CN110739071B - 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 - Google Patents

一种视盘黄斑联合定位模型的确定方法、装置及存储介质 Download PDF

Info

Publication number
CN110739071B
CN110739071B CN201910959317.0A CN201910959317A CN110739071B CN 110739071 B CN110739071 B CN 110739071B CN 201910959317 A CN201910959317 A CN 201910959317A CN 110739071 B CN110739071 B CN 110739071B
Authority
CN
China
Prior art keywords
distance
determining
loss
value
average
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
Application number
CN201910959317.0A
Other languages
English (en)
Other versions
CN110739071A (zh
Inventor
杨焯雅
何希僖
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.)
Beijing Vistel Technology Co ltd
Original Assignee
Beijing Vistel Technology 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 Beijing Vistel Technology Co ltd filed Critical Beijing Vistel Technology Co ltd
Priority to CN201910959317.0A priority Critical patent/CN110739071B/zh
Publication of CN110739071A publication Critical patent/CN110739071A/zh
Application granted granted Critical
Publication of CN110739071B publication Critical patent/CN110739071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本申请披露了一种视盘黄斑联合定位模型的确定方法，其特征在于，包括：将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域；基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失；基于所述联合损失，迭代训练所述机器学习模型。

Description

一种视盘黄斑联合定位模型的确定方法、装置及存储介质
技术领域
本申请涉及图像处理领域，具体涉及一种眼底图像的视盘和黄斑联合定位模型的确定方法、装置、电子设备及存储介质。
背景技术
临床上，视盘和黄斑定位对于眼底疾病的计算机辅助诊断十分重要。许多疾病都会导致眼底影像中视盘、黄斑的形态发生变化。比如，视盘定位是青光眼诊断的先决条件，常常通过杯盘比来判断病情进展。黄斑中心凹是视网膜上视觉最敏感的部分，常常需要定位中心凹以确定病变的严重程度。
现有的视盘黄斑定位技术大多使用非深度学习的方法，利用亮度、血管信息进行定位。
而目前大多利用机器学习模型进行视盘黄斑识别的语义算法的缺点是未考虑到全局空间信息(比如视盘和黄斑中心的相对位置关系等信息)的约束，所以算法分割结果往往比较粗糙。
发明内容
针对现有技术中的数据预测结果轮廓较差的问题，本申请实施例提出了一种视盘黄斑联合定位模型的确定方法、装置、电子设备及计算机可读存储介质，以解决视盘黄斑定位粗糙的问题。
本申请实施例的第一方面提供了一种视盘黄斑联合定位模型的确定方法，包括：将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域；基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失；基于所述联合损失，迭代训练所述机器学习模型。
在一些实施例中，所述一个或多个视盘ROI区域为概率大于阈值K的一个或多个视盘ROI区域，所述一个或多个黄斑ROI区域为概率大于阈值K的一个或多个黄斑ROI区域。
在一些实施例中，所述基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失，包括：基于所述一个或多个视盘ROI区域对应的一个或多个中心，确定所述一个或多个视盘ROI区域的平均中心，基于所述一个或多个黄斑ROI区域对应的一个或多个中心，确定所述一个或多个黄斑ROI区域的平均中心；确定所述两个平均中心的距离值和两个平均中心的连线与水平方向的夹角值；基于所述距离值和所述夹角值，确定空间损失；将空间损失按一定比例加入原有损失中，确定联合损失。
在一些实施例中，所述基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失，包括：基于所述一个或多个视盘ROI区域中任意一个视盘ROI区域对应的中心和所述一个或多个黄斑ROI区域中任意一个黄斑ROI区域对应的中心，确定所述两个中心的距离值和两个中心的连线与水平方向的夹角值；基于所述确定的一个或多个距离值，确定平均距离值，基于所述确定的一个或多个夹角值，确定平均夹角值，所述空间损失包括所述平均距离值和所述平均夹角值；基于所述平均距离值和所述平均夹角值，确定空间损失；将空间损失按一定比例加入原有损失中，确定联合损失。
在一些实施例中，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述距离值和所述夹角值，确定空间损失，包括：当所述距离值小于预设的距离下界时，将所述距离下界与所述距离值的差值作为距离损失；当所述距离值大于预设的距离上界时，将所述距离值与所述距离上界的差值作为距离损失；当所述夹角值大于预设的角度上界时，将所述夹角值与所述角度上界的差值作为角度损失。
在一些实施例中，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述平均距离值和所述平均夹角值，确定空间损失，包括：当所述平均距离值小于预设的距离下界时，将所述距离下界与所述平均距离值的差值作为距离损失；当所述平均距离值大于预设的距离上界时，将所述平均距离值与所述距离上界的差值作为距离损失；当所述平均夹角值大于预设的角度上界时，将所述平均夹角值与所述角度上界的差值作为角度损失。
在一些实施例中，所述机器学习模型为深度神经网络模型。
本申请实施例的第二方面提供了一种视盘黄斑联合定位模型的确定装置，所述装置包括：ROI确定单元，用于将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域；联合损失确定单元，用于基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失；迭代单元，用于基于所述联合损失，迭代训练所述机器学习模型。
在一些实施例中，所述一个或多个视盘ROI区域为概率大于阈值K的一个或多个视盘ROI区域，所述一个或多个黄斑ROI区域为概率大于阈值K的一个或多个黄斑ROI区域。
在一些实施例中，所述联合损失确定单元具体用于：基于所述一个或多个视盘ROI区域对应的一个或多个中心，确定所述一个或多个视盘ROI区域的平均中心，基于所述一个或多个黄斑ROI区域对应的一个或多个中心，确定所述一个或多个黄斑ROI区域的平均中心；确定所述两个平均中心的距离值和两个平均中心的连线与水平方向的夹角值；基于所述距离值和所述夹角值，确定空间损失；将空间损失按一定比例加入原有损失中，确定联合损失。
在一些实施例中，所述联合损失确定单元具体用于：基于所述一个或多个视盘ROI区域中任意一个视盘ROI区域对应的中心和所述一个或多个黄斑ROI区域中任意一个黄斑ROI区域对应的中心，确定所述两个中心的距离值和所述两个中心的连线与水平方向的夹角值；基于所述确定的一个或多个距离值，确定平均距离值，基于所述确定的一个或多个夹角值，确定平均夹角值，所述空间损失包括所述平均距离值和所述平均夹角值；将空间损失按一定比例加入原有损失中，确定联合损失。
在一些实施例中，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述距离值和所述夹角值，确定空间损失，包括：当所述距离值小于预设的距离下界时，将所述距离下界与所述距离值的差值作为距离损失；当所述距离值大于预设的距离上界时，将所述距离值与所述距离上界的差值作为距离损失；当所述夹角值大于预设的角度上界时，将所述夹角值与所述角度上界的差值作为角度损失。
在一些实施例中，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述平均距离值和所述平均夹角值，确定空间损失，包括：当所述平均距离值小于预设的距离下界时，将所述距离下界与所述平均距离值的差值作为距离损失；当所述平均距离值大于预设的距离上界时，将所述平均距离值与所述距离上界的差值作为距离损失；当所述平均夹角值大于预设的角度上界时，将所述平均夹角值与所述角度上界的差值作为角度损失。
在一些实施例中，所述机器学习模型为深度神经网络模型。
本申请实施例的第三方面提供了一种电子设备，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如前述各实施例所述的视盘黄斑联合定位模型的确定方法。
本申请实施例的第四方面提供了一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如前述各实施例所述的视盘黄斑联合定位模型的确定方法。
本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，可用来实现如前述各实施例所述的视盘黄斑联合定位模型的确定方法。
本申请实施例，通过视盘和黄斑的空间约束，通过确定空间损失和原有损失的联合损失，进而迭代训练获得视盘黄斑联合定位模型。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构和操作。
图1是根据本申请的一些实施例所示的一种视盘黄斑联合定位模型的确定方法示意图；
图2是根据本申请的一些实施例所示的视盘ROIs和黄斑ROIs的示意图；
图3是根据本申请的一些实施例所示的联合损失确定方法示意图；
图4是根据本申请的一些实施例所示的联合损失确定方法示意图；
图5是根据本申请的一些实施例所示的一种视盘黄斑联合定位模型的确定装置示意图；
图6是根据本申请的一些实施例所示的电子设备示意图。
具体实施方式
在下面的详细描述中，通过示例阐述了本申请的许多具体细节，以便提供对相关披露的透彻理解。然而，对于本领域的普通技术人员来讲，本申请显而易见的可以在没有这些细节的情况下实施。应当理解的是，本申请中使用“系统”、“装置”、“单元”和/或“模块”术语，是用于区分在顺序排列中不同级别的不同部件、元件、部分或组件的一种方法。然而，如果其他表达式可以实现相同的目的，这些术语可以被其他表达式替换。
应当理解的是，当设备、单元或模块被称为“在……上”、“连接到”或“耦合到”另一设备、单元或模块时，其可以直接在另一设备、单元或模块上，连接或耦合到或与其他设备、单元或模块通信，或者可以存在中间设备、单元或模块，除非上下文明确提示例外情形。例如，本申请所使用的术语“和/或”包括一个或多个相关所列条目的任何一个和所有组合。
本申请所用术语仅为了描述特定实施例，而非限制本申请范围。如本申请说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的特征、整体、步骤、操作、元素和/或组件，而该类表述并不构成一个排它性的罗列，其他特征、整体、步骤、操作、元素和/或组件也可以包含在内。
参看下面的说明以及附图，本申请的这些或其他特征和特点、操作方法、结构的相关元素的功能、部分的结合以及制造的经济性可以被更好地理解，其中说明和附图形成了说明书的一部分。然而，可以清楚地理解，附图仅用作说明和描述的目的，并不意在限定本申请的保护范围。可以理解的是，附图并非按比例绘制。
本申请中使用了多种结构图用来说明根据本申请的实施例的各种变形。应当理解的是，前面或下面的结构并不是用来限定本申请。本申请的保护范围以权利要求为准。
图1是根据本申请的一些实施例所示的一种视盘黄斑联合定位模型的确定方法示意图。
在102中，将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域。
在一些实施例中，将样本眼底图像输入至机器学习模型后，所述机器学习模型会生成若干个ROI区域，对生成的若干个ROI区域进行概率评估(例如，对ROI区域是否属于视盘进行概率评估)，当某个区域的概率值大于预设阈值K时，认为该区域为一个视盘ROI区域。进一步地，能够确定出概率值大于预设阈值K的多个视盘ROI区域。同样地，所述机器学习模型能够确定出阈值大于K的多个黄斑ROI区域。
在104中，基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失。
在一些实施例中，每个视盘ROI区域的形状为矩形，所述矩形具有一个中心点，所述(视盘/黄斑)ROI区域的位置信息指的是所述(视盘/黄斑)ROI区域的中心点，即矩形的中心点。通常，步骤102中的机器学习模型的输出结果中包括确定出的一个或多个(视盘/黄斑)ROI区域，所述输出结果中同时包括能够确定每个(视盘/黄斑)ROI区域的位置信息。例如，对于一个(视盘/黄斑)ROI矩形区域而言，确定了该矩形区域的左上角和右下角的两个点坐标，两个点连线的中点即为该矩形区域的中心点。又例如，对于一个(视盘/黄斑)ROI矩形区域而言，确定了该矩形区域的左上角坐标及该矩形区域的长和宽，左上角坐标分别加上长和宽的一半即为该矩形区域的中心点。
在一些实施例中，所述联合损失表示包括所述视盘黄斑的空间损失和原有损失的联合损失。
在106中，基于所述联合损失，迭代训练所述机器学习模型。
在一些实施例中，所述机器学习模型可以是深度神经网络模型，或者其他任意可用于目标识别的模型。
值得说明的是，本申请的迭代过程中，在原有损失的基础上加入了视盘黄斑的空间损失。但所述空间损失并不是每次的迭代过程中均存在的。例如，在后续迭代过程中，所述空间损失可能为零，仅需要迭代原有损失即可。原有损失是模型迭代过程中均会存在的，通常由损失函数表示，在此不作赘述。
图2是根据本申请的一些实施例所示的视盘ROIs和黄斑ROIs的示意图。如图2所示，左图为眼底图像的目标区域，右图为目标区域的放大图。在右图中，左侧为多个视盘ROI区域，所述多个视盘ROI区域部分重合；右侧为多个黄斑ROI区域，所述多个黄斑ROI区域部分重合。
图3是根据本申请的一些实施例所示的联合损失确定方法示意图。
在302中，基于所述一个或多个视盘ROI区域对应的一个或多个中心，确定所述一个或多个视盘ROI区域的平均中心，基于所述一个或多个黄斑ROI区域对应的一个或多个中心，确定所述一个或多个黄斑ROI区域的平均中心。
在一些实施例中，所述平均中心表示所述一个或多个中心的坐标的平均值。
在304中，确定所述两个平均中心的距离值和两个平均中心的连线与水平方向的夹角值。如图2所示，两个平均中心的距离为d，两个平均中心的连线与水平方向的夹角为θ。
值得说明的是，图2中所示的夹角仅作为本申请的一种实施例，并不用于限定本申请。例如，所述两个平均中心的连线与水平方向的夹角θ可以是水平方向偏下，也可以是水平方向偏上。
在306中，基于所述距离值和所述夹角值，确定空间损失。通常，视盘和黄斑位于固定的相对位置，因此，可以设置相对位置范围来约束损失函数，优化模型。
在一些实施例中，所述空间损失包括距离损失和角度损失。所述多个视盘ROI区域的平均中心与所述多个黄斑ROI区域的平均中心的距离应位于一定的范围内，当超过该范围时，说明当前机器学习模型的估计存在误差。所述两个平均中心的连线与水平方向的夹角值应该在一定范围内，当夹角值大于该范围时，说明当前机器学习模型的估计存在误差。
在一些实施例中，设定距离上界、距离下界和角度上界。当所述距离值小于预设的距离下界时，将所述距离下界与所述距离值的差值作为距离损失；当所述距离值大于预设的距离上界时，将所述距离值与所述距离上界的差值作为距离损失；当所述夹角值大于预设的角度上界时，将所述夹角值与所述角度上界的差值作为角度损失。
通常，所述距离/夹角大致呈正态分布。取距离值的第二分位、第九十八分位数作为距离下界、距离上界。取夹角值的第九十八分位数作为角度上界。
在308中，将空间损失按一定比例加入原有损失中，确定联合损失。在一些实施例中，所述一定比例可以是根据经验确定的。
图4是根据本申请的一些实施例所示的联合损失确定方法示意图。
在402中，基于所述一个或多个视盘ROI区域中任意一个视盘ROI区域对应的中心和所述一个或多个黄斑ROI区域中任意一个黄斑ROI区域对应的中心，确定所述两个中心的距离值和两个中心的连线与水平方向的夹角值。
在404中，基于所述确定的一个或多个距离值，确定平均距离值，基于所述确定的一个或多个夹角值，确定平均夹角值，所述空间损失包括所述平均距离值和所述平均夹角值。
例如，步骤102中的机器学习模型识别出M个视盘ROI区域和N个黄斑ROI区域，则可以得到M*N个距离值和M*N个夹角值，对所述M*N个距离值和M*N个夹角值分别取平均值，则可以得到一个平均距离值和一个平均夹角值。
在406中，基于所述平均距离值和所述平均夹角值，确定空间损失。步骤406中确定空间损失的过程与步骤306类似。
在408中，将空间损失按一定比例加入原有损失中，确定联合损失。
在一些实施例中，前述所述的机器学习模型为神经网络模型。进一步地，为深度神经网络模型。
图5是根据本申请的一些实施例所示的一种视盘黄斑联合定位模型的确定装置示意图。如图5所示，所述装置500包括ROI确定单元510、联合损失确定单元520和迭代单元530。
所述ROI确定单元510用于将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域。
所述一个或多个视盘ROI区域为概率大于阈值K的一个或多个视盘ROI区域，所述一个或多个黄斑ROI区域为概率大于阈值K的一个或多个黄斑ROI区域。
所述联合损失确定单元520用于基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失。
所述联合损失确定单元具体用于：基于所述一个或多个视盘ROI区域对应的一个或多个中心，确定所述一个或多个视盘ROI区域的平均中心，基于所述一个或多个黄斑ROI区域对应的一个或多个中心，确定所述一个或多个黄斑ROI区域的平均中心；确定所述两个平均中心的距离值和两个平均中心的连线与水平方向的夹角值；基于所述距离值和所述夹角值，确定空间损失；将空间损失按一定比例加入原有损失中，确定联合损失。在一些实施例中，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述距离值和所述夹角值，确定空间损失，包括：当所述距离值小于预设的距离下界时，将所述距离下界与所述距离值的差值作为距离损失；当所述距离值大于预设的距离上界时，将所述距离值与所述距离上界的差值作为距离损失；当所述夹角值大于预设的角度上界时，将所述夹角值与所述角度上界的差值作为角度损失。
或者，所述联合损失确定单元具体用于：基于所述一个或多个视盘ROI区域中任意一个视盘ROI区域对应的中心和所述一个或多个黄斑ROI区域中任意一个黄斑ROI区域对应的中心，确定所述两个中心的距离值和所述两个中心的连线与水平方向的夹角值；基于所述确定的一个或多个距离值，确定平均距离值，基于所述确定的一个或多个夹角值，确定平均夹角值，所述空间损失包括所述平均距离值和所述平均夹角值；将空间损失按一定比例加入原有损失中，确定联合损失。在一些实施例中，所述空间损失包括距离损失和角度损失，其特征在于，当所述平均距离值小于预设的距离下界时，将所述距离下界与所述平均距离值的差值作为距离损失；当所述平均距离值大于预设的距离上界时，将所述平均距离值与所述距离上界的差值作为距离损失；当所述平均夹角值大于预设的角度上界时，将所述平均夹角值与所述角度上界的差值作为角度损失。
如下公式(1)所示，dmin为距离下界，dmax为距离上界。当所述距离值(平均距离值)，小于下界或大于上界时，产生距离损失lossd。类似地，角度损失如下公式(2)所示，amax为角度上界，当所述夹角值(平均夹角值)大于角度上界时，产生角度损失。空间损失为距离损失与角度损失的和。
lossd：＝max(0,dmin-d(OD,fovea))+max(0,d(OD
,fovea)-dmax) (1)
lossa：＝max(0,a-amax) (2)
所述迭代单元530用于基于所述联合损失，迭代训练所述机器学习模型。
值得说明的是，所述视盘黄斑联合定位模型的确定装置中的一些参量与所述视盘黄斑联合定位模型的确定方法中一致。例如，多个视盘ROI的确定、多个黄斑ROI的确定、平均中心的确定等，在此不做展开赘述。
图6是适于用来实现根据本申请实施方式的电子设备的结构示意图。
如图6所示，电子设备600包括中央处理单元(CPU)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部分1008加载到随机访问存储器(RAM)603中的程序而执行上述图1、3、4所示的实施方式中的各种处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。CPU601、ROM602以及RAM603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。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本申请的实施方式，上文参考图1、3、4描述的方法可以被实现为计算机软件程序。例如，本申请的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行图1、3、4的方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
附图中的流程图和框图，图示了按照本申请各种实施方式的装置、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，路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，所述模块、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。
描述于本申请实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本申请的方法。
综上所述，本申请提出了一种视盘黄斑联合定位模型的确定方法，具体地，为训练所述视盘黄斑联合定位模型的方法，首先，本申请确定多个视盘ROI和多个黄斑ROI，并将视盘和黄斑的空间约束加入到损失函数中，进行迭代训练模型，提高了模型识同时识别视盘和黄斑的精确度。其次，本申请在确定视盘和黄斑的空间约束时采用了端到端的方法，每张图片只提取一次特征，减少了计算复杂度。
应当理解的是，本申请的上述具体实施方式仅仅用于示例性说明或解释本申请的原理，而不构成对本申请的限制。因此，在不偏离本申请的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。此外，本申请所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (14)

1.一种视盘黄斑联合定位模型的确定方法，其特征在于，包括：
将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域；
基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失，包括：
基于所述一个或多个视盘ROI区域对应的一个或多个中心，确定所述一个或多个视盘ROI区域的平均中心，基于所述一个或多个黄斑ROI区域对应的一个或多个中心，确定所述一个或多个黄斑ROI区域的平均中心；
确定所述两个平均中心的距离值和两个平均中心的连线与水平方向的夹角值；
基于所述距离值和所述夹角值，确定空间损失；
将空间损失按一定比例加入原有损失中，确定联合损失；
基于所述联合损失，迭代训练所述机器学习模型。
2.如权利要求1所述的方法，其特征在于，所述一个或多个视盘ROI区域为概率大于阈值K的一个或多个视盘ROI区域，所述一个或多个黄斑ROI区域为概率大于阈值K的一个或多个黄斑ROI区域。
3.如权利要求1所述的方法，其特征在于，所述基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失，包括：
确定所述一个或多个视盘ROI区域中的任意一个视盘ROI区域，作为第一区域，确定所述第一区域的中心，作为第一中心，以及确定所述一个或多个黄斑ROI区域中的任意一个黄斑ROI区域，作为第二区域，确定所述第二区域的中心，作为第二中心；
确定所述第一中心与所述第二中心的距离值和所述第一中心与所述第二中心的连线与水平方向的夹角值；
基于所述确定的一个或多个距离值，确定平均距离值，基于所述确定的一个或多个夹角值，确定平均夹角值；
基于所述平均距离值和所述平均夹角值，确定空间损失，所述空间损失包括所述平均距离值和所述平均夹角值；
将空间损失按一定比例加入原有损失中，确定联合损失。
4.如权利要求2所述的方法，其特征在于，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述距离值和所述夹角值，确定空间损失，包括：
当所述距离值小于预设的距离下界时，将所述距离下界与所述距离值的差值作为距离损失；
当所述距离值大于预设的距离上界时，将所述距离值与所述距离上界的差值作为距离损失；
当所述夹角值大于预设的角度上界时，将所述夹角值与所述角度上界的差值作为角度损失。
5.如权利要求3所述的方法，其特征在于，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述平均距离值和所述平均夹角值，确定空间损失，包括：
当所述平均距离值小于预设的距离下界时，将所述距离下界与所述平均距离值的差值作为距离损失；
当所述平均距离值大于预设的距离上界时，将所述平均距离值与所述距离上界的差值作为距离损失；
当所述平均夹角值大于预设的角度上界时，将所述平均夹角值与所述角度上界的差值作为角度损失。
6.如权利要求1-5任一所述的方法，其特征在于，所述机器学习模型为深度神经网络模型。
7.一种视盘黄斑联合定位模型的确定装置，其特征在于，包括：
ROI确定单元，用于将样本眼底图像输入至机器学习模型中，确定样本眼底图像中的一个或多个视盘ROI区域和一个或多个黄斑ROI区域；
联合损失确定单元，用于基于所述一个或多个视盘ROI区域的位置信息和所述一个或多个黄斑ROI区域的位置信息，确定联合损失，包括：基于所述一个或多个视盘ROI区域对应的一个或多个中心，确定所述一个或多个视盘ROI区域的平均中心，基于所述一个或多个黄斑ROI区域对应的一个或多个中心，确定所述一个或多个黄斑ROI区域的平均中心；确定所述两个平均中心的距离值和两个平均中心的连线与水平方向的夹角值；基于所述距离值和所述夹角值，确定空间损失；将空间损失按一定比例加入原有损失中，确定联合损失；
迭代单元，用于基于所述联合损失，迭代训练所述机器学习模型。
8.如权利要求7所述的装置，其特征在于，所述一个或多个视盘ROI区域为概率大于阈值K的一个或多个视盘ROI区域，所述一个或多个黄斑ROI区域为概率大于阈值K的一个或多个黄斑ROI区域。
9.如权利要求7所述的装置，其特征在于，所述联合损失确定单元具体用于：
确定所述一个或多个视盘ROI区域中的任意一个视盘ROI区域，作为第一区域，确定所述第一区域的中心，作为第一中心，以及确定所述一个或多个黄斑ROI区域中的任意一个黄斑ROI区域，作为第二区域，确定所述第二区域的中心，作为第二中心；
确定所述第一中心与所述第二中心的距离值和所述第一中心与所述第二中心的连线与水平方向的夹角值；
基于所述确定的一个或多个距离值，确定平均距离值，基于所述确定的一个或多个夹角值，确定平均夹角值；
基于所述平均距离值和所述平均夹角值，确定空间损失，所述空间损失包括所述平均距离值和所述平均夹角值；
将空间损失按一定比例加入原有损失中，确定联合损失。
10.如权利要求8所述的装置，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述距离值和所述夹角值，确定空间损失，包括：
当所述距离值小于预设的距离下界时，将所述距离下界与所述距离值的差值作为距离损失；
当所述距离值大于预设的距离上界时，将所述距离值与所述距离上界的差值作为距离损失；
当所述夹角值大于预设的角度上界时，将所述夹角值与所述角度上界的差值作为角度损失。
11.如权利要求7所述的装置，所述空间损失包括距离损失和角度损失，其特征在于，所述基于所述平均距离值和所述平均夹角值，确定空间损失，包括：
当所述平均距离值小于预设的距离下界时，将所述距离下界与所述平均距离值的差值作为距离损失；
当所述平均距离值大于预设的距离上界时，将所述平均距离值与所述距离上界的差值作为距离损失；
当所述平均夹角值大于预设的角度上界时，将所述平均夹角值与所述角度上界的差值作为角度损失。
12.如权利要求7-11任一所述的装置，其特征在于，所述机器学习模型为深度神经网络模型。
13.一种电子设备，其特征在于，包括：
存储器以及一个或多个处理器；
其中，所述存储器与所述一个或多个处理器通信连接，所述存储器中存储有可被所述一个或多个处理器执行的指令，所述指令被所述一个或多个处理器执行时，所述电子设备用于实现如权利要求1-6任一项所述的视盘黄斑联合定位模型的确定方法。
14.一种计算机可读存储介质，其上存储有计算机可执行指令，当所述计算机可执行指令被计算装置执行时，可用来实现如权利要求1-6任一项所述的视盘黄斑联合定位模型的确定方法。
CN201910959317.0A 2019-10-10 2019-10-10 一种视盘黄斑联合定位模型的确定方法、装置及存储介质 Active CN110739071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910959317.0A CN110739071B (zh) 2019-10-10 2019-10-10 一种视盘黄斑联合定位模型的确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910959317.0A CN110739071B (zh) 2019-10-10 2019-10-10 一种视盘黄斑联合定位模型的确定方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN110739071A CN110739071A (zh) 2020-01-31
CN110739071B true CN110739071B (zh) 2022-05-31

Family

ID=69268644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910959317.0A Active CN110739071B (zh) 2019-10-10 2019-10-10 一种视盘黄斑联合定位模型的确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN110739071B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402246A (zh) * 2020-03-20 2020-07-10 北京工业大学 一种基于联合网络的眼底图像分类方法
CN112991343B (zh) 2021-04-30 2021-08-13 北京至真互联网技术有限公司 眼底图像黄斑区域的识别检测方法和装置及设备
CN114937024A (zh) * 2022-06-13 2022-08-23 依未科技(北京)有限公司 图像评估方法、装置和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203778A (zh) * 2017-05-05 2017-09-26 平安科技（深圳）有限公司 视网膜病变程度等级检测系统及方法
CN108416344A (zh) * 2017-12-28 2018-08-17 中山大学中山眼科中心 眼底彩照视盘与黄斑定位识别方法
CN108717696A (zh) * 2018-05-16 2018-10-30 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
CN109480765A (zh) * 2018-10-31 2019-03-19 福州大学 基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法
CN109662686A (zh) * 2019-02-01 2019-04-23 北京致远慧图科技有限公司 一种眼底黄斑定位方法、装置、系统及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107203778A (zh) * 2017-05-05 2017-09-26 平安科技（深圳）有限公司 视网膜病变程度等级检测系统及方法
CN108416344A (zh) * 2017-12-28 2018-08-17 中山大学中山眼科中心 眼底彩照视盘与黄斑定位识别方法
CN108717696A (zh) * 2018-05-16 2018-10-30 上海鹰瞳医疗科技有限公司 黄斑影像检测方法和设备
CN109480765A (zh) * 2018-10-31 2019-03-19 福州大学 基于定向局部对比度与位置约束的眼底图像黄斑与视盘检测方法
CN109662686A (zh) * 2019-02-01 2019-04-23 北京致远慧图科技有限公司 一种眼底黄斑定位方法、装置、系统及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"A novel approach for detection of diabetic macular edema";Anu Johny等;《2016 International Conference on Emerging Trends in Engineering, Technology and Science (ICETETS)》;20161024;全文 *
"Deep learning based computer-aided diagnosis systems for diabetic retinopathy: A survey";NorahAsiri等;《Artificial Intelligence in Medicine》;20190831;全文 *
"The region of interest localization for glaucoma analysis from retinal fundus image using deep learning";AnirbanMitra等;《Computer Methods and Programs in Biomedicine》;20181031;第165卷;全文 *
"眼底图像中黄斑中心与视盘自动检测新方法";郑绍华等;《电子与信息学报》;20141130;全文 *

Also Published As

Publication number Publication date
CN110739071A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
CN110739071B (zh) 一种视盘黄斑联合定位模型的确定方法、装置及存储介质
CN111046717B (zh) 眼底图像黄斑中心定位方法、装置、电子设备及存储介质
Foracchia et al. Detection of optic disc in retinal images by means of a geometrical model of vessel structure
US11069036B1 (en) Method and system for real-time and offline de-identification of facial regions from regular and occluded color video streams obtained during diagnostic medical procedures
Giachetti et al. Accurate and reliable segmentation of the optic disc in digital fundus images
Saffarzadeh et al. Vessel segmentation in retinal images using multi-scale line operator and K-means clustering
JP6564018B2 (ja) 放射線画像の肺野セグメンテーション技術及び骨減弱技術
US10134143B2 (en) Method for acquiring retina structure from optical coherence tomographic image and system thereof
González-López et al. Robust segmentation of retinal layers in optical coherence tomography images based on a multistage active contour model
EP3657435A1 (en) Apparatus for identifying regions in a brain image
CN109102511A (zh) 一种脑血管分割方法、系统及电子设备
CN114757950B (zh) 超声图像处理方法、装置以及计算机可读存储介质
Hamad et al. Brain's tumor edge detection on low contrast medical images
US20160042524A1 (en) Improving symmetry in brain scans
CN112464829B (zh) 一种瞳孔定位方法、设备、存储介质及视线追踪系统
WO2021078040A1 (zh) 一种病灶的定位方法及装置
US8340378B2 (en) Ribcage segmentation
CN109549619B (zh) 眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统
CN114708263A (zh) 个体化脑功能区定位方法、装置、设备和存储介质
CN114092405A (zh) 一种针对黄斑水肿oct图像的视网膜层自动分割方法
JP6603814B2 (ja) 網膜画像処理
Jeon et al. Maximum a posteriori estimation method for aorta localization and coronary seed identification
Belghith et al. A unified framework for glaucoma progression detection using Heidelberg Retina Tomograph images
CN110969617A (zh) 视杯视盘图像识别方法、装置、设备及存储介质
CN112017148A (zh) 一种单节骨骼轮廓的提取方法及装置

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
GR01 Patent grant
GR01 Patent grant