CN112132265B - 模型训练方法、杯盘比确定方法、装置、设备及存储介质 - Google Patents

模型训练方法、杯盘比确定方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112132265B
CN112132265B CN202011005659.8A CN202011005659A CN112132265B CN 112132265 B CN112132265 B CN 112132265B CN 202011005659 A CN202011005659 A CN 202011005659A CN 112132265 B CN112132265 B CN 112132265B
Authority
CN
China
Prior art keywords
image
cup
segmentation
projection
loss function
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
CN202011005659.8A
Other languages
English (en)
Other versions
CN112132265A (zh
Inventor
李葛
成冠举
曾婵
高鹏
谢国彤
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 CN202011005659.8A priority Critical patent/CN112132265B/zh
Priority to PCT/CN2020/125008 priority patent/WO2021189848A1/zh
Publication of CN112132265A publication Critical patent/CN112132265A/zh
Application granted granted Critical
Publication of CN112132265B publication Critical patent/CN112132265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及人工智能领域，具体使用了神经网络，并公开了一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质，所述视杯视盘分割模型训练方法包括：获取样本图像和所述样本图像对应的图像标签，以构建样本数据；将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值；根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。本申请适用于智慧医疗领域。

Description

模型训练方法、杯盘比确定方法、装置、设备及存储介质
技术领域
本申请涉及图像处理领域，尤其涉及一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质。
背景技术
青光眼是一种全球三大致盲的眼科疾病之一，其不可逆性导致它的早期诊断和治疗对于提高患者的生活质量有至关重要的作用。在对青光眼进行自动筛查时，通常使用杯盘比作为评估指标，采用分割方法对眼底图像中的视杯和视盘进行分割，然后计算杯盘比。但现有的视盘分割方法通常是像素级别的分割方法，对每个像素分别进行判断，未考虑视杯视盘的全局表达，容易导致计算出的杯盘比的误差较大，准确度较低，产生多筛或漏筛的情况。
因此，如何提高分割得到的视杯视盘图像的准确度，减少疾病筛查过程中的多筛、漏筛情况成为亟待解决的问题。
发明内容
本申请提供了一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质，以提高分割得到的视杯视盘图像的准确度，减少疾病筛查过程中的多筛、漏筛情况。
第一方面，本申请提供了一种视杯视盘分割模型训练方法，所述方法包括：
获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
第二方面，本申请还提供了一种基于神经网络的杯盘比确定方法，所述方法包括：
获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域；将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，所述视杯视盘分割模型为采用第一方面所述的视杯视盘分割模型训练方法训练得到的模型；基于所述视杯视盘分割图像确定杯盘比。
第三方面，本申请还提供了一种视杯视盘分割模型训练装置，所述装置包括：
样本构建模块，用于获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；图像预测模块，用于将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；图像投影模块，用于对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；损失计算模块，用于分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；模型训练模块，用于根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
第四方面，本申请还提供了一种基于神经网络的杯盘比确定装置，所述装置包括：
图像检测模块，用于获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域；网络预测模块，用于将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，所述视杯视盘分割模型为采用第一方面所述的视杯视盘分割模型训练方法训练得到的模型；杯盘比确定模块，用于基于所述视杯视盘分割图像确定杯盘比。
第五方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器用于存储计算机程序；所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如第一方面所述的视杯视盘分割模型训练方法，或实现如第二方面所述的基于神经网络的杯盘比确定方法。
第六方面，本申请还提供了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使所述处理器实现如第一方面所述的视杯视盘分割模型训练方法，或实现如第二方面所述的基于神经网络的杯盘比确定方法。
本申请公开了一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质，通过获取样本图像和样本图像对应的图像标签以构建样本数据，并将样本数据输入预设的神经网络，得到预测的视杯视盘分割图像，然后对样本图像的图像标签和预测得到的视杯视盘分割图像分别进行投影，从而得到图像标签对应的标签投影值和预测的视杯视盘分割图像的图像投影值，最终分别计算分割损失函数和投影损失函数，以得到网络损失函数，以根据网络损失函数对预设的神经网络进行训练，得到视杯视盘分割模型。使用图像标签对应的标签投影值和预测的视杯视盘分割图像的图像投影值来对神经网络加以约束，可以优化视杯视盘沿垂直方向的分割结果，从而使得到的视杯视盘分割图像的准确度更高，进而提高确定的杯盘比的准确度，减少疾病筛查过程中的多筛、漏筛情况。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种视杯视盘分割模型训练方法的示意流程图；
图2是本申请实施例提供的预设的神经网络的结构示意图；
图3a是本申请实施例提供的进行投影时的示意图；
图3b是本申请实施例提供的投影后得到的投影值的曲线图；
图4是本申请实施例提供的一种基于神经网络的杯盘比确定方法的示意流程图；
图5是本申请实施例提供的一种视杯视盘分割模型训练装置的示意性框图；
图6是本申请实施例提供的一种基于神经网络的杯盘比确定装置的示意性框图；
图7为本申请实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本申请的实施例提供了一种视杯视盘分割模型训练方法、基于神经网络的杯盘比确定方法、装置、设备及存储介质。
其中，该视杯视盘分割模型训练方法用于训练得到视杯视盘分割模型，该视杯视盘分割模型可保存在终端或服务器中，通过该视杯视盘分割模型实现基于神经网络的杯盘比确定方法。
该基于神经网络的杯盘比确定方法利用人工智能从眼底图像中分割出视杯视盘图像，可用于筛查青光眼疾病，降低青光眼疾病的多筛、漏筛情况。
其中，终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备；服务器可以为独立的服务器，也可以为服务器集群。
例如，根据视杯视盘分割模型训练方法训练得到视杯视盘分割模型，保存在台式电脑中，当使用采集眼底图像的器械获取到患者的眼底图像后，即可将该眼底图像输入训练的视杯视盘分割模型中，从而得到视杯视盘分割图像，以便于根据得到的视杯视盘分割图像计算杯盘比，进行青光眼疾病的筛查。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
请参阅图1，图1是本申请实施例提供的一种视杯视盘分割模型训练方法的示意流程图。该视杯视盘分割模型训练方法基于神经网络对构建的样本数据进行模型训练，以得到视杯视盘分割模型。
如图1所示，该视杯视盘分割模型训练方法，具体包括：步骤S101至步骤S105。
S101、获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据。
其中，样本图像可以从图像系统中获取相应的样本图像，例如，可以从医疗数据库中调取曾进行青光眼筛查的患者的眼底图像，作为样本图像。
在获取样本图像时，获取样本图像对应的图像标签，所述图像标签即为该样本图像对应的视杯视盘分割图像。在获取到样本图像和样本图像对应的图像标签后，即可完成样本数据的构建。
在一些实施例中，在将所述样本数据输入预设的神经网络之前，所述视杯视盘分割模型训练方法，包括：对所述样本图像进行视盘区域检测，以得到视盘区域图像；所述根据所述样本图像和所述样本图像对应的图像标签构建样本数据，包括：根据所述视盘区域图像和所述视盘区域图像对应的图像标签构建样本数据。
样本图像可能为眼底图像，也可能为视盘区域图像，当样本图像为眼底图像时，可以对样本图像进行视盘区域检测，从而得到视盘区域图像，最终根据视盘区域图像和视盘区域图像对应的图像标签构建样本数据。
其中，在对样本图像进行检测时，可以采用多种目标检测技术，例如，可以是采用MaskRCNN模型对样本图像进行检测，从而得到视盘区域图像的边界坐标，然后根据视盘区域图像的边界坐标对样本图像进行裁剪，得到视盘区域图像。
S102、将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像。
将样本数据输入至预设的神经网络进行模型训练，从而得到预测的视杯视盘分割图像。
在一些实施例中，预设的神经网络包括特征提取层、卷积层和解码层，如图2所示，图2是本申请实施例提供的预设的神经网络的结构示意图。
其中，步骤S102具体包括：通过所述特征提取层对所述样本图像进行特征提取，以得到所述样本图像对应的第一特征图像；通过所述卷积层对所述第一特征图像进行卷积操作，以得到代表视杯视盘分割图像的第二特征图像；将所述第二特征图像输入所述解码层，以得到预测的视杯视盘分割图像。
将样本图像输入预先训练的神经网络后，通过神经网络中的特征提取层对样本图像进行特征提取，例如，特征提取层可以使用mobilenetv2网络对样本图像进行特征提取，进而得到样本图像对应的第一特征图像。
得到第一特征图像后，卷积层对第一特征图像进行卷积和膨胀卷积操作，例如，可以使用1*1卷积和dilation参数为6的膨胀卷积进行卷积操作，进而得到代表视杯视盘分割图像的第二特征图像。
将代表视杯视盘分割图像的第二特征图像输入解码层进行解码输出，得到预测的视杯视盘分割图像。其中，解码层的损失函数为交叉熵损失函数。
在一些实施例中，在将所述样本数据输入预设的神经网络之前，所述视杯视盘分割模型训练方法，包括：对所述样本图像进行预处理，所述预处理包括伸缩处理。
伸缩处理是为了将视盘区域的图像处理为特定的尺寸，例如可以是256*256，便于所述预设的神经网络对样本图像进行特征提取。
S103、对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值。
在得到预测的视杯视盘分割图像后，将预测的视杯视盘分割图像和样本图像对应的图像标签分别进行投影，其中，在投影时，可以沿水平方向进行正投影，如图3a所示，为投影时的示意图，其中，箭头的指向表示投影方向，而箭头所在的横线表示各个样本图像对应的图像标签。
图3b为投影后得到的投影值的曲线图，图3b中的曲线分别为视盘的投影曲线和视杯的投影曲线。其中，峰值较高的线条为视杯的投影曲线，峰值较低的线条为视盘的投影曲线。
S104、分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值。
其中，所述分割损失函数为所述预设的神经网络进行视杯视盘分割图像预测时的损失函数，用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数为对所述图像标签和预测的视杯视盘分割图像进行投影时的损失函数，用于计算所述标签投影值和所述图像投影值之间的损失。
根据预测的视杯视盘分割图像和对应的图像标签计算分割损失函数的数值，并且根据标签投影值和图像投影值计算投影损失函数的数值，在计算得到分割损失函数的数值和投影损失函数的数值后，将分割损失函数的数值与投影损失函数的数值相加求和，从而得到网络损失函数的数值。
在一些实施例中，在分割损失函数可以为交叉熵损失函数，在计算分割损失函数的数值时，可以采用如下计算公式进行计算：
Lseg＝-[ytrue log ypred+(1-ytrue)log(1-ypred)]
其中，Lseg表示分割损失函数的数值，ypred表示预设的神经网络根据样本图像预测出的视杯视盘分割图像，ytrue表示所述样本图像对应的图像标签。
在一些实施例中，在计算投影损失函数的数值时，可以采用如下公式进行计算：
Lproj＝||ptrue-ppred||2
其中，Lproj表示投影损失函数的数值，ptrue表示标签投影值，ppred表示图像投影值。也即，投影损失函数的数值Lproj为标签投影值ptrue和图像投影值ppred的二范数，投影损失函数的公式具体为：
在分别计算得到分割损失函数Lseg和投影损失函数Lproj后，即可确定网络损失函数。其中，该网络损失函数L的公式为：
L＝Lseg+Lproj
S105、根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
根据网络损失函数的数值对神经网络进行训练，在网络损失函数的数值趋于稳定或达到最大迭代次数时，完成对所述预设的神经网络的训练，并将完成训练后的神经网络作为视杯视盘分割模型，用于从眼底图像中分割出视杯视盘图像。
上述实施例提供的视杯视盘分割模型训练方法，通过获取样本图像和样本图像对应的图像标签以构建样本数据，并将样本数据输入预设的神经网络，得到预测的视杯视盘分割图像，然后对样本图像的图像标签和预测得到的视杯视盘分割图像分别进行投影，从而得到图像标签对应的标签投影值和预测的视杯视盘分割图像的图像投影值，最终分别计算分割损失函数和投影损失函数，以得到网络损失函数，以根据网络损失函数对预设的神经网络进行训练，得到视杯视盘分割模型。使用图像标签对应的标签投影值和预测的视杯视盘分割图像的图像投影值来对神经网络加以约束，可以优化视杯视盘沿垂直方向的分割结果，从而使得到的视杯视盘分割图像的准确度更高，进而提高确定的杯盘比的准确度，减少疾病筛查过程中的多筛、漏筛情况。
请参阅图4，图4是本申请实施例提供的一种基于神经网络的杯盘比确定方法的示意流程图。该基于神经网络的杯盘比确定方法，可应用于终端或服务器中，用于根据眼底图像进行青光眼的诊断。
如图4所示，该基于神经网络的杯盘比确定方法，包括步骤S201至步骤S203。
S201、获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域。
通过采集眼底图像的器械获取眼底图像，并对获取到的眼底图像进行视盘区域的检测，从而得到视盘区域。
在一些实施例中，对眼底图像进行视盘区域检测得到视盘区域，包括：对所述眼底图像进行检测，得到视盘区域的边界坐标；基于所述边界坐标对所述眼底图像进行裁剪，得到视盘区域。
在对眼底图像进行检测时，可以采用多种目标检测技术，例如，可以是采用MaskRCNN模型对眼底图像进行检测，从而得到视盘区域的边界坐标。其中，边界坐标可以是指视盘区域的两个对角坐标，如图3所示，为眼底图像中视盘区域的示意图，矩形框内为对眼底图像进行检测得到的视盘区域，视盘区域的边界坐标可以是矩形框的左上角与右下角坐标。
基于边界坐标对眼底图像进行裁剪，得到视盘区域的图像。在进行裁剪时，可根据矩形框的左上角与右下角坐标对眼底图像进行裁剪，从而得到如图4所示的视盘区域。
S202、将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像。
其中，所述视杯视盘分割模型为采用上述实施例中提供的视杯视盘分割模型训练方法得到的模型。通过该模型对输入的视盘区域进行图像的检测和分割，从而得到准确的视杯视盘分割图像。
S203、基于所述视杯视盘分割图像确定杯盘比。
对于视杯视盘分割模型输出的视杯视盘分割图像，基于该视杯视盘分割图像计算杯盘比。
在一些实施例中，所述基于所述视杯视盘分割图像确定杯盘比，包括：基于所述视杯视盘分割图像确定视杯外轮廓和视盘外轮廓；根据所述视杯外轮廓和视盘外轮廓分别确定视杯的最小外接矩形和视盘的最小外接矩形；基于所述视杯的最小外接矩形和视盘的最小外接矩形分别确定视杯直径和视盘直径。
可以采用寻找最大外轮廓的方法，从视杯视盘分割图像中分别提取出视杯外轮廓和视盘外轮廓，然后再利用旋转卡尺算法分别对视杯外轮廓和视盘外轮廓求得最小外接矩形，得到视杯的最小外接矩形和视盘的最小外接矩形。视杯的最小外接矩形的垂直方向上的边长即是视杯直径(VCD)，同样的，视盘的最小外接矩形的垂直方向上的边长即是视盘直径(VDD)。
在得到视杯直径和视盘直径后，即可根据杯盘比的计算公式计算杯盘比。其中，杯盘比的计算公式为：CDR＝VCD/VDD，其中，CDR为计算出的杯盘比，VCD为视杯直径，VDD为视盘直径。
上述实施例提供的基于神经网络的杯盘比确定方法，通过获取眼底图像，并对眼底图像进行视盘区域检测得到视盘区域，然后将视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，最终基于视杯视盘分割图像确定杯盘比。利用预先训练的视杯视盘分割模型确定视杯视盘分割图像，提高视杯视盘分割图像在确定时的准确度，进而提高确定出的杯盘比的准确度。
请参阅图5，图5是本申请实施例提供的一种视杯视盘分割模型训练装置的示意性框图，该视杯视盘分割模型训练装置用于执行前述的视杯视盘分割模型训练方法。其中，该视杯视盘分割模型训练装置可以配置于服务器中。
其中，服务器可以为独立的服务器，也可以为服务器集群。该终端可以是手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等电子设备。
如图5所示，视杯视盘分割模型训练装置300包括：样本构建模块301、图像预测模块302、图像投影模块303、损失计算模块304和模型训练模块305。
样本构建模块301，用于获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据。
图像预测模块302，用于将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像。
图像投影模块303，用于对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值。
损失计算模块304，用于分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失。
模型训练模块305，用于根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
请参阅图6，图6是本申请实施例提供的一种基于神经网络的杯盘比确定装置的示意性框图，该基于神经网络的杯盘比确定装置可以配置于终端或服务器中，用于执行前述的基于神经网络的杯盘比确定方法。
如图6所示，该基于神经网络的杯盘比确定装置400，包括图像检测模块401、网络预测模块402和杯盘比确定模块403。
图像检测模块401，用于获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域；
网络预测模块402，用于将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，所述视杯视盘分割模型为采用上述的视杯视盘分割模型训练方法训练得到的模型；
杯盘比确定模块403，用于基于所述视杯视盘分割图像确定杯盘比。
需要说明的是，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，上述描述的装置和各模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
上述的装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以是服务器或终端。
参阅图7，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括非易失性存储介质和内存储器。
非易失性存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种视杯视盘分割模型训练方法或基于神经网络的杯盘比确定方法。
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种视杯视盘分割模型训练方法或基于神经网络的杯盘比确定方法。
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解的是，处理器可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；分别计算分割损失函数的数值和投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
在一个实施例中，所述处理器在实现所述分别计算分割损失函数的数值和投影损失函数的数值时，用于实现：
基于所述预测的视杯视盘分割图像和对应的图像标签，利用分割损失函数公式计算分割损失函数的数值；所述分割损失函数公式为：
Lseg＝-[ytrue log ypred+(1-ytrue)log(1-ypred)]
其中，Lseg表示分割损失函数的数值，ypred表示预设的神经网络根据样本图像预测出的视杯视盘分割图像，ytrue表示所述样本图像对应的图像标签。
在一个实施例中，所述处理器在实现所述分别计算分割损失函数的数值和投影损失函数的数值时，用于实现：
基于所述标签投影值和所述图像投影值，利用投影损失函数公式计算投影损失函数的数值；所述投影损失函数公式为：
Lproj＝||ptrue-ppred||2
其中，Lproj表示投影损失函数的数值，ptrue表示标签投影值，ppred表示图像投影值。
在一个实施例中，所述预设的神经网络包括特征提取层、卷积层和解码层；所述处理器在实现所述将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像时，用于实现：
通过所述特征提取层对所述样本图像进行特征提取，以得到所述样本图像对应的第一特征图像；通过所述卷积层对所述第一特征图像进行卷积操作，以得到代表视杯视盘分割图像的第二特征图像；将所述第二特征图像输入所述解码层，以得到预测的视杯视盘分割图像。
在一个实施例中，在所述将所述样本数据输入预设的神经网络之前，所述处理器用于实现：
对所述样本图像进行预处理，所述预处理包括伸缩处理。
本申请的实施例中还提供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，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现本申请实施例提供的任一项视杯视盘分割模型训练方法或基于神经网络的杯盘比确定方法。
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种视杯视盘分割模型训练方法，其特征在于，包括：
获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；
将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；
对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；其中，所述投影为沿投影方向进行正投影；
基于所述预测的视杯视盘分割图像和对应的图像标签，利用分割损失函数公式计算分割损失函数的数值，以及基于所述标签投影值和所述图像投影值，利用投影损失函数公式计算投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；
根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
2.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述分割损失函数公式为：
Lseg＝-[ytrue log ypred+(1-ytrue)log(1-ypred)]
其中，Lseg表示分割损失函数的数值，ypred表示预设的神经网络根据样本图像预测出的视杯视盘分割图像，ytrue表示所述样本图像对应的图像标签。
3.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述投影损失函数公式为：
Lproj＝||ptrue-ppred||2
其中，Lproj表示投影损失函数的数值，ptrue表示标签投影值，ppred表示图像投影值。
4.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，所述预设的神经网络包括特征提取层、卷积层和解码层；所述将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像，包括：
通过所述特征提取层对所述样本图像进行特征提取，以得到所述样本图像对应的第一特征图像；
通过所述卷积层对所述第一特征图像进行卷积操作，以得到代表视杯视盘分割图像的第二特征图像；
将所述第二特征图像输入所述解码层，以得到预测的视杯视盘分割图像。
5.根据权利要求1所述的视杯视盘分割模型训练方法，其特征在于，在所述将所述样本数据输入预设的神经网络之前，所述方法包括：
对所述样本图像进行预处理，所述预处理包括伸缩处理。
6.一种基于神经网络的杯盘比确定方法，其特征在于，包括：
获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域；
将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，所述视杯视盘分割模型为采用权利要求1至5中任一项所述的视杯视盘分割模型训练方法训练得到的模型；
基于所述视杯视盘分割图像确定杯盘比。
7.一种视杯视盘分割模型训练装置，其特征在于，包括：
样本构建模块，用于获取样本图像和所述样本图像对应的图像标签，以根据所述样本图像和所述样本图像对应的图像标签构建样本数据；
图像预测模块，用于将所述样本数据输入预设的神经网络，以得到预测的视杯视盘分割图像；
图像投影模块，用于对所述图像标签和预测的视杯视盘分割图像分别进行投影，以得到所述图像标签对应的标签投影值和所述预测的视杯视盘分割图像的图像投影值；其中，所述投影为沿投影方向进行正投影；
损失计算模块，用于基于所述预测的视杯视盘分割图像和对应的图像标签，利用分割损失函数公式计算分割损失函数的数值，以及基于所述标签投影值和所述图像投影值，利用投影损失函数公式计算投影损失函数的数值，以得到网络损失函数的数值，其中，所述分割损失函数用于计算所述预测的视杯视盘分割图像和对应的图像标签之间的损失，所述投影损失函数用于计算所述标签投影值和所述图像投影值之间的损失；
模型训练模块，用于根据所述网络损失函数的数值对所述预设的神经网络进行训练，以得到视杯视盘分割模型。
8.一种基于神经网络的杯盘比确定装置，其特征在于，包括：
图像检测模块，用于获取眼底图像，并对所述眼底图像进行视盘区域检测，以得到视盘区域；
网络预测模块，用于将所述视盘区域输入预先训练的视杯视盘分割模型，得到视杯视盘分割图像，所述视杯视盘分割模型为采用权利要求1至5中任一项所述的视杯视盘分割模型训练方法训练得到的模型；
杯盘比确定模块，用于基于所述视杯视盘分割图像确定杯盘比。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；
所述存储器用于存储计算机程序；
所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至5中任一项所述的视杯视盘分割模型训练方法，或者实现如权利要求6所述的基于神经网络的杯盘比确定方法。
10.一种计算机可读存储介质，其特征在于，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使所述处理器实现如权利要求1至5中任一项所述的视杯视盘分割模型训练方法，或者实现如权利要求6所述的基于神经网络的杯盘比确定方法。
CN202011005659.8A 2020-09-22 2020-09-22 模型训练方法、杯盘比确定方法、装置、设备及存储介质 Active CN112132265B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011005659.8A CN112132265B (zh) 2020-09-22 2020-09-22 模型训练方法、杯盘比确定方法、装置、设备及存储介质
PCT/CN2020/125008 WO2021189848A1 (zh) 2020-09-22 2020-10-30 模型训练方法、杯盘比确定方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011005659.8A CN112132265B (zh) 2020-09-22 2020-09-22 模型训练方法、杯盘比确定方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112132265A CN112132265A (zh) 2020-12-25
CN112132265B true CN112132265B (zh) 2024-05-07

Family

ID=73842490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011005659.8A Active CN112132265B (zh) 2020-09-22 2020-09-22 模型训练方法、杯盘比确定方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN112132265B (zh)
WO (1) WO2021189848A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113658165B (zh) * 2021-08-25 2023-06-20 平安科技（深圳）有限公司 杯盘比确定方法、装置、设备及存储介质
CN115689923A (zh) * 2022-10-27 2023-02-03 佛山读图科技有限公司 低剂量ct图像降噪系统与降噪方法
CN115601751B (zh) * 2022-10-31 2023-04-28 中国人民解放军国防科技大学 一种基于领域泛化的眼底图像语义分割方法
CN115587629B (zh) * 2022-12-07 2023-04-07 中国科学院上海高等研究院 协方差膨胀系数估计方法、模型训练方法、存储介质终端
CN116385725B (zh) * 2023-06-02 2023-09-08 杭州聚秀科技有限公司 眼底图像视盘视杯分割方法及装置、电子设备
CN116680620B (zh) * 2023-07-28 2023-10-27 克拉玛依市紫光技术有限公司 一种压裂用防乳化剂的制备方法及其系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829877A (zh) * 2018-09-20 2019-05-31 中南大学 一种视网膜眼底图像杯盘比自动评估方法
CN111476771A (zh) * 2020-04-03 2020-07-31 中山大学 一种基于距离对抗生成网络的领域自适应方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10368734B2 (en) * 2015-02-19 2019-08-06 Carl Zeiss Meditec, Inc. Methods and systems for combined morphological and angiographic analyses of retinal features
US9675244B1 (en) * 2015-12-02 2017-06-13 Novartis Ag Location indicator for optical coherence tomography in ophthalmic visualization
CN107704886A (zh) * 2017-10-20 2018-02-16 北京工业大学 一种基于深度卷积神经网络的医疗图像分级系统和方法
CN108520522A (zh) * 2017-12-31 2018-09-11 南京航空航天大学 基于深度全卷积神经网络的视网膜眼底图像分割方法
CN110992382B (zh) * 2019-12-30 2022-07-15 四川大学 用于辅助青光眼筛查的眼底图像视杯视盘分割方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109829877A (zh) * 2018-09-20 2019-05-31 中南大学 一种视网膜眼底图像杯盘比自动评估方法
CN111476771A (zh) * 2020-04-03 2020-07-31 中山大学 一种基于距离对抗生成网络的领域自适应方法及系统

Also Published As

Publication number Publication date
WO2021189848A1 (zh) 2021-09-30
CN112132265A (zh) 2020-12-25

Similar Documents

Publication Publication Date Title
CN112132265B (zh) 模型训练方法、杯盘比确定方法、装置、设备及存储介质
US20210158533A1 (en) Image processing method and apparatus, and storage medium
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN111862187B (zh) 基于神经网络的杯盘比确定方法、装置、设备及存储介质
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
US11967181B2 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
JP2013051988A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN112634316B (zh) 目标跟踪方法、装置、设备和存储介质
US20220092790A1 (en) Digital Image Boundary Detection
US20240005510A1 (en) Method and apparatus of nidus segmentation, electronic device, and storage medium
WO2024125217A1 (zh) 一种光斑追踪方法、装置、电子设备及存储介质
CN115018805A (zh) 分割模型训练方法、图像分割方法、装置、设备及介质
CN113971728B (zh) 图像识别方法、模型的训练方法、装置、设备及介质
WO2021097595A1 (zh) 图像的病变区域分割方法、装置及服务器
CN113160199B (zh) 影像识别方法、装置、计算机设备和存储介质
CN114596440A (zh) 语义分割模型的生成方法、装置、电子设备及存储介质
CN108734718B (zh) 用于图像分割的处理方法、装置、存储介质及设备
CN110796115B (zh) 图像检测方法、装置、电子设备及可读存储介质
CN115409856B (zh) 一种肺部医学图像处理方法、装置、设备及存储介质
CN112488982A (zh) 一种超声图像检测方法及装置
CN115482248A (zh) 图像分割方法、装置、电子设备及存储介质
CN112530554B (zh) 一种扫描定位方法、装置、存储介质及电子设备
CN115482261A (zh) 血管配准方法、装置、电子设备及存储介质
KR102472886B1 (ko) 신부전증의 진단에 대한 정보 제공 방법 및 이를 이용한 디바이스
CN113077440A (zh) 病理图像的处理方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041541

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant