-08-13 | 2023-05-30 | 杭州智团信息技术有限公司 | 一种医学图像的特定区域的提取方法 |
CN111523602A (zh) * | 2020-04-27 | 2020-08-11 | 珠海上工医信科技有限公司 | 眼底图像预测方法及装置、存储介质及电子装置 |
CN111696083B (zh) * | 2020-05-20 | 2024-05-14 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN113962975B (zh) * | 2021-01-20 | 2022-09-13 | 赛维森(广州)医疗科技服务有限公司 | 基于梯度信息对病理玻片数字图像进行质量评估的系统 |
CN113255685B (zh) * | 2021-07-13 | 2021-10-01 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、计算机设备以及存储介质 |
CN114299037B (zh) * | 2021-12-30 | 2023-09-01 | 广州极飞科技股份有限公司 | 一种对象检测结果的质量评估方法、装置、电子设备及计算机可读存储介质 |
CN115908405B (zh) * | 2023-01-05 | 2023-05-02 | 依未科技(北京)有限公司 | 确定眼底特征的方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212702A (zh) * | 2006-12-29 | 2008-07-02 | 华晶科技股份有限公司 | 影像评分系统与方法 |
CN108229297A (zh) * | 2017-09-30 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、电子设备、计算机存储介质 |
CN108960047A (zh) * | 2018-05-22 | 2018-12-07 | 中国计量大学 | 基于深度二次树的视频监控中人脸去重方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9361667B2 (en) * | 2010-08-27 | 2016-06-07 | Sony Corporation | Image processing apparatus and method |
US9905008B2 (en) * | 2013-10-10 | 2018-02-27 | University Of Rochester | Automated fundus image field detection and quality assessment |
EP3186779A4 (en) * | 2014-08-25 | 2018-04-04 | Agency For Science, Technology And Research (A*star) | Methods and systems for assessing retinal images, and obtaining information from retinal images |
CN105205486B (zh) * | 2015-09-15 | 2018-12-07 | 浙江宇视科技有限公司 | 一种车标识别方法及装置 |
-
2019
- 2019-03-05 CN CN201910164856.5A patent/CN109697719B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101212702A (zh) * | 2006-12-29 | 2008-07-02 | 华晶科技股份有限公司 | 影像评分系统与方法 |
CN108229297A (zh) * | 2017-09-30 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸识别方法和装置、电子设备、计算机存储介质 |
CN108960047A (zh) * | 2018-05-22 | 2018-12-07 | 中国计量大学 | 基于深度二次树的视频监控中人脸去重方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109697719A (zh) | 2019-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
CN109784337B (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
KR102270659B1 (ko) | 안저 이미지 관리 장치 및 안저 이미지의 적합성 판단 방법 | |
CN107451998B (zh) | 一种眼底图像质量控制方法 | |
US10115191B2 (en) | Information processing apparatus, information processing system, information processing method, program, and recording medium | |
Niemeijer et al. | Segmentation of the optic disc, macula and vascular arch in fundus photographs | |
CN102458225B (zh) | 图像处理设备及其控制方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
Medhi et al. | An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images | |
CN109684981B (zh) | 青光眼图像识别方法、设备和筛查系统 | |
US20140314288A1 (en) | Method and apparatus to detect lesions of diabetic retinopathy in fundus images | |
US8285002B2 (en) | Image processing apparatus and method, image sensing apparatus, and program | |
Aquino | Establishing the macular grading grid by means of fovea centre detection using anatomical-based and visual-based features | |
US11779205B2 (en) | Image classification method, device, and program | |
CN109961848B (zh) | 黄斑图像分类方法和设备 | |
TWI719587B (zh) | 眼底圖像定量分析的前置處理方法及存放裝置 | |
CN109697716B (zh) | 青光眼图像识别方法、设备和筛查系统 | |
CN113190117B (zh) | 瞳孔、光斑定位方法、数据计算方法及相关装置 | |
CN116309235A (zh) | 一种针对糖尿病预测的眼底图像的处理方法和系统 | |
JP2008073280A (ja) | 眼底画像処理装置 | |
CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
Kusuma et al. | Retracted: Heart Abnormalities Detection Through Iris Based on Mobile | |
US20220328186A1 (en) | Automatic cervical cancer diagnosis system | |
CN112991289B (zh) | 图像标准切面的处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200401 Address after: Room 220, floor 2, building 4, yard 1, Shangdi East Road, Haidian District, Beijing 100085 Applicant after: Beijing Confucius Health Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer three Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |