CN110163844A - 眼底病灶检测方法、装置、计算机设备及存储介质 - Google Patents

眼底病灶检测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110163844A
CN110163844A CN201910309071.2A CN201910309071A CN110163844A CN 110163844 A CN110163844 A CN 110163844A CN 201910309071 A CN201910309071 A CN 201910309071A CN 110163844 A CN110163844 A CN 110163844A
Authority
CN
China
Prior art keywords
lesion
fundus image
eye fundus
type
lesion type
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.)
Pending
Application number
CN201910309071.2A
Other languages
English (en)
Inventor
王关政
郭冰雪
王立龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910309071.2A priority Critical patent/CN110163844A/zh
Publication of CN110163844A publication Critical patent/CN110163844A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Ophthalmology & Optometry (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种眼底病灶检测方法、装置、计算机设备及存储介质，应用于图像检测领域，用于解决病灶的识别率低和检测效率低的问题。本发明提供的方法包括：获取待检测人员的眼底图像；将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果；在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小，根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；根据所述病灶类型的急迫性高低生成就诊建议。本发明通过眼底病灶检测方法对眼底图像进行检测，具有检测效率高的优点。

Description

眼底病灶检测方法、装置、计算机设备及存储介质
技术领域
本发明涉及图像检测领域，尤其涉及一种眼底病灶检测方法、装置、计算机设备及存储介质。
背景技术
目前我国人民的眼科疾病的情况十分严峻，且我国的眼科医疗资源还十分匮乏，其中，大部分的眼科医疗资源还集中在大城市中，偏远地区或者农村地区眼科医疗资源只有小部分甚至没有，由于偏远地区或者农村地区医疗等条件较差的原因，患眼科疾病的人可能会相对较多。对于眼底视网膜疾病，一定要做到早诊断早治疗，不然会加重疾病。但目前已有的方法中如基于图像的灰度、梯度等特征以及简单的阈值过滤来进行病灶异常检测，该方法病灶异常的识别率低和检测效率低，而且无法实现批量的自动检测。并且，该方案也无法确定病灶的轻重缓急。因此寻找一种可以提高识别率和检测效率，同时还可以确定病情急迫性的眼底图像自动检测技术方案成为本领域技术人员亟需解决的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种眼底病灶检测方法、装置、计算机设备及存储介质，不仅可以提高病灶的识别率和检测效率，还可以确定病情急迫性，以便于根据病情急迫性制定相应的就诊建议。
一种眼底病灶检测方法，包括：
获取待检测人员的眼底图像；
将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶；
在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小；根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；
根据所述病灶类型的急迫性高低生成就诊建议。
一种眼底病灶检测装置，包括：
眼底图像获取模块，用于获取待检测人员的眼底图像；
输入模块，用于将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶；
获取模块，用于在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小；根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；
生成模块，用于根据所述病灶类型的急迫性高低生成就诊建议。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述眼底病灶检测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述眼底病灶检测方法的步骤。
上述眼底病灶检测方法、装置、计算机设备及存储介质，首先获取待检测人员的眼底图像；其次将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶；然后在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小，根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；最后根据所述病灶类型的急迫性高低生成就诊建议。本发明将眼底图像输入到检测模型进行识别，可以提高对眼底图像的识别率和检测效率；根据获取眼底图像中包含的病灶的病灶类型、病灶数量、病灶位置和病灶大小确定眼底图像中的病灶类型的急迫性，从而可以确定病情急迫性，以便于根据病情急迫性制定相应的就诊建议
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中眼底病灶检测方法的一应用环境示意图；
图2是本发明一实施例中眼底病灶检测方法的一流程图；
图3是本发明一实施例中眼底病灶检测方法步骤S30在一个应用环境下的流程示意图；
图4是本发明一实施例中眼底病灶检测方法步骤S30在另一个应用环境下的流程示意图；
图5是本发明一实施例中眼底病灶检测装置的结构示意图；
图6是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的眼底病灶检测方法，可应用在如图1的应用环境中，其中，计算机设客户端通过网络与服务器进行通信。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种眼底病灶检测方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10、获取待检测人员的眼底图像。
可以理解的是，拍摄眼底图像中的设备可以为OCT(光学相干层析技术，OpticalCoherence tomography)眼底扫描设备，所述眼底图像是包括黄斑区和视盘区的Bscan(水平方向扫描)图像，具体地，服务器可以在OCT眼底扫描设备拍摄待检测人员的眼底图像之后，获取OCT眼底扫描设备发送至服务器的该眼底图像，以供通过预设的检测模型对所述眼底图像进行识别，可理解地，OCT眼底扫描设备拍摄的待检测人员的眼底图像之后，可以直接存储至服务器的数据库中，以供所述预设的检测模型需要使用该眼底图像进行识别时进行调取即可。
S20、将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶。
在具体的实施例中，所述预设的检测模型的输入的识别对象为所述眼底图像，所述预设的检测模型的输出为所述识别结果。
进一步地，在将所述眼底图像输入预设的检测模型进行识别之前，需对所述预设的检测模型进行训练，此时，所述步骤S20还包括如下步骤：
获取眼底图像样本。
其中，所述眼底图像样本可以是预先存储在数据库中的多个(比如两万个)已被标注出病灶的眼底图像。且每一个所述眼底图像样本均对应于一个识别结果。
通过包含初始参数的检测模型对所述眼底图像样本进行识别，并获取识别之后得到的眼底图像的识别结果与所述眼底图像样本对应的眼底图像中的识别结果之间的整体偏差程度。
可以理解的是，所述检测模型(由初始化深度神经网络模型获取到)包括各层之间各个神经元连接的权值和偏置(初始参数包括权值和偏置)，这些权值和偏置决定了所述检测模型的性质及识别效果。所述初始参数可根据需求设置，比如，检测模型中的权值和偏置的初始值可以设置为较小的值，如设置在区间[-0.3，0.3]之间，或者直接采用经验值设置初始的权值和偏置。具有合理的初始参数的检测模型可以使检测模型在初期有较灵活的调整能力，可以在检测模型训练过程中对模型进行有效的调整，使得训练出的检测模型检测效果较好。
判断所述整体偏差度是否大于预设的偏差值。
所述偏差值(停止迭代阈值)可以根据需求或者经验进行设定。
若所述整体偏差度大于所述偏差值，则将所述检测模型的初始参数调整为修正后参数，并通过具有所述修正后参数的所述检测模型对所述眼底图像样本进行识别，并获取本次识别之后得到眼底图像的识别结果与所述眼底图像样本对应的眼底图像的识别结果之间的整体偏差程度，判断该整体偏差度是否大于预设的偏差值，直至所述整体偏差度小于或等于所述偏差值。
将图像特征向量分组输入到深度神经网络模型中，根据前向传播算法获取深度神经网络模型的输出值，图像特征向量的第i组样本在深度神经网络模型的当前层的输出值用公式表示为ai,l＝σ(Wlai,l-1+bl)，其中，a为输出值，i表示输入的图像特征向量的第i组样本，l为深度神经网络模型的当前层，σ为激活函数，W为权值，l-1为深度神经网络模型的当前层的上一层，b为偏置。
具体地，有DNN(初始化深度神经网络模型)模型的总层数为L，DNN模型中连接各个神经元的权值W,偏置b和输入值向量xi，输出层的输出值ai,L(i表示输入的图像特征向量的第i组样本)，则a1＝xi(第一层的输出为在输入层输入的图像特征向量，即输入值向量xi)，根据前向传播算法可知输出ai,l＝σ(Wlai,l-1+bl)，其中，l表示深度神经网络模型的当前层，σ为激活函数，这里具体采用的激活函数可以是sigmoid或者tanh激活函数。根据上述计算ai,l的公式按层数逐层进行前向传播，获取DNN模型中网络最终的输出值ai,L(即深度神经网络模型的输出值)，有了输出值ai,L即可以根据输出值ai,L对DNN模型中的网络参数(连接各个神经元的权值W,偏置b)进行调整，以获取拥有优异检测眼底病灶的检测模型。
基于深度神经网络模型的输出值进行误差反传，更新深度神经网络模型各层的权值和偏置，获取检测模型，其中，更新权值的计算公式为l为所述检测模型的当前层，W为权值，Wl为当前层的权值，Wl'为更新后的当前层的权值，α为迭代步长，m为输入的样本总数，δi,l为当前层的灵敏度；δi,l＝(Wl+1)Tδi,l+1*σ'(zi,l)，zi,l＝Wlai,l-1+bl，ai,l-1为上一层的输出，T表示矩阵转置运算，σ'为激活函数的导函数，*表示两个矩阵对应元素相乘的运算(Hadamard积)，更新偏置的计算公式为l为所述检测模型的当前层，bl为当前层的偏置，bl为更新后当前层的偏置，α为迭代步长，m为输入的样本总数，δi,l为当前层的灵敏度。
具体地，更新DNN模型各层的权值W和偏置b采用的是后向传播算法，根据后向传播算法求误差函数的极小值，以优化更新DNN模型各层的权值W和偏置b，获取检测模型。具体地，设置模型训练的迭代步长为α，最大迭代次数MAX与停止迭代阈值∈。在后向传播算法中，灵敏度δi,l是每次更新参数都会出现的公共因子，因此可以借助灵敏度δi,l计算误差，以更新DNN模型中的网络参数。已知a1＝xi(第一层的输出为在输入层输入的图像特征向量，即输入值向量xi)，则先求出输出层的灵敏度δi,L，δi,L＝(ai,L-yi)*σ'(zL)，zi,l＝Wlai,l-1+bl，其中i表示输入的图像特征向量的第i组样本，y为标签值(即用来与输出值ai,L相比较的值)。再根据δi,L求出深度神经网络模型的第l层的灵敏度δi,l，根据后向传播算法可以计算得出深度神经网络模型的第l层的灵敏度δi,l＝(Wl+1)Tδi,l+1*σ'(zi,l)，得到深度神经网络模型的第l层的灵敏度δi,l后，即可更新DNN模型各层的权值W和偏置b，更新后的权值为更新后的偏置为其中，α为模型训练的迭代步长，m为输入的图像特征向量的样本总数，T表示矩阵转置运算。当所有W和b的变化值都小于停止迭代阈值∈时，即可停止训练。通过图像特征向量在DNN模型中的输出值和预先设置好的标签值之间产生的误差，实现DNN模型各层的权值W和偏置b的更新，使得最终获取的检测模型能够根据图像特征向量进行图像病灶检测。
若所述整体偏差度小于所述偏差值，提示所述检测模型训练完成。
在该步骤中，所述检测模型训练完成。确定出来的所述检测模型经过了大量的样本训练，且其整体偏差度保持在一个较小的范围(小于或等于偏差值)内，使用该检测模型对所述眼底图像中是否包含病灶进行评估检测，即可得到眼底图像中是包含病灶和眼底图像中是不包含病灶的识别结果。
S30、在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小；根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性。
可以理解的是，所述病灶的所述病灶类型、病灶位置、病灶数量和病灶大小的信息可以从所述眼底图像中进行提取；所述急迫性反映的是所述待检测人员对应的所述眼底图像中的病灶类型的严重性，其中，急迫性越高，所述待检测人员对应的所述眼底图像中的病灶类型就越严重。此时，可以通过对所述病灶类型、病灶位置、病灶数量和病灶大小来判断所述眼底图像中的病灶类型的急迫性。
在另外一实施例中，在所述识别结果为眼底图像中不包含病灶时，无需进一步确定所述病灶对应的病情急迫性。此时，告知所述待检测人员未患有眼底病灶的结果，并建议定期检查。
进一步地，如图3所示，所述获取所述眼底图像中包含的所述病灶的病灶类型，包括：
S301、将所述眼底图像与预设眼底图像库中的病灶眼底图像进行匹配，所述病灶眼底图像为已确定出病灶类型的眼底图像。
在具体的实施例中，所述预设眼底图像库中的病灶眼底图像都是通过专业的识别判断并且定义了对应的病灶类型的眼底图像。此时，所述眼底图像与所述病灶眼底图像进行匹配，若匹配成功，则说明所述眼底图像中的病灶类型可以在预设眼底图像库中找到对应的类病灶型，若匹配不成功，则可以说明前面步骤获取到的所述识别结果有问题或者所述眼底图像中的病灶类型未收录到预设眼底图像库中。
S302、若匹配成功，则确定所述眼底图像中的病灶类型为对应的所述病灶眼底图像中的病灶类型。
可以理解的是，若匹配成功，则说明所述眼底图像可以在预设眼底图像库中找到对应的眼底图像，也可以说明所述眼底图像中的病灶类型可以在预设眼底图像库中找到对应的类病灶型。此时，可以确定所述眼底图像中的病灶类型为对应的所述病灶眼底图像中的病灶类型。可理解地，在一个眼底图像中，可能同时会存在多个病灶类型，所述预设眼底图像库中的每一种病灶类型均不会重复，也即，每一种病灶类型在预设眼底图像库中均会被匹配成功一次(有两种以上同种病灶类型的病灶在预设眼底图像库中可以匹配成功多次)，若眼底图像与预设眼底图像库中的病灶眼底图像仅匹配成功一次，此时，所述眼底图像中的病灶类型的总数量会等于1；若眼底图像与预设眼底图像库中的病灶眼底图像匹配成功多次，则说明该眼底图像中存在多种病灶类型，此时，所述眼底图像中的病灶类型的总数量会大于1。
S303、若匹配不成功，则将关联之后的所述眼底图像以及与所述眼底图像对应的病灶类型录入所述预设眼底图像库或者提示预设的复核人对所述识别结果进行复核。
可以理解的是，若匹配不成功，则说明所述眼底图像中的病灶类型不可以在预设眼底图像库中找到对应的类病灶型，也可以说明前面步骤获取到的所述识别结果有问题，或者所述眼底图像中的病灶类型未收录到预设眼底图像库中。此时，可以提示预设的复核人(所述复核人可以根据需求设定为专业医师)对所述识别结果进行复核，或者将所述眼底图像和所述眼底图像对应的病灶类型录入所述预设眼底图像库(由于所述眼底图像和所述眼底图像对应的病灶类型尚未被录入所述预设眼底图像库，此时，服务器匹配不到所述眼底图像中的病灶类型，可以将所述眼底图像发送给所述复核人确定所述眼底图像中的病灶类型，当所述眼底图像中的病灶类型已被确定时，则所述服务器将所述眼底图像中与其关联的病灶类型加入到所述眼底图像库并关联存储)。
进一步地，如图4所示，所述基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小，包括：
S304、从所述眼底图像获取所述眼底图像中的病灶数量，所述病灶数量是指所述眼底图像中所有病灶类型的总数量。
可以理解的是，在一个眼底图像中，可能同时会存在多个病灶类型，所述预设眼底图像库中的每一种病灶类型均不会重复，也即，每一种病灶类型在预设眼底图像库中均会被匹配成功一次(有两种以上同种病灶类型的病灶在预设眼底图像库中可以匹配成功多次)，若眼底图像与预设眼底图像库中的病灶眼底图像仅匹配成功一次，此时，所述眼底图像中的病灶类型的总数量会等于1；若眼底图像与预设眼底图像库中的病灶眼底图像匹配成功多次，则说明该眼底图像中存在多种病灶类型，此时，所述眼底图像中的病灶类型的总数量会大于1。当所述眼底图像与预设眼底图像库中的病灶眼底图像匹配不成功时(这种情况发生概率较低)，服务器获取所述复核人确定的所述眼底图像关联的病灶类型之后，所述服务器可以将所述眼底图像关联的病灶类型计入所述病灶类型的总数量。
S305、从所述眼底图像提取与每一种所述病灶类型对应的所述病灶位置，每一种所述病灶类型对应至少一个所述病灶位置。
可以理解的是，所述病灶位置是可以用坐标来表达，将所述眼底图像当作一个平面，建立起坐标系，且平面上的任何一个位置都可以用坐标来表达，因此，当所述眼底图像中的每一种所述病灶类型位于所述眼底图像中的某一个位置，可以用提取坐标的形式获知所述病灶的位置，在一实施例中，也可以将与每一种所述病灶类型对应的所述病灶位置的数量记录为病点数量。可理解地，由于在一个眼底图像中，可能同时会存在多个病灶类型，同时，在同一个眼底图像中，还可能会同时存在同一个病灶类型的多个病灶位置，在本实施例中，需要提取每一个病灶类型对应的所有病灶位置，以便于准确确定所述眼底图像对应的病人的病情急迫性。
S306、从所述眼底图像中提取每一种所述病灶类型对应的所述病灶位置的病灶大小，并将尺寸最大的所述病灶大小记录为所述病灶类型的病灶大小。
可以理解的是，所述眼底图像中的病灶大小可能为不规则形状。此时，计算所述病灶大小之可以采取测量所述病灶的所述位置的最长和最宽之处，从而可以判断所述病灶大小(亦可以以根据其判断病灶的某些特殊的形状特征，比如最长和最宽之处的比例的形状特征)。可理解地，在计算出每一种所述病灶类型对应的病灶大小之后，将每一种所述病灶类型与其所述病灶位置和所述病灶大小关联存储在数据库中。
在另外的实施例中，所述病灶大小可以至所述病灶的面积大小，此时，计算所述病灶大小可以采取近似化的方式求出所述病灶面积大小，将不规则形状近似化为规则形状，从而大概计算所述病灶面积大小。
进一步地，在所述识别结果为眼底图像中包含病灶时之后，还需要判断所述眼底图像中的病灶是否为假阳性病灶(假阳性病灶是指将不具备阳性症状的人检测出阳性的结果)，此时，所述步骤S30中，在获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小之后，还可以包括如下步骤：
判断所述眼底图像中与所述病灶类型对应的病灶特征。所述病灶特征为所述病灶类型对应的阳性和假阳性。
若所述病灶特征为阳性，则确定所述识别结果中对于所述病灶类型的判断正确。当所述病灶特征为阳性时，说明所述检测模型的识别结果为正确。
若所述病灶特征为假阳性，则确定所述识别结果中对于所述病灶类型的判断错误，并将所述识别结果修改为所述眼底图像中不包含所述病灶类型。当所述病灶特征为假阳性时，说明所述检测模型的识别结果为错误。
在一实施例中，所述判断所述眼底图像中与所述病灶类型对应的病灶特征，具体为：
判断所述眼底图像中与所述病灶类型对应的病灶大小是否大于或等于预设尺寸阈值。
在此步骤中，所述预设尺寸阈值可以根据所述病灶类型来进行设置大小，比如，黄斑前膜这类病灶，由于其病灶表现不明显，为了避免漏检，所以尺寸阈值设置较低。对于玻璃膜疣这类病灶，由于病灶较明显且严重程度偏低，为了避免误检，所以其尺寸阈值设置较高。
判断所述眼底图像中的与所述病灶类型对应的病灶位置是否在所述眼底图像中与所述病灶类型关联的预设位置。
在此步骤中，所述预设位置是根据每一种病灶类型进行不同的设定，且设定好的每一种病灶类型的预设位置均与该病灶类型关联。所述预设位置可以根据需求设定为对病情影响较大的位置(当病灶出现的位置代表病情特别轻微无需治疗时，可以将其认定为假阳性)，比如，若所述预设位置为所述眼底图像中的中心位置。若确定与所述病灶类型对应的病灶位置在眼底图像中与所述病灶类型关联的预设位置，此时可以确定所述病灶类型为阳性，而若所述病灶类型的病灶位置在眼底图像中除预设位置(中心位置)之外的偏上或者偏下的位置，即代表所述病灶类型的病灶位置不在所述预设位置中，此时，说明该病灶类型很轻微无需治疗，属于假阳性病灶。
判断所述眼底图像中与所述病灶类型对应的病灶形状特征是否为预设病灶形状特征。
在此步骤中，所述预设病灶形状特征也是根据每一种病灶类型进行不同的设定，且设定好的每一种病灶类型的预设病灶形状特征均与该病灶类型关联。，比如圆顶状色素上皮脱离的病灶，表现通常为圆弧形，所以其检测框检测到通常是正方形。如果检测框检测到为长方形(即长宽比过大)，则可以将其认定为假阳性。
若所述眼底图像中与所述病灶类型对应的病灶大小是大于或等于预设尺寸阈值，或若所述眼底图像中的与所述病灶类型对应的病灶位置在眼底图像中与所述病灶类型关联的预设位置，或若所述眼底图像中与所述病灶类型对应的病灶形状特征为所述预设病灶形状特征，则确定所述病灶特征为阳性。
此步骤中，可以理解的是，当上述三种情况发生了其中的一种或者任意两种，或者三种情况全部发生时，则确定所述病灶类型对应的病灶特征为阳性。
否则，则确定所述病灶特征为假阳性。
此步骤中，可以理解的是，所述否则是指若所述眼底图像中与所述病灶类型对应的病灶大小是小于预设尺寸阈值，且若所述眼底图像中的与所述病灶类型对应的病灶位置未在眼底图像中与所述病灶类型关联的预设位置，且若所述眼底图像中与所述病灶类型对应的病灶形状特征不为所述预设病灶形状特征，则可以确定所述病灶类型对应的病灶特征为假阳性。
进一步地，在一实施例中，所述步骤S30中，所述根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性，具体可以包括如下步骤：
若所述眼底图像中的病灶类型为预设的严重病灶清单中的病灶类型，则确定所述眼底图像中的病灶类型的急迫性为高。
在此步骤中，若所述眼底图像中的病灶类型为预设的严重病灶类型，则说明所述待检测人员的病灶类型严重性很高。若所述眼底图像中的病灶类型不为预设的严重病灶类型，则说明所述待检测人员的病灶类型严重性为低。
在一实施例中，所述步骤S30中，所述根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性，具体可以包括如下步骤：
若所述眼底图像中的病灶位置在预设的高急迫性位置，则确定所述眼底图像中的病灶类型的急迫性为高。
在此步骤中，若所述眼底图像中的病灶位置在预设的高急迫性位置(比如眼底图像中的中心位置)，则说明所述待检测人员的病灶类型严重性很高。可理解地，每一种病灶类型对应的高急迫性位置都可能是不一样的，根据各所述病灶类型的不同，已经预先设定与其对应的高急迫性位置。若所述眼底图像中的病灶位置不在预设的高急迫性位置，则说明所述待检测人员的病灶类型严重性为低。
在一实施例中，所述步骤S30中，所述根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性，具体可以包括如下步骤：
若所述眼底图像中的病灶数量超过预设的数量阈值，则确定所述眼底图像中的病灶类型的急迫性为高。
在此步骤中，所述病灶数量指的是病灶类型的总数量。若所述眼底图像中的病灶数量是超过为预设的数量阈值，则说明所述待检测人员的病灶类型严重性很高。此时，可以确定所述眼底图像中的病灶类型的急迫性为高。若所述眼底图像中的病灶数量未超过预设的数量阈值，则说明所述待检测人员的病灶类型严重性为低。
在另一实施例中，也可以通过步骤S305中的病点数量来判断是否超过预设的病点数量阈值，若超过预设的病点数量阈值，也可以确定所述眼底图像中的病灶类型的急迫性为高，否则可以判断出所述眼底图像中包含的病灶的急迫性为低。
在一实施例中，所述步骤S30中，所述根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性，具体可以包括如下步骤：
若所述眼底图像中的病灶大小大于或等于预设的尺寸大小阈值，则确定所述眼底图像中的病灶类型的急迫性为高。
在此步骤中，若所述眼底图像中的病灶大小大于或等于预设的尺寸大小阈值，则说明所述待检测人员的病灶类型严重性很高。若所述眼底图像中的病灶大小小于预设的尺寸大小阈值，则说明所述待检测人员的病灶类型严重性为低。
需要说明的是，急迫性也可以通过医生对确定出所述眼底图像进行人工判断，当医生认为所述眼底图像中的病灶类型很严重时，可以对该识别结果对应的眼底图像进行标注急迫性，起到一个急迫性提示作用。
在一具体的实施例中，也可以结合以上方法确定所述眼底图像中的所述病灶类型的急迫性。比如，仅有当其满足一种或多种条件(比如，所述条件包括：所述眼底图像中的病灶类型为预设的严重病灶清单中的病灶类型、所述眼底图像中的病灶位置在预设的高急迫性位置、所述眼底图像中的病灶数量超过预设的数量阈值、所述眼底图像中的病灶大小大于或等于预设的尺寸大小阈值)时，才认为所述病灶类型的急迫性为高。
作为优选，也可以设定当以上有一种条件被满足时，确定所述眼底图像中的所述病灶类型的急迫性为高，此时可以说明所述待检测人员的病灶类型严重性高；当以上有两种以上的条件被满足时，确定所述眼底图像中的所述病灶类型的急迫性比仅有一种条件被满足时更高，依次类推，还可以以上述满足条件的数量进一步确定其就诊优先级。当以上未有以一种条件确定所述眼底图像种的所述病灶类型的急迫性为高，则可以说明所述待检测人员的病灶类型严重性为低。
S40、根据所述病灶类型的急迫性高低生成就诊建议。
可以理解的是，通过上述步骤S30确定出所述病灶类型的急迫性后，根据所述病灶类型的急迫性高低立即生成就诊建议(比如，检查和修养中应注意什么情况，应到医院门诊就诊等)。
进一步地，所述步骤S40包括如下步骤：
若所述待检测人员的所述病灶类型的急迫性为高，则生成所述病灶类型的立即就诊建议，并将与该病灶类型相关的病情检查信息以及转诊医院信息提示给所述待检测人员。
在此步骤中，若所述待检测人员的病灶的急迫性为高，则说明所述待检人员的病灶很严重。此时，可以生成立即就诊建议给所述待检人员一个提醒，也可以将该病灶类型相关的病情检查信息(眼科检查相关的基础医学科普知识和所述待检测人员对应的眼科疾病表征和治疗知识等病情检查信息)以及转诊医院信息提示给所述待检测人员，对待检人员起到了一个科普教育的作用。
若所述待检测人员的病灶类型的急迫性为低，则生成所述病灶类型的近期就诊的就诊建议，并将与该病灶类型相关的病情检查信息提示给待检测人员。
在此步骤中，若所述待检测人员的病灶的急迫性为低，则说明所述待检人员的病灶不严重。此时，可以生成近期就诊的建议给所述待检人员一个提醒，也可以将该病灶类型相关的病情检查信息(眼科检查相关的基础医学科普知识和所述待检测人员对应的眼科疾病表征和治疗知识等病情检查信息)提示给所述待检测人员，对待检人员起到了一个科普教育的作用。
在一实施例中，所述待检测人员的眼底图像包含两种病灶类型，第一种病灶类型的急迫性为高，就可以生成对应于第一种病灶类型的立即就诊建议，而第二种病灶类型急迫性为低，则生成对应于第二种病灶类型的近期就诊的就诊建议，且根据上述两种就诊建议可以被包含在生成的同一份报告中，该报告会被发送至所述待检测人员以供其参考如何就诊。
综上所述，上述提供了一种眼底病灶检测方法，首先获取待检测人员的眼底图像；其次将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶；然后在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小，根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；最后根据所述病灶类型的急迫性高低生成就诊建议。本发明将眼底图像输入到检测模型进行识别，可以提高对眼底图像的识别率和检测效率；根据获取眼底图像中包含的病灶的病灶类型、病灶数量、病灶位置和病灶大小确定眼底图像中的病灶类型的急迫性，从而可以确定病情急迫性，以便于根据病情急迫性制定相应的就诊建议
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种眼底病灶检测装置，该眼底病灶检测装置与上述实施例中眼底病灶检测方法一一对应。如图5所示，该眼底病灶检测装置包括眼底图像获取模块11、输入模块12、获取模块13和生成模块14。各功能模块详细说明如下：
眼底图像获取模块11，用于获取待检测人员的眼底图像。
输入模块12，用于将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶。
获取模块13，用于在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小；根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性。
生成模块14，用于根据所述病灶类型的急迫性高低生成就诊建议。
进一步地，所述获取模块包括：
匹配子模块，用于将所述眼底图像与预设眼底图像库中的病灶眼底图像进行匹配，所述病灶眼底图像为已确定出病灶类型的眼底图像。
第一确定子模块，用于若匹配成功，则确定所述眼底图像中的病灶类型为对应的所述病灶眼底图像中的病灶类型。
提示子模块，用于若匹配不成功，则将关联之后的所述眼底图像以及与所述眼底图像对应的病灶类型录入所述预设眼底图像库或者提示预设的复核人对所述识别结果进行复核。进一步地，所述获取模块包括：
获取子模块，用于从所述眼底图像获取所述眼底图像中的病灶数量，所述病灶数量是指所述眼底图像中所有病灶类型的总数量。
提取子模块，用于从所述眼底图像提取与每一种所述病灶类型对应的所述病灶位置，每一种所述病灶类型对应至少一个所述病灶位置。
记录子模块，用于从所述眼底图像中提取每一种所述病灶类型对应的所述病灶位置的病灶大小，并将尺寸最大的所述病灶大小记录为所述病灶类型的病灶大小。
进一步地，所述眼底病灶检测装置还包括：
判断模块，用于判断所述眼底图像中与所述病灶类型对应的病灶特征。
第一确定模块，用于若所述病灶特征为阳性，则确定所述识别结果中对于所述病灶类型的判断正确；
第二确定模块，用于若则确定所述病灶特征为假阳性，则确定所述识别结果中对于所述病灶类型的判断错误，并将所述识别结果修改为所述眼底图像中不包含所述病灶类型。
进一步地，所述判断模块包括：
第一判断子模块，用于判断所述眼底图像中与所述病灶类型对应的病灶大小是否大于或等于预设尺寸阈值；
第二判断子模块，用于判断所述眼底图像中的与所述病灶类型对应的病灶位置是否在所述眼底图像中与所述病灶类型关联的预设位置；
第三判断子模块，用于判断所述眼底图像中与所述病灶类型对应的病灶形状特征是否为预设病灶形状特征；
第二确定子模块，用于若所述眼底图像中与所述病灶类型对应的病灶大小是大于或等于预设尺寸阈值，或若所述眼底图像中的与所述病灶类型对应的病灶位置在眼底图像中与所述病灶类型关联的预设位置，或若所述眼底图像中与所述病灶类型对应的病灶形状特征为所述预设病灶形状特征，则确定所述病灶特征为阳性；
第三确定子模块，用于否则，则确定所述病灶特征为假阳性。
进一步地，所述获取模块包括：
第四确定子模块，用于若所述眼底图像中的病灶类型为预设的严重病灶清单中的病灶类型，则确定所述眼底图像中的病灶类型的急迫性为高；
第五确定子模块，用于若所述眼底图像中的病灶位置在预设的高急迫性位置，则确定所述眼底图像中的病灶类型的急迫性为高；
第六确定子模块，用于若所述眼底图像中的病灶数量超过预设的数量阈值，则确定所述眼底图像中的病灶类型的急迫性为高；
第七确定子模块，用于若所述眼底图像中的病灶大小大于或等于预设的尺寸大小阈值，则确定所述眼底图像中的病灶类型的急迫性为高。
关于眼底病灶检测装置的具体限定可以参见上文中对于眼底病灶检测方法的限定，在此不再赘述。上述眼底病灶检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储眼底病灶检测方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种眼底病灶检测方法。
在一实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中眼底病灶检测方法的步骤，例如图2所示的步骤S10至步骤S40。或者，处理器执行计算机程序时实现上述实施例中眼底病灶检测装置的各模块/单元的功能，例如图5所示模块11至模块14的功能。为避免重复，这里不再赘述。
在一实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中眼底病灶检测方法的步骤，例如图2所示的步骤S10至步骤S40。或者，计算机程序被处理器执行时实现上述实施例中眼底病灶检测装置的各模块/单元的功能，例如图5所示模块11至模块14的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种眼底病灶检测方法，其特征在于，包括：
获取待检测人员的眼底图像；
将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶；
在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小；根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；
根据所述病灶类型的急迫性高低生成就诊建议。
2.根据权利要求1所述的眼底病灶检测方法，其特征在于，所述获取所述眼底图像中包含的所述病灶的病灶类型，包括：
将所述眼底图像与预设眼底图像库中的病灶眼底图像进行匹配，所述病灶眼底图像为已确定出病灶类型的眼底图像；
若匹配成功，则确定所述眼底图像中的病灶类型为对应的所述病灶眼底图像中的病灶类型；
若匹配不成功，则将关联之后的所述眼底图像以及与所述眼底图像对应的病灶类型录入所述预设眼底图像库或者提示预设的复核人对所述识别结果进行复核。
3.根据权利要求1所述的眼底病灶检测方法，其特征在于，所述基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小，包括：
从所述眼底图像获取所述眼底图像中的病灶数量，所述病灶数量是指所述眼底图像中所有病灶类型的总数量；
从所述眼底图像提取与每一种所述病灶类型对应的所述病灶位置，每一种所述病灶类型对应至少一个所述病灶位置；
从所述眼底图像中提取每一种所述病灶类型对应的所述病灶位置的病灶大小，并将尺寸最大的所述病灶大小记录为所述病灶类型的病灶大小。
4.根据权利要求1所述的眼底病灶检测方法，其特征在于，所述获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小之后，还包括：
判断所述眼底图像中与所述病灶类型对应的病灶特征；
若所述病灶特征为阳性，则确定所述识别结果中对于所述病灶类型的判断正确；
若所述病灶特征为假阳性，则确定所述识别结果中对于所述病灶类型的判断错误，并将所述识别结果修改为所述眼底图像中不包含所述病灶类型。
5.根据权利要求4所述的眼底病灶检测方法，其特征在于，所述判断所述眼底图像中与所述病灶类型对应的病灶特征，具体为：
判断所述眼底图像中与所述病灶类型对应的病灶大小是否大于或等于预设尺寸阈值；
判断所述眼底图像中的与所述病灶类型对应的病灶位置是否在所述眼底图像中与所述病灶类型关联的预设位置；
判断所述眼底图像中与所述病灶类型对应的病灶形状特征是否为预设病灶形状特征；
若所述眼底图像中与所述病灶类型对应的病灶大小是大于或等于预设尺寸阈值，或若所述眼底图像中的与所述病灶类型对应的病灶位置在眼底图像中与所述病灶类型关联的预设位置，或若所述眼底图像中与所述病灶类型对应的病灶形状特征为所述预设病灶形状特征，则确定所述病灶特征为阳性；
否则，则确定所述病灶特征为假阳性。
6.根据权利要求1所述的眼底病灶检测方法，其特征在于，所述根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性，包括：
若所述眼底图像中的病灶类型为预设的严重病灶清单中的病灶类型，则确定所述眼底图像中的病灶类型的急迫性为高；或
若所述眼底图像中的病灶位置在预设的高急迫性位置，则确定所述眼底图像中的病灶类型的急迫性为高；或
若所述眼底图像中的病灶数量超过预设的数量阈值，则确定所述眼底图像中的病灶类型的急迫性为高；或
若所述眼底图像中的病灶大小大于或等于预设的尺寸大小阈值，则确定所述眼底图像中的病灶类型的急迫性为高。
7.一种眼底病灶检测装置，其特征在于，包括：
眼底图像获取模块，用于获取待检测人员的眼底图像；
输入模块，用于将所述眼底图像输入预设的检测模型进行识别，获取所述检测模型输出的识别结果，所述识别结果包括所述待检测人员的眼底图像中包含病灶或不包含病灶；
获取模块，用于在所述识别结果为眼底图像中包含病灶时，获取所述眼底图像中包含的所述病灶的病灶类型，并基于所述病灶类型获取对应的病灶数量、病灶位置和病灶大小；根据所述病灶类型、病灶位置、病灶数量和病灶大小确定所述眼底图像中的所述病灶类型的急迫性；
生成模块，用于根据所述病灶类型的急迫性高低生成就诊建议。
8.一种眼底病灶检测装置，其特征在于，所述获取模块包括：
匹配子模块，用于将所述眼底图像与预设眼底图像库中的病灶眼底图像进行匹配，所述病灶眼底图像为已确定出病灶类型的眼底图像。
第一确定子模块，用于若匹配成功，则确定所述眼底图像中的病灶类型为对应的所述病灶眼底图像中的病灶类型。
提示子模块，用于若匹配不成功，则将关联之后的所述眼底图像以及与所述眼底图像对应的病灶类型录入所述预设眼底图像库或者提示预设的复核人对所述识别结果进行复核。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述眼底病灶检测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述眼底病灶检测方法。
CN201910309071.2A 2019-04-17 2019-04-17 眼底病灶检测方法、装置、计算机设备及存储介质 Pending CN110163844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910309071.2A CN110163844A (zh) 2019-04-17 2019-04-17 眼底病灶检测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910309071.2A CN110163844A (zh) 2019-04-17 2019-04-17 眼底病灶检测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN110163844A true CN110163844A (zh) 2019-08-23

Family

ID=67638586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910309071.2A Pending CN110163844A (zh) 2019-04-17 2019-04-17 眼底病灶检测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN110163844A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260618A (zh) * 2020-01-13 2020-06-09 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111667468A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 基于神经网络的oct图像病灶检测方法、装置及介质
CN112652394A (zh) * 2021-01-14 2021-04-13 浙江工商大学 基于多病灶目标检测的早产儿视网膜病变诊断系统
CN112927228A (zh) * 2021-04-14 2021-06-08 依未科技(北京)有限公司 图像评估方法和装置、模型训练方法和装置
CN114782337A (zh) * 2022-04-08 2022-07-22 平安国际智慧城市科技股份有限公司 基于人工智能的oct图像推荐方法、装置、设备及介质
CN115049655A (zh) * 2022-08-15 2022-09-13 汕头大学·香港中文大学联合汕头国际眼科中心 一种小鼠模型视网膜病灶分布分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150265144A1 (en) * 2012-11-08 2015-09-24 The Johns Hopkins University System and method for detecting and classifying severity of retinal disease
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
CN107680684A (zh) * 2017-10-12 2018-02-09 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150265144A1 (en) * 2012-11-08 2015-09-24 The Johns Hopkins University System and method for detecting and classifying severity of retinal disease
CN107644419A (zh) * 2017-09-30 2018-01-30 百度在线网络技术（北京）有限公司 用于分析医学影像的方法和装置
CN107680684A (zh) * 2017-10-12 2018-02-09 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
CN108416371A (zh) * 2018-02-11 2018-08-17 艾视医疗科技成都有限公司 一种糖尿病性视网膜病变自动检测方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260618A (zh) * 2020-01-13 2020-06-09 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111260618B (zh) * 2020-01-13 2023-08-25 北京妙医佳健康科技集团有限公司 病灶检测系统构建的方法、装置及电子设备
CN111667468A (zh) * 2020-05-28 2020-09-15 平安科技（深圳）有限公司 基于神经网络的oct图像病灶检测方法、装置及介质
WO2021114817A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 基于神经网络的oct图像病灶检测方法、装置及介质
CN112652394A (zh) * 2021-01-14 2021-04-13 浙江工商大学 基于多病灶目标检测的早产儿视网膜病变诊断系统
CN112927228A (zh) * 2021-04-14 2021-06-08 依未科技(北京)有限公司 图像评估方法和装置、模型训练方法和装置
CN114782337A (zh) * 2022-04-08 2022-07-22 平安国际智慧城市科技股份有限公司 基于人工智能的oct图像推荐方法、装置、设备及介质
CN115049655A (zh) * 2022-08-15 2022-09-13 汕头大学·香港中文大学联合汕头国际眼科中心 一种小鼠模型视网膜病灶分布分析方法
CN115049655B (zh) * 2022-08-15 2022-11-11 汕头大学·香港中文大学联合汕头国际眼科中心 一种小鼠模型视网膜病灶分布分析方法
US11839428B1 (en) 2022-08-15 2023-12-12 Joint Shantou International Eye Center of Shantou University and the Chinese University of Hong Kong Method for analyzing distribution of retinal lesions in mouse model

Similar Documents

Publication Publication Date Title
CN110163844A (zh) 眼底病灶检测方法、装置、计算机设备及存储介质
US11328798B2 (en) Utilizing multiple sub-models via a multi-model medical scan analysis system
CN111340819B (zh) 图像分割方法、装置和存储介质
AU2018347610A1 (en) Deep learning-based diagnosis and referral of ophthalmic diseases and disorders
Wang et al. Central and peripheral vision for scene recognition: A neurocomputational modeling exploration
US11461599B2 (en) Classification of images based on convolution neural networks
CN116563707B (zh) 一种基于图文多模态特征融合的枸杞虫害识别方法
CN110175983A (zh) 眼底病灶筛查方法、装置、计算机设备及存储介质
CN112614133A (zh) 一种无锚点框的三维肺结节检测模型训练方法及装置
Secco et al. Memristor cellular automata for image pattern recognition and clinical applications
KR102436359B1 (ko) 의료 정보를 생성하는 방법
Elloumi Cataract grading method based on deep convolutional neural networks and stacking ensemble learning
Firke et al. Convolutional neural network for diabetic retinopathy detection
US11263494B2 (en) Classification device, classification method, program, and information recording medium
CN110490138A (zh) 一种数据处理方法及装置、存储介质、电子设备
Singh et al. A novel hybrid robust architecture for automatic screening of glaucoma using fundus photos, built on feature selection and machine learning‐nature driven computing
WO2020087971A1 (zh) 基于预测模型预测住院合理性的方法及相关产品
KR20200114837A (ko) 녹내장 진단용 피쳐 생성 방법 및 장치, 그것을 이용한 녹내장 진단 방법 및 장치
CN112101438A (zh) 一种左右眼分类方法、装置、服务器和存储介质
TW202105410A (zh) 視網膜病變評估模型建立方法及系統
CN114864093A (zh) 基于眼底图像进行疾病预测的装置、方法及存储介质
CN111542818A (zh) 一种网络模型数据存取方法、装置及电子设备
KR20210107295A (ko) 녹내장 수술 결과 진단 장치 및 그 판단 방법
Perera et al. UveaTrack: Uveitis Eye Disease Prediction and Detection with Vision Function Calculation and Risk Analysis
KR102591395B1 (ko) 딥러닝 기반의 입천장심장얼굴 증후군(vcfs) 진단 지원 시스템 및 방법

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