CN109977905A - 用于处理眼底图像的方法和装置 - Google Patents
用于处理眼底图像的方法和装置 Download PDFInfo
- Publication number
- CN109977905A CN109977905A CN201910269661.7A CN201910269661A CN109977905A CN 109977905 A CN109977905 A CN 109977905A CN 201910269661 A CN201910269661 A CN 201910269661A CN 109977905 A CN109977905 A CN 109977905A
- Authority
- CN
- China
- Prior art keywords
- image
- eye fundus
- region
- predefined type
- image block
- 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.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
- G06V40/197—Matching; Classification
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
- A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
- A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
本公开的实施例公开了用于处理眼底图像的方法和装置。该方法的一具体实施方式包括:获取目标眼底图像;将该目标眼底图像划分为至少两个第一图像块;将该第一图像块输入至预先训练的深度学习模型,得到第一输出值;基于该第一输出值和阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块。该实施方式实现了提高处理器对目标眼底图像的处理速度,降低处理器的运算量。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于处理眼底图像的方法和装置。
背景技术
随着科技的发展,计算机图像处理技术逐渐应用到越来越多的领域。而对于眼底图像的处理,目前期待有通用的图像处理方法。
眼底即眼球内后部的组织。眼底即眼球的内膜,其上包括有视网膜、视乳头、黄斑和视网膜中央动静脉。
发明内容
本公开的实施例提出了用于处理眼底图像的方法和装置。
第一方面,本公开的实施例提供了一种用于处理眼底图像的方法,该方法包括:获取目标眼底图像;将目标眼底图像划分为至少两个第一图像块;将第一图像块输入至预先训练的深度学习模型,得到第一输出值,其中,深度学习模型用于表征图像块与输出值之间的对应关系;基于第一输出值和阈值,确定第一图像块是否为含有预定类型图像区域的眼底图像块,其中,阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像,基于含有预定类型图像区域的眼底图像和深度学习模型,确定阈值。
在一些实施例中,该方法还包括:响应于确定第一图像块为含有预定类型图像区域的眼底图像块,对第一图像块添加标签,以及输出带有标签的第一图像块。
在一些实施例中,该基于第一输出值和阈值,确定第一图像块是否为含有预定类型图像区域的眼底图像块,包括:确定第一输出值是否大于阈值;响应于确定大于,将第一图像块确定为含有预定类型图像区域的眼底图像块;响应于确定小于或者等于,将第一图像块确定为不含有预定类型图像区域的眼底图像块。
在一些实施例中,该阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像;将含有预定类型图像区域的眼底图像输入至深度学习模型,得到第二输出值;从第二输出值中确定阈值。
在一些实施例中,该阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像;将含有预定类型图像区域的眼底图像划分为至少两个第二图像块;将至少两个第二图像块分别输入至深度学习模型,得到至少两个第三输出值;从至少两个第三输出值中选取最大值作为阈值。
在一些实施例中,该深度学习模型是通过如下步骤训练得到的:获取第一训练样本集合,其中,第一训练样本包括不含有预定类型图像区域的眼底图像和与不含有预定类型图像区域的眼底图像匹配的预设值;将第一训练样本集合中的第一训练样本的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,训练得到深度学习模型。
在一些实施例中,该深度学习模型是通过如下步骤训练得到的:获取第二训练样本集合,其中,第二训练样本包括至少两个不含有预定类型图像区域的第三图像块和与第三图像块匹配的预设值,其中,至少两个不含有预定类型图像区域的第三图像块是通过划分不含有预定类型图像区域的眼底图像得到的;将训练样本集合中的第二训练样本的第三图像块作为输入,将与第三图像块匹配的预设值作为期望输出,训练得到深度学习模型。
第二方面,本公开的实施例提供了一种用于处理眼底图像的装置,包括:目标眼底图像获取单元,被配置成获取目标眼底图像;第一图像块划分单元,被配置成将目标眼底图像划分为至少两个第一图像块;第一输出值获取单元,被配置成将第一图像块输入至预先训练的深度学习模型,得到第一输出值,其中,深度学习模型用于表征图像块与输出值之间的对应关系;第一处理单元,被配置成基于第一输出值和阈值,确定第一图像块是否为含有预定类型图像区域的眼底图像块,其中,阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像,基于含有预定类型图像区域的眼底图像和深度学习模型,确定阈值。
在一些实施例中,该装置还包括:输出单元,被配置成响应于确定第一图像块为含有预定类型图像区域的眼底图像块,对第一图像块添加标签,以及输出带有标签的第一图像块。
在一些实施例中,该第一处理单元包括:比对模块,被配置成确定第一输出值是否大于阈值;第一确定模块,被配置成响应于确定大于,将第一图像块确定为含有预定类型图像区域的眼底图像块;第二确定模块,被配置成响应于确定小于,将第一图像块确定为不含有预定类型图像区域的眼底图像块。
在一些实施例中,该阈值是通过以下单元确定的:第一获取单元,被配置成获取含有预定类型图像区域的眼底图像;第二输出值获取单元,被配置成将含有预定类型图像区域的眼底图像输入至深度学习模型,得到第二输出值;第一阈值确定单元,被配置成从第二输出值中确定阈值。
在一些实施例中,该阈值是通过以下单元确定的:第二获取单元,被配置成获取含有预定类型图像区域的眼底图像;第二图像块划分单元,被配置成将含有预定类型图像区域的眼底图像划分为至少两个第二图像块;第三输出值获取单元,被配置成将至少两个第二图像块分别输入至深度学习模型,得到至少两个第三输出值;第二阈值确定单元,被配置成从至少两个第三输出值中选取最大值作为阈值。
在一些实施例中,该深度学习模型是通过以下单元训练得到的:第一训练样本集合获取单元,被配置成获取第一训练样本集合,其中,第一训练样本包括不含有预定类型图像区域的眼底图像和与不含有预定类型图像区域的眼底图像匹配的预设值;第一训练单元,被配置成将第一训练样本集合中的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,训练得到深度学习模型。
在一些实施例中,该深度学习模型是通过以下单元训练得到的:第二训练样本集合获取单元,被配置成获取第二训练样本集合,其中,第二训练样本包括至少两个不含有预定类型图像区域的第三图像块和与第三图像块匹配的预设值,其中,至少两个不含有预定类型图像区域的第三图像块是通过划分不含有预定类型图像区域的眼底图像得到的;第二训练单元,被配置成将训练样本集合中的第三图像块作为输入,将与第三图像块匹配的预设值作为期望输出,训练得到深度学习模型。
第三方面,本公开的实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于处理眼底图像的方法和装置,通过获取眼底图像,然后将该目标眼底图像划分为至少两个第一图像块。之后,将该第一图像块输入至预先训练的深度学习模型,得到第一输出值。其中,该深度学习模型用于表征图像块与输出值之间的对应关系。然后,基于该第一输出值和阈值,确定第一图像块是否为含有预定类型图像区域的眼底图像块。其中,该阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像,然后基于该含有预定类型图像区域的眼底图像和该深度学习模型,确定该阈值。在本实施例中,由于深度学习模型是预先训练的,然后将目标图像划分为第一图像块之后,再将第一图像块输入至预先训练的深度学习模型,得到第一输出值。然后再基于第一输出值和阈值来确定第一图像块是否含有预定类型图像区域的眼底图像块。从而可以提高处理器对目标眼底图像的处理速度,降低处理器的运算量。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于处理眼底图像的方法的一个实施例的流程图;
图3是根据本公开的实施例的用于处理眼底图像的方法的一个应用场景的示意图;
图4是根据本公开的用于处理眼底图像的方法的又一个实施例的流程图;
图5是根据本公开的用于处理眼底图像的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于处理眼底图像的方法或用于处理眼底图像的装置的示例性架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、图像处理类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、文本编辑类应用、阅读类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有显示屏并且支持与服务器通信的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio LayerIV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上输出的眼底图像进行分析处理的后台服务器。后台服务器可以对目标眼底图像进行图像处理,并生成处理结果。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的用于处理眼底图像的方法一般由服务器105执行,相应地,用于处理眼底图像的装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本公开的用于处理眼底图像的方法的一个实施例的流程200。该用于处理眼底图像的方法,应用于服务器,包括以下步骤:
步骤201,获取目标眼底图像。
在本实施例中,该目标眼底图像通常是需要进行处理的眼底图像。作为示例,该目标眼底图像可以来自第三方设备,或者可以来自尸体解剖的图像拍摄。
在本实施例中,用于处理眼底图像的方法的执行主体(如图1所示的服务器105)可以获取目标眼底图像。具体的,上述执行主体可以获取预先储存于本地的目标眼底图像,也可以获取与之通信连接的电子设备(例如图1所示的终端设备)发送的目标眼底图像。
步骤202,将该目标眼底图像划分为至少两个第一图像块。
在本实施例中,上述执行主体可以在获取到目标眼底图像之后,将该目标眼底图像划分为至少两个第一图像块。作为一个示例,上述执行主体可以按照预设的划分规则(例如将一张图像划分为不重叠的64×64个图像块)对目标眼底图像进行划分。作为另一个示例,上述执行主体可以将目标眼底图像随机进行划分。最终获得的第一图像块的数量不小于2即可。
步骤203,将该第一图像块输入至预先训练的深度学习模型,得到第一输出值。
在本实施例中,上述执行主体在将目标眼底图像划分为至少两个第一图像块之后,可以将该第一图像块输入至预先训练的深度学习模型,从而得到第一输出值。即可以将每个第一图像块分别输入至该深度学习模型,得到与每个第一图像块匹配的第一输出值。其中,该深度学习模型可以用于表征图像块与输出值之间的对应关系。需要说明的是,该深度学习模型可以是由上述执行主体预先训练的,也可以是由其他第三方设备预先训练的,本实施例不以此为限制。
在本实施例中,该深度学习模型可以是由上述执行主体预先训练的。该服务器可以通过多种方式训练出可以表征图像块与输出值之间的对应关系的深度学习模型。作为一个示例,服务器可以基于对大量图像块和输出值进行统计而生成存储有多个图像块与输出值之间的对应关系的对应关系表,并将该对应关系表作为深度学习模型。这样,服务器可以将第一图像块与该对应关系表中的多个图像块依次进行比较,若该对应关系表中的一个图像块与该第一图像块相同或者相似,则将该对应关系表中的该图像块对应的输出值作为与该第一图像块对应的第一输出值。
作为另一个示例,在本实施例的一些可选的实现方式中,该深度学习模型是上述执行主体通过如下步骤训练得到的:
第一步,获取第一训练样本集合。
在该可选的实现方式中,第一训练样本包括不含有预定类型图像区域的眼底图像和与该不含有预定类型图像区域的眼底图像匹配的预设值。
在该可选的实现方式中,上述执行主体可以获取第一训练样本集合。例如该执行主体获取多个不含有预定类型图像区域的眼底图像。而与该不含有预定类型图像区域的眼底图像匹配的预设值例如均为“0”。
第二步,将该第一训练样本集合中的第一训练样本的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,训练得到深度学习模型。
在该可选的实现方式中,上述执行主体训练的可以是初始化深度学习模型。该初始化深度学习模型可以是未经训练的深度学习模型或未训练完成的深度学习模型。初始化深度学习模型的各层可以设置有初始参数。这些参数在深度学习模型的训练过程中可以被不断地调整。
具体地,上述执行主体可以首先将该第一训练样本集合中的第一训练样本的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,利用预设的损失函数计算所得到的实际输出值与上述预设值之间的差异。然后,可以基于计算所得的差异,调整初始化深度学习模型的参数,并在满足预设的训练结束条件的情况下,结束训练。例如,这里预设的训练结束条件可以包括但不限于以下至少一项:训练时间超过预设时长、训练次数超过预设次数、计算所得的差异小于预设差异阈值。
这样,上述执行主体可以将目标眼底图像块或者目标眼底图像从深度学习模型的输入侧输入,依次经过深度学习模型中的各层参数的处理,并从深度学习模型的输出侧输出,输出侧输出的信息即为与该目标眼底图像块或者目标眼底图像匹配的输出值。
作为再一个示例,在本实施例的一些可选的实现方式中,该深度学习模型是上述执行主体通过如下步骤训练得到的:
第一步,获取第二训练样本集合。
在该可选的实现方式中,第二训练样本包括至少两个不含有预定类型图像区域的第三图像块和与该第三图像块匹配的预设值。其中,该至少两个不含有预定类型图像区域的第三图像块是通过上述执行主体划分不含有预定类型图像区域的眼底图像得到的。
在该可选的实现方式中,上述执行主体可以获取第二训练样本集合。例如该执行主体获取多个不含有预定类型图像区域的第三图像块。而与该第三图像块匹配的预设值例如均为“0”。
第二步,将该训练样本集合中的第二训练样本的第三图像块作为输入,将与该第三图像块匹配的预设值作为期望输出,训练得到该深度学习模型。
在该可选的实现方式中,上述执行主体可以将不含有预定类型图像区域的眼底图像划分为多个第三图像块。然后,可以将与这些第三图像块匹配的预设值设置为“0”。作为示例,上述执行主体可以将该第三图像块作为输入,将0作为期望输出,利用MSE(mean-square error,均方误差)作为损失函数,训练公式如下:
其中,x表示第三图像块;f(x)表示深度学习模型;0表示期望输出;f表示f(x),可以理解为一个变量;L(f)表示损失函数。
具体的调整初始化深度学习模型的参数的过程同上述实现方式中的描述,在此不再赘述。从而训练得到深度学习模型f(x)。
步骤204,基于该第一输出值和阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块。
在本实施例中,上述执行主体在得到第一输出值之后,可以基于第一输出值和阈值,确定第一图像块是否为含有预定类型图像区域的眼底图像块。在本实施例中,该阈值可以是通过以下步骤确定的:
第一步,获取含有预定类型图像区域的眼底图像。
其中,含有预定类型图像区域的眼底图像(例如,带有病灶图像区域的眼底图像),含有这类区域的眼底图像可以来自第三方设备,也可以来自尸体解剖。
第二步,基于含有预定类型图像区域的眼底图像和上述深度学习模型,确定该阈值。
作为一个示例,在本实施的一些可选的实现方式中,上述执行主体在获取含有预定类型图像区域的眼底图像之后,可以将含有预定类型图像区域的眼底图像输入至上述训练得到的深度学习模型。经过上述描述可知,深度学习模型可以输出一个实际输出值。这里的实际输出值即为第二输出值。由于含有预定类型图像区域的眼底图像的数量通常有多个,因此得到的第二输出值也通常有多个。然后,从这些第二输出值中选择最大值作为该阈值。
作为另一个示例,在本实施例的一些可选的实现方式中,上述执行主体在获取含有预定类型图像区域的眼底图像之后,可以将该含有预定类型图像区域的眼底图像划分为至少两个第二图像块。然后,将该至少两个第二图像块分别输入至该深度学习模型。经过上述描述可知,对于每个第二图像块,将其输入深度学习模型后,该深度学习模型可以输出一个实际输出值。这里的实际输出值即为第三输出值。由于第二图像块的数量通常有多个,因此得到的第三输出值也通常有多个。然后,从这些第三输出值中选择最大值作为该阈值。
在本实施例中,上述执行主体可以基于该第一输出值和该阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块。
作为一个示例,上述执行主体中可以存储有该输出值和该阈值的差值与表征含有预定类型图像区域的眼底图像块的第一指示信息(例如“1”)之间的对应关系列表。该对应关系列表中还可以存储有该输出值和该阈值的差值与表征不含有预定类型图像区域的眼底图像块的第二指示信息(例如“0”)之间的对应关系。这样,服务器在得到第一输出值之后,可以先求得第一输出值与该阈值之间的差值。然后从该对应关系列表中查询与该差值匹配的指示信息。若与该差值匹配的指示信息为第一指示信息(例如“1”表示该第一图像块中带有病灶图像),则表征该第一图像块中含有预定类型图像区域。若与该差值匹配的指示信息为第二指示信息,则表征该第一图像块中不含有预定类型图像区域(例如“0”表示该第一图像块中没有病灶图像)。
作为另一个示例,可选的,上述执行主体在得到第一输出值之后,可以确定该第一输出值是否大于该阈值。响应于该第一输出值大于该阈值,则上述执行主体可以将该第一图像块确定为含有预定类型图像区域的眼底图像块。响应于该第一输出值小于或者等于该阈值,则上述执行主体可以将该第一图像块确定为不含有预定类型图像区域的眼底图像块。
继续参见图3,图3是根据本公开的实施例的用于处理眼底图像的方法的应用场景的一个示意图。在图3的应用场景中,服务器301获取手机302发送的目标眼底图像303。然后,服务器301将该目标眼底图像划分为第一图像块304和第一图像块305。之后,将该第一图像块304输入至预先训练的深度学习模型306。该深度学习模型输出1.5(第一输出值307)。然后,服务器301将数值1.5与1.3(阈值308)进行比较。即服务器301确定该1.5是否大于1.3?服务器确定该1.5小于1.3,因此,服务器301确定该第一图像块为含有白色光斑的眼底图像块,输出信息“1”(第一指示信息309)。对第一图像块305也可以执行上述过程,在此不再赘述。
目前,现有技术之一通常是依赖图像分割算法,对训练数据进行像素级别的标注。这一过程需要大量的时间和精力。并且,图像分割网络的训练复杂,需要消耗大量的计算资源。而本公开的上述实施例提供的方法,通过获取目标眼底图像,将该目标眼底图像划分为至少两个第一图像块。然后将该第一图像块输入至预先训练的深度学习模型,得到第一输出值。由于深度学习模型是预先训练得到的,从而可以提高处理器对目标眼底图像的处理速度,降低处理器的运算量。并且,基于该第一输出值和阈值确定该第一图像块是否为含有预定类型图像区域的眼底图像块,也可以降低处理器的运算量,减少处理眼底图像的时间。
进一步参考图4,其示出了用于处理眼底图像的方法的又一个实施例的流程400。该用于处理眼底图像的方法,应用于服务器,包括以下步骤:
步骤401,获取目标眼底图像。
步骤402,将该目标眼底图像划分为至少两个第一图像块。
步骤403,将该第一图像块输入至预先训练的深度学习模型,得到第一输出值。
步骤404,基于该第一输出值和阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块。
在本实施例中,上述步骤401、步骤402、步骤403、步骤404分别与前述实施例中的步骤201、步骤202、步骤203和步骤204一致,上文针对步骤201、步骤202、步骤203及步骤204的描述也适用于步骤401、步骤402、步骤403及步骤404,此处不再赘述。
步骤405,响应于确定该第一图像块为含有预定类型图像区域的眼底图像块,对该第一图像块添加标签,以及输出带有该标签的第一图像块。
在本实施例中,响应于确定该第一图像块为含有预定类型图像区域的眼底图像块,上述执行主体还可以对第一图像块添加标签。然后输出带有该标签的第一图像块。其中,这里的标签可以用数字表示,还可以用字母表示。例如可以用数字“1”表示该眼底图像块中含有预定类型图像区域。然后,服务器将含有预定类型图像区域的第一图像块上添加该数字“1”,然后输出带有该数字“1”的第一图像块。例如服务器可以将这些带有该数字“1”的第一图像块输出至与该服务器连接的终端设备。这些终端设备显示该图像。这里的终端设备例如可以是需要对这些含有预定类型图像区域的眼底图像块进一步进行处理的设备。这样,服务器只需要传输含有预定类型图像区域的第一图像块至该终端设备,从而减少服务器的数据传输流量,提高服务器的传输速度。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于处理眼底图像的方法的流程400体现了响应于确定该第一图像块为含有预定类型图像区域的眼底图像块,对该第一图像块添加标签,以及输出带有该标签的第一图像块。由此,本实施例描述的方案,服务器只需要输出含有预定类型图像区域的眼底图像,从而降低服务器的数据处理量,提高其对眼底图像的处理速度。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了用于处理眼底图像的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例提供的用于处理眼底图像的装置500包括目标眼底图像获取单元501、第一图像块划分单元502、第一输出值获取单元503和第一处理单元504。其中,目标眼底图像获取单元501,被配置成获取目标眼底图像;第一图像块划分单元502,被配置成将该目标眼底图像划分为至少两个第一图像块;第一输出值获取单元503,被配置成将该第一图像块输入至预先训练的深度学习模型,得到第一输出值,其中,该深度学习模型用于表征图像块与输出值之间的对应关系;第一处理单元504,被配置成基于该第一输出值和阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块,其中,该阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像,基于该含有预定类型图像区域的眼底图像和该深度学习模型,确定该阈值。
在本实施例中,用于处理眼底图像的装置500中:目标眼底图像获取单元501、第一图像块划分单元502、第一输出值获取单元503和第一处理单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述处理眼底图像的装置500还包括输出单元(图中未示出)。该输出单元可以被配置成响应于确定该第一图像块为含有预定类型图像区域的眼底图像块,对该第一图像块添加标签,以及输出带有该标签的第一图像块。
在本实施例的一些可选的实现方式中,上述第一处理单元504可以包括比对模块、第一确定模块、第二确定模块(图中未示出)。其中,上述比对模块可以被配置成确定该第一输出值是否大于所述阈值。上述第一确定模块可以被配置成响应于确定大于,将该第一图像块确定为含有预定类型图像区域的眼底图像块。上述第二确定模块可以被配置成响应于确定小于或者等于,将该第一图像块确定为不含有预定类型图像区域的眼底图像块。
在本实施例的一些可选的实现方式中,上述阈值可以是通过以下单元确定的:第一获取单元、第二输出值获取单元、第一阈值确定单元(图中未示出)。其中,该第一获取单元可以被配置成获取含有预定类型图像区域的眼底图像。该第二输出值获取单元可以被配置成将含有预定类型图像区域的眼底图像输入至该深度学习模型,得到第二输出值。该第一阈值确定单元可以被配置成从该第二输出值中确定该阈值。
在本实施例的一些可选的实现方式中,该阈值可以是通过以下单元确定的:第二获取单元、第二图像块划分单元、第三输出值获取单元、第二阈值确定单元(图中未示出)。其中,该第二获取单元可以被配置成获取含有预定类型图像区域的眼底图像。该第二图像块划分单元可以被配置成将该含有预定类型图像区域的眼底图像划分为至少两个第二图像块。该第三输出值获取单元,以被配置成将该至少两个第二图像块分别输入至深度学习模型,得到至少两个第三输出值。该第二阈值确定单元可以被配置成从至少两个第三输出值中选取最大值作为该阈值。
在本实施例的一些可选的实现方式中,该深度学习模型可以是通过以下单元训练得到的:第一训练样本集合获取单元及第一训练单元(图中未示出)。其中,该第一训练样本集合获取单元可以被配置成获取第一训练样本集合。其中该第一训练样本包括不含有预定类型图像区域的眼底图像和与该不含有预定类型图像区域的眼底图像匹配的预设值。该第一训练单元可以被配置成将该第一训练样本集合中的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,训练得到该深度学习模型。
在本实施例的一些可选的实现方式中,该深度学习模型可以是通过以下单元训练得到的:第二训练样本集合获取单元及第二训练单元(图中未示出)。其中,该第二训练样本集合获取单元可以被配置成获取第二训练样本集合。其中该第二训练样本包括至少两个不含有预定类型图像区域的第三图像块和与该第三图像块匹配的预设值。其中该至少两个不含有预定类型图像区域的第三图像块是通过划分不含有预定类型图像区域的眼底图像得到的。该第二训练单元可以被配置成将该训练样本集合中的第三图像块作为输入,将与该第三图像块匹配的预设值作为期望输出,训练得到该深度学习模型。
本公开的上述实施例提供的装置,通过第一图像块划分单元502对目标眼底图像获取单元501获取的目标眼底图像进行划分。然后,第一输出值获取单元503可以将第一图像块输入至预先训练的深度学习模型,得到第一输出值。之后,第一处理单元可以基于该第一输出值和阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块。从而可以提高处理器对目标眼底图像的处理速度,降低处理器的运算量。
下面参考图6,下面参考图6,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD,LiquidCrystal Display)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(Radio Frequency,射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该服务器执行时,使得该服务器:获取目标眼底图像,将该目标眼底图像划分为至少两个第一图像块,将该第一图像块输入至预先训练的深度学习模型,得到第一输出值,基于该第一输出值和阈值,确定该第一图像块是否为含有预定类型图像区域的眼底图像块。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括目标眼底图像获取单元、第一图像块划分单元、第一输出值获取单元、第一处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,目标眼底图像获取单元还可以被描述为“获取目标眼底图像的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种用于处理眼底图像的方法,包括:
获取目标眼底图像;
将所述目标眼底图像划分为至少两个第一图像块;
将所述第一图像块输入至预先训练的深度学习模型,得到第一输出值,其中,所述深度学习模型用于表征图像块与输出值之间的对应关系;
基于所述第一输出值和阈值,确定所述第一图像块是否为含有预定类型图像区域的眼底图像块,其中,所述阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像,基于所述含有预定类型图像区域的眼底图像和所述深度学习模型,确定所述阈值。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于确定所述第一图像块为含有预定类型图像区域的眼底图像块,对所述第一图像块添加标签,以及输出带有所述标签的第一图像块。
3.根据权利要求1所述的方法,其中,所述基于所述第一输出值和阈值,确定所述第一图像块是否为含有预定类型图像区域的眼底图像块,包括:
确定所述第一输出值是否大于所述阈值;
响应于确定大于,将所述第一图像块确定为含有预定类型图像区域的眼底图像块;
响应于确定小于或者等于,将所述第一图像块确定为不含有预定类型图像区域的眼底图像块。
4.根据权利要求1所述的方法,其中,所述阈值是通过以下步骤确定的:
获取含有预定类型图像区域的眼底图像;
将所述含有预定类型图像区域的眼底图像输入至所述深度学习模型,得到第二输出值;
从所述第二输出值中确定所述阈值。
5.根据权利要求1所述的方法,其中,所述阈值是通过以下步骤确定的:
获取含有预定类型图像区域的眼底图像;
将所述含有预定类型图像区域的眼底图像划分为至少两个第二图像块;
将所述至少两个第二图像块分别输入至所述深度学习模型,得到至少两个第三输出值;
从所述至少两个第三输出值中选取最大值作为所述阈值。
6.根据权利要求1-5任一项所述的方法,其中,所述深度学习模型是通过如下步骤训练得到的:
获取第一训练样本集合,其中,第一训练样本包括不含有预定类型图像区域的眼底图像和与所述不含有预定类型图像区域的眼底图像匹配的预设值;
将所述第一训练样本集合中的第一训练样本的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,训练得到所述深度学习模型。
7.根据权利要求1-5任一项所述的方法,其中,所述深度学习模型是通过如下步骤训练得到的:
获取第二训练样本集合,其中,第二训练样本包括至少两个不含有预定类型图像区域的第三图像块和与所述第三图像块匹配的预设值,其中,所述至少两个不含有预定类型图像区域的第三图像块是通过划分不含有预定类型图像区域的眼底图像得到的;
将所述训练样本集合中的第二训练样本的所述第三图像块作为输入,将与所述第三图像块匹配的预设值作为期望输出,训练得到所述深度学习模型。
8.一种用于处理眼底图像的装置,包括:
目标眼底图像获取单元,被配置成获取目标眼底图像;
第一图像块划分单元,被配置成将所述目标眼底图像划分为至少两个第一图像块;
第一输出值获取单元,被配置成将所述第一图像块输入至预先训练的深度学习模型,得到第一输出值,其中,所述深度学习模型用于表征图像块与输出值之间的对应关系;
第一处理单元,被配置成基于所述第一输出值和阈值,确定所述第一图像块是否为含有预定类型图像区域的眼底图像块,其中,所述阈值是通过以下步骤确定的:获取含有预定类型图像区域的眼底图像,基于所述含有预定类型图像区域的眼底图像和所述深度学习模型,确定所述阈值。
9.根据权利要求8所述的装置,其中,所述装置还包括:
输出单元,被配置成响应于确定所述第一图像块为含有预定类型图像区域的眼底图像块,对所述第一图像块添加标签,以及输出带有所述标签的第一图像块。
10.根据权利要求8所述的装置,其中,所述第一处理单元包括:
比对模块,被配置成确定所述第一输出值是否大于所述阈值;
第一确定模块,被配置成响应于确定大于,将所述第一图像块确定为含有预定类型图像区域的眼底图像块;
第二确定模块,被配置成响应于确定小于或者等于,将所述第一图像块确定为不含有预定类型图像区域的眼底图像块。
11.根据权利要求8所述的装置,其中,所述阈值是通过以下单元确定的:
第一获取单元,被配置成获取含有预定类型图像区域的眼底图像;
第二输出值获取单元,被配置成将所述含有预定类型图像区域的眼底图像输入至所述深度学习模型,得到第二输出值;
第一阈值确定单元,被配置成从所述第二输出值中确定所述阈值。
12.根据权利要求8所述的装置,其中,所述阈值是通过以下单元确定的:
第二获取单元,被配置成获取含有预定类型图像区域的眼底图像;
第二图像块划分单元,被配置成将所述含有预定类型图像区域的眼底图像划分为至少两个第二图像块;
第三输出值获取单元,被配置成将所述至少两个第二图像块分别输入至所述深度学习模型,得到至少两个第三输出值;
第二阈值确定单元,被配置成从所述至少两个第三输出值中选取最大值作为所述阈值。
13.根据权利要求8-12任一项所述的装置,其中,所述深度学习模型是通过以下单元训练得到的:
第一训练样本集合获取单元,被配置成获取第一训练样本集合,其中,第一训练样本包括不含有预定类型图像区域的眼底图像和与所述不含有预定类型图像区域的眼底图像匹配的预设值;
第一训练单元,被配置成将所述第一训练样本集合中的第一训练样本的不含有预定类型图像区域的眼底图像作为输入,将与输入的不含有预定类型图像区域的眼底图像匹配的预设值作为期望输出,训练得到所述深度学习模型。
14.根据权利要求8-12任一项所述的装置,其中,所述深度学习模型是通过以下单元训练得到的:
第二训练样本集合获取单元,被配置成获取第二训练样本集合,其中,第二训练样本包括至少两个不含有预定类型图像区域的第三图像块和与所述第三图像块匹配的预设值,其中,所述至少两个不含有预定类型图像区域的第三图像块是通过划分不含有预定类型图像区域的眼底图像得到的;
第二训练单元,被配置成将所述训练样本集合中的第二训练样本的所述第三图像块作为输入,将与所述第三图像块匹配的预设值作为期望输出,训练得到所述深度学习模型。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269661.7A CN109977905B (zh) | 2019-04-04 | 2019-04-04 | 用于处理眼底图像的方法和装置 |
US16/701,025 US11232560B2 (en) | 2019-04-04 | 2019-12-02 | Method and apparatus for processing fundus image |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269661.7A CN109977905B (zh) | 2019-04-04 | 2019-04-04 | 用于处理眼底图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109977905A true CN109977905A (zh) | 2019-07-05 |
CN109977905B CN109977905B (zh) | 2021-08-06 |
Family
ID=67082924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269661.7A Active CN109977905B (zh) | 2019-04-04 | 2019-04-04 | 用于处理眼底图像的方法和装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11232560B2 (zh) |
CN (1) | CN109977905B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523593A (zh) * | 2020-04-22 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于分析医学影像的方法和装置 |
CN113590275A (zh) * | 2020-04-30 | 2021-11-02 | 伊姆西Ip控股有限责任公司 | 用于处理数据的方法、电子设备和计算机程序产品 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690124B (zh) * | 2022-11-02 | 2023-05-12 | 中国科学院苏州生物医学工程技术研究所 | 高精度单帧眼底荧光造影图像渗漏区域分割方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408564A (zh) * | 2016-10-10 | 2017-02-15 | 北京新皓然软件技术有限责任公司 | 一种基于深度学习的眼底图像处理方法、装置及系统 |
CN107392158A (zh) * | 2017-07-27 | 2017-11-24 | 济南浪潮高新科技投资发展有限公司 | 一种图像识别的方法及装置 |
CN108038843A (zh) * | 2017-11-29 | 2018-05-15 | 英特尔产品(成都)有限公司 | 一种用于缺陷检测的方法、装置和设备 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108272434A (zh) * | 2017-12-07 | 2018-07-13 | 江威 | 对眼底图像进行处理的方法及装置 |
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
CN108647732A (zh) * | 2018-05-14 | 2018-10-12 | 北京邮电大学 | 一种基于深度神经网络的病理图像分类方法及装置 |
CN108921206A (zh) * | 2018-06-15 | 2018-11-30 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN109102889A (zh) * | 2018-06-29 | 2018-12-28 | 平安科技(深圳)有限公司 | 疾病检测方法、检测服务器及计算机可读存储介质 |
CN109166124A (zh) * | 2018-11-20 | 2019-01-08 | 中南大学 | 一种基于连通区域的视网膜血管形态量化方法 |
CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质 |
CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
CN109389116A (zh) * | 2017-08-14 | 2019-02-26 | 高德软件有限公司 | 一种字符检测方法及装置 |
CN109410179A (zh) * | 2018-09-28 | 2019-03-01 | 合肥工业大学 | 一种基于生成对抗网络的图像异常检测方法 |
CN109509183A (zh) * | 2018-10-31 | 2019-03-22 | 上海联影医疗科技有限公司 | 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质 |
CN109549620A (zh) * | 2018-12-21 | 2019-04-02 | 西南民族大学 | 一种嵌入式眼底病变自动识别系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8098907B2 (en) * | 2005-07-01 | 2012-01-17 | Siemens Corporation | Method and system for local adaptive detection of microaneurysms in digital fundus images |
EP4057215A1 (en) * | 2013-10-22 | 2022-09-14 | Eyenuk, Inc. | Systems and methods for automated analysis of retinal images |
CN111095261A (zh) * | 2017-04-27 | 2020-05-01 | 视网膜病答案有限公司 | 眼底图像自动分析系统和方法 |
CN108172291B (zh) * | 2017-05-04 | 2020-01-07 | 深圳硅基智能科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
CN108771530B (zh) * | 2017-05-04 | 2021-03-30 | 深圳硅基智能科技有限公司 | 基于深度神经网络的眼底病变筛查系统 |
-
2019
- 2019-04-04 CN CN201910269661.7A patent/CN109977905B/zh active Active
- 2019-12-02 US US16/701,025 patent/US11232560B2/en active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408564A (zh) * | 2016-10-10 | 2017-02-15 | 北京新皓然软件技术有限责任公司 | 一种基于深度学习的眼底图像处理方法、装置及系统 |
CN109215009A (zh) * | 2017-06-29 | 2019-01-15 | 上海金艺检测技术有限公司 | 基于深度卷积神经网络的连铸坯表面图像缺陷检测方法 |
CN107392158A (zh) * | 2017-07-27 | 2017-11-24 | 济南浪潮高新科技投资发展有限公司 | 一种图像识别的方法及装置 |
CN109389116A (zh) * | 2017-08-14 | 2019-02-26 | 高德软件有限公司 | 一种字符检测方法及装置 |
CN108038843A (zh) * | 2017-11-29 | 2018-05-15 | 英特尔产品(成都)有限公司 | 一种用于缺陷检测的方法、装置和设备 |
CN108272434A (zh) * | 2017-12-07 | 2018-07-13 | 江威 | 对眼底图像进行处理的方法及装置 |
CN108231194A (zh) * | 2018-04-04 | 2018-06-29 | 苏州医云健康管理有限公司 | 一种疾病诊断系统 |
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
CN108647732A (zh) * | 2018-05-14 | 2018-10-12 | 北京邮电大学 | 一种基于深度神经网络的病理图像分类方法及装置 |
CN108921206A (zh) * | 2018-06-15 | 2018-11-30 | 北京金山云网络技术有限公司 | 一种图像分类方法、装置、电子设备及存储介质 |
CN109102889A (zh) * | 2018-06-29 | 2018-12-28 | 平安科技(深圳)有限公司 | 疾病检测方法、检测服务器及计算机可读存储介质 |
CN109410179A (zh) * | 2018-09-28 | 2019-03-01 | 合肥工业大学 | 一种基于生成对抗网络的图像异常检测方法 |
CN109166087A (zh) * | 2018-09-29 | 2019-01-08 | 上海联影医疗科技有限公司 | 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质 |
CN109509183A (zh) * | 2018-10-31 | 2019-03-22 | 上海联影医疗科技有限公司 | 医学图像的筛选方法、装置、医学设备、医学影像系统及存储介质 |
CN109166124A (zh) * | 2018-11-20 | 2019-01-08 | 中南大学 | 一种基于连通区域的视网膜血管形态量化方法 |
CN109549620A (zh) * | 2018-12-21 | 2019-04-02 | 西南民族大学 | 一种嵌入式眼底病变自动识别系统 |
Non-Patent Citations (1)
Title |
---|
SAMET AKCAY等: "GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training", 《ARXIV:1805.06725》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523593A (zh) * | 2020-04-22 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于分析医学影像的方法和装置 |
CN111523593B (zh) * | 2020-04-22 | 2023-07-21 | 北京康夫子健康技术有限公司 | 用于分析医学影像的方法和装置 |
CN113590275A (zh) * | 2020-04-30 | 2021-11-02 | 伊姆西Ip控股有限责任公司 | 用于处理数据的方法、电子设备和计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US20200320686A1 (en) | 2020-10-08 |
US11232560B2 (en) | 2022-01-25 |
CN109977905B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446387A (zh) | 用于更新人脸注册库的方法和装置 | |
CN108898185A (zh) | 用于生成图像识别模型的方法和装置 | |
CN109858445A (zh) | 用于生成模型的方法和装置 | |
CN109993150A (zh) | 用于识别年龄的方法和装置 | |
CN108830235A (zh) | 用于生成信息的方法和装置 | |
CN109977905A (zh) | 用于处理眼底图像的方法和装置 | |
CN109086719A (zh) | 用于输出数据的方法和装置 | |
CN108595628A (zh) | 用于推送信息的方法和装置 | |
CN109829432A (zh) | 用于生成信息的方法和装置 | |
CN109886955A (zh) | 用于处理眼底图像的方法和装置 | |
CN110298319A (zh) | 图像合成方法和装置 | |
CN110009059A (zh) | 用于生成模型的方法和装置 | |
CN109858444A (zh) | 人体关键点检测模型的训练方法和装置 | |
CN109981787A (zh) | 用于展示信息的方法和装置 | |
CN109344752A (zh) | 用于处理嘴部图像的方法和装置 | |
CN110516678A (zh) | 图像处理方法和装置 | |
CN110032978A (zh) | 用于处理视频的方法和装置 | |
CN109377508A (zh) | 图像处理方法和装置 | |
CN108446658A (zh) | 用于识别人脸图像的方法和装置 | |
CN109862100A (zh) | 用于推送信息的方法和装置 | |
CN109117758A (zh) | 用于生成信息的方法和装置 | |
CN109754464A (zh) | 用于生成信息的方法和装置 | |
CN109597912A (zh) | 用于处理图片的方法 | |
CN109949806A (zh) | 信息交互方法和装置 | |
CN109840528A (zh) | 提取图像的特征图的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |