CN112734701A - 眼底病灶检测方法、检测装置及终端设备 - Google Patents
眼底病灶检测方法、检测装置及终端设备 Download PDFInfo
- Publication number
- CN112734701A CN112734701A CN202011575989.0A CN202011575989A CN112734701A CN 112734701 A CN112734701 A CN 112734701A CN 202011575989 A CN202011575989 A CN 202011575989A CN 112734701 A CN112734701 A CN 112734701A
- Authority
- CN
- China
- Prior art keywords
- image
- fundus
- test
- training
- detected
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims description 94
- 238000012549 training Methods 0.000 claims description 82
- 230000003902 lesion Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 210000004220 fundus oculi Anatomy 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 208000030533 eye disease Diseases 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 208000022873 Ocular disease Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 206010010264 Condition aggravated Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000013441 ocular lesion Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G06T5/70—
-
- 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
Abstract
本申请适用于图像处理技术领域，提供了一种眼底病灶检测方法、检测装置及终端设备，包括：获取包含眼底区域的待检测图像；调整所述待检测图像中所述眼底区域的亮度，获得调整图像；根据训练后的检测模型检测所述调整图像中的病灶。通过上述方法，能够有效提高眼底病灶的检测精度。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及眼底病灶检测方法、检测装置及终端设备。
背景技术
随着饮食习惯的改变和生活方式的变化，越来越多的人患上了眼部疾病。对于眼部疾病，需要做到早诊断早治疗，以防止疾病加重、导致失明。通常眼部疾病的病灶不易观察，例如，眼底视网膜病变等，就无法通过医生的观测确定诊断结果。因此，对眼部病灶的检测是诊断眼部疾病的关键。
现有的眼部疾病检测方法中，可以通过医学仪器获取眼部医学图像，通过对眼部医学图像进行图像检测，来确定眼部病灶的位置和类型等。但是现有方法中，大多是基于图像的灰度、梯度等特征以及简单的阈值过滤来进行病灶检测的。由于眼底视网膜中视盘、黄斑和血管等生理结构较为复杂，通过现有方法，无法保证提取出的眼底病灶区域的特征信息的有效性，进而导致检测精度较低。
发明内容
本申请实施例提供了一种眼底病灶检测方法、检测装置及终端设备，可以提高眼底病灶的检测精度和检测效率。
第一方面，本申请实施例提供了一种眼底病灶检测方法，包括：
获取包含眼底区域的待检测图像；
调整所述待检测图像中所述眼底区域的亮度，获得调整图像；
根据训练后的检测模型检测所述调整图像中的病灶。
在本申请实施例中，通过调整待检测图像中眼底区域的亮度，能够突出显示待检测图像的眼底区域中的候选病灶，为病灶的检测提供了可靠的数据基础，进而有助于提供检测精度。另外，利用训练后的检测模型对病灶进行检测，能够有效提高检测效率，同时提高检测精度。
在第一方面的一种可能的实现方式中，所述调整所述待检测图像中所述眼底区域的亮度，获得调整图像，包括：
从所述待检测图像中截取所述眼底区域，获得眼底图像；
调整所述眼底图像的亮度，获得所述调整图像。
在第一方面的一种可能的实现方式中，所述从所述待检测图像中截取所述眼底区域，获得眼底图像，包括：
将所述待检测图像转换为灰度图像；
根据所述灰度图像中像素点的像素值从所述灰度图像中截取所述眼底区域，获得所述眼底图像。
在第一方面的一种可能的实现方式中，所述根据所述灰度图像中像素点的像素值从所述灰度图像中截取所述眼底区域，获得所述眼底图像，包括：
去除所述灰度图像中满足预设条件的像素值对应的像素点，并将去除后的所述灰度图像确定为所述眼底图像；
其中，所述预设条件包括：所述像素点的像素值在第一预设数值范围内。
在第一方面的一种可能的实现方式中，所述调整所述眼底图像的亮度，获得所述调整图像，包括：
对所述眼底图像进行平滑处理，得到平滑图像；
获取所述眼底图像和所述平滑图像的差值图像；
对所述差值图像中的像素点的像素值进行增强处理，获得增强后的差值图像；
将所述增强后的差值图像确定为所述调整图像。
在第一方面的一种可能的实现方式中，所述方法还包括：
获取训练图像集和测试图像集；
根据所述训练图像集对所述检测模型进行训练，得到中间模型；
根据所述测试图像集对所述中间模型进行测试，获得测试结果；
根据所述测试结果更新所述训练图像集，获得更新后的所述训练图像集；
根据所述更新后的所述训练图像集重新对所述中间模型进行训练，获得所述训练后的检测模型。
在第一方面的一种可能的实现方式中，所述测试结果包括所述测试图像集中的测试图像各自对应的测试标签，所述测试标签包括第一概率值和第二概率值；
所述根据所述测试结果更新所述训练图像集，获得更新后的所述训练图像集，包括：
对于所述测试图像集中的任意一张所述测试图像，当所述测试图像对应的所述测试标签中的所述第一概率值在第二预设数值范围内时，将所述测试图像标记为正样本；
当所述测试图像对应的所述测试标签中的所述第二概率值在第三预设数值范围内时，将所述测试图像标记为负样本。
第二方面，本申请实施例提供了一种眼底病灶检测装置，包括：
图像获取单元，用于获取待检测图像，所述待检测图像中包括眼底区域和背景区域；
亮度调整单元，用于调整所述眼底区域的亮度，获得调整图像；
病灶检测单元，用于根据训练后的检测模型检测所述调整图像中的病灶。
第三方面，本申请实施例提供了一种终端设备，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上述第一方面中任一项所述的眼底病灶检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例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，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的眼底病灶检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的眼底病灶检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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是本申请实施例提供的检测模型的训练方法的流程示意图；
图2是本申请实施例提供的检测模型的结构示意图；
图3是本申请实施例提供的检测模型的训练过程示意图；
图4是本申请实施例提供的眼底病灶检测方法的流程示意图；
图5是本申请实施例提供的眼底图像的截取过程示意图；
图6是本申请实施例提供的调整图像的示意图；
图7是本申请实施例提供的眼底病灶检测装置的结构框图；
图8是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
本申请实施例包括检测模型的训练过程和眼底病灶的检测过程两个方面。首先利用样本图像对检测模型进行训练，然后利用训练后的检测模型对待检测图像进行检测。
下面首先介绍检测模型的训练过程。参见图1，是本申请实施例提供的检测模型的训练方法的流程示意图。
S101，获取训练图像集和测试图像集。
训练图像集中包括多张训练图像，测试图像集中包括多张测试图像。
训练图像携带标签信息。例如，若一张训练图像中包括眼底病灶，即患有疾病的眼底图像，该训练图像的标签信息可以为1。若一张训练图像包括为正常的眼底图像，该训练图像的标签信息可以为0。需要说明的是，上述只是标签信息的示例，并不对标签信息的具体形式做具体限定。标签信息可以是数字、文字或符号等。
训练图像的标签信息通常是由人工标注的。标签信息可以用于表示检测的类别。例如：当需要检测是否患病时，标签信息可以包括两个数值，一个数值表示患有疾病，另一个数值表示未患有疾病。当需要检测病灶位置时，标签信息可以包括病灶对应的检测框的位置信息。根据实际需要标注标签信息，相应的，利用携带有标签信息的训练图像训练后的检测模型，也可以用来检测标签信息对应的类别。
训练图像和测试图像可以为包括眼底区域的RGB图像。为了使检测模型能够获取更清晰、更精确的特征信息，可以对训练图像和测试图像进行预处理。预处理过程与检测过程中对待检测图像的预处理过程相同，具体可参见S402 中的描述，在此不再赘述。
S102，根据训练图像集对检测模型进行训练，得到中间模型。
这里的中间模型是指，还未训练完成的检测模型。
为了减少计算量，检测模型可以采用轻量级的分类神经网络，如resnet18 网络等。轻量级网络可以嵌入在如移动设备等便携设备上，提高了本申请中眼底病灶检测方法的实用性和便捷性。
示例性的，参见图2，是本申请实施例提供的检测模型的结构示意图。如图2所示，检测模型可以包括4个残差模块(如图2所示的C1-C4)和一个平均池化层(如图2中的AP)。利用残差网络能够避免梯度消失问题。利用平均池化层可以将相邻像素的特征信息融合在一起。残差模块的尺度可以根据输入图像的尺寸进行调整。通过图2所示的检测模型，能够输出各种类别对应的概率值(如患病的概率和健康的概率)。
S103，根据测试图像集对中间模型进行测试，获得测试结果。
所述测试结果包括所述测试图像集中的测试图像各自对应的测试标签，所述测试标签包括第一概率值和第二概率值。
S104，根据测试结果更新所述训练图像集，获得更新后的训练图像集。
S105，根据更新后的所述训练图像集重新对中间模型进行训练，获得训练后的检测模型。
通常在训练过程中，不只训练一次，而是利用训练图像集对检测模型反复训练K次，或者反复训练检测模型、直到检测模型达到预设精度。上述步骤即描述了一次训练过程。对于反复训练的过程，示例性的，可参见图3，是本申请实施例提供的检测模型的训练过程示意图。
如图3所示，获取训练图像集后，对训练图像集中的每张训练图像进行预处理；然后将预处理后的训练图像输入到检测模型中，以对检测模型进行训练，得到中间模型；判断当前是否达到预设训练次数K；若达到预设训练次数K，将当前的中间模型确定为训练后的检测模型；若未达到预设训练次数K，将测试图像集中的测试图像输入到中间模型中，输出测试图像的测试标签；然后将携带有测试标签的测试图像添加到训练图像集中；之后再利用更新后的训练图像集重新对中间模型进行训练，直到训练次数达到K。
在一个实施例中，S104的一种实现方式包括：
对于测试图像集中的任意一张测试图像，当测试图像对应的测试标签中的第一概率值在第二预设数值范围内时，将测试图像标记为正样本；当测试图像对应的测试标签中的第二概率值在第三预设数值范围内时，将测试图像标记为负样本。
正样本和负样本用于表示不同类别的训练图像。例如：当患病眼底的图像为正样本时，未患病眼底的图像为负样本；当患病眼底的图像为负样本时，未患病眼底的图像为正样本。
示例性的，假设测试图像的测试结果包括第一概率值P1和第二概率值P2，其中，P1表示测试图像是健康眼底的概率值，P2表示测试图像是患病眼底的概率值。当P1在第二预设数值范围时，将测试图像标记为正样本(即表示健康眼底图像)；当P2在第三预设数值范围时，将测试图像标记为负样本(即表示患病眼底图像)。
可选的，第二预设数值范围和第三预设数值范围可以是一个固定的数值范围。但是由于检测模型刚开始训练时检测精度较低，而随着训练次数的增加，检测模型的检测精度逐渐提高。如果利用一个固定的数值范围确定测试图像的检测标签，训练效果较差。
为了解决上述问题，可选的，第二预设数值范围和第三预设数值范围可以根据训练次数动态调整。
示例性的，第二预设数值范围和第三预设数值范围均可以为大于1-0.001k。其中，k为当前已训练的次数。随着训练次数增加，即k值增加，1-0.001k对应的数值减小。相当于随着训练次数的增加，降低了阈值，这样可以增加更多的训练样本。
本申请上述实施例，可以根据测试结果生成测试图像的伪标签，将携带有伪标签的测试图像作为新的训练图像添加到训练图像集中。通过上述方式，能够动态更新训练图像集，同时又无需人工标注，减少了人力成本。当训练图像较少时，利用上述方法，能够有效保证检测模型的训练精度。
检测模型训练完成后，利用训练后的检测模型进行检测。下面介绍眼底病灶的检测过程。参见图4，是本申请实施例提供的眼底病灶检测方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S401，获取包含眼底区域的待检测图像。
由于眼底区域中包括了视盘、黄斑和血管等生理结构，结构较为复杂。如果直接对待检测图像进行检测，将会影响检测精度。为了解决上述问题，本申请实施例中，对待检测图像进行预处理。具体的预处理过程如下面S402所述。
S402，调整待检测图像中眼底区域的亮度，获得调整图像。
通常待检测图像，即包含眼底区域的医学图像中也包含了背景图像。当调整待检测图像的亮度时，待检测图像中的背景图像部分也会相应的调整，可能会导致调整后的图像中眼底区域和背景图像之间的界限不清楚，两个部分混淆在一起，进而影响检测精度。
为了解决上述问题，在一个实施例中，S402的一种实现方式包括：
I、从待检测图像中截取眼底区域，获得眼底图像。
通过步骤I中的方法，可以将待检测图像中的背景图像切除掉，从而避免了背景图像对眼底区域的干扰，同时还能够减少待检测图像中对检测方法无用的冗余信息，减少计算量，提高检测效率。
可选的，I可以包括：
将待检测图像转换为灰度图像；根据灰度图像中像素点的像素值从灰度图像中截取眼底区域，获得眼底图像。
通常待检测图像为RGB图像，即图像中每个像素点有R、G、B三个通道数值。数据量较大，影响检测效率。而病灶区域与正常区域通常并未在颜色上表现出明显的差异，大多在形态上差异较明显。因此，为了减少运算量，提高检测效率，可以将RGB图像转换为灰度图像。灰度图像中每个像素点只对应一个像素值，大大减少了运算数据量。
可选的，可以通过以下几种方法，将RGB图像转换为灰度图像：
1.浮点算法：Gray＝R*0.3+G*0.59+B*0.11；
2.整数方法：Gray＝(R*30+G*59+B*11)/100；
3.移位方法：Gray＝(R*76+G*151+B*28)>>8；
4.平均值法：Gray＝(R+G+B)/3；
其中，Gray为灰度图像中像素点的像素值，R为RGB图像中像素点的R通道数值，G为RGB图像中像素点的G通道数值，B为RGB图像中像素点的B通道数值。
具体的，根据灰度图像中像素点的像素值从灰度图像中截取眼底区域，获得眼底图像可以包括：去除灰度图像中满足预设条件的像素值对应的像素点，并将去除后的灰度图像确定为眼底图像；其中，预设条件包括：像素点的像素值在第一预设数值范围内。
示例性的，假设灰度图像中像素点的像素值的取值范围为0-1，可以将第一预设数值范围设置为小于0.2、或大于0.98。即当灰度图像中某个像素点的像素值在0.2-0.98时，保留该像素点；当灰度图像中某个像素点的像素值小于0.2、或大于0.98时，去除该像素点。
参见图5，是本申请实施例提供的眼底图像的截取过程示意图。如图5所示，通过I中的方法，可以将背景图像去除掉。
在实际应用中，还可能存在一种情况，即灰度图像中眼底区域的某些像素点的像素值也在第一预设数值范围内。这种情况下，将会去除掉眼底区域中的某些特征信息。
为了避免上述情况的发生，可以在去除像素点之前，先拟合出灰度图像中眼底区域与背景图像之间的界限，然后再根据像素值去除背景图像。即只对背景图像中的像素点进行去除处理，而不对眼底区域中的像素点进行去除处理。
II、调整眼底图像的亮度，获得调整图像。
调整眼底图像的亮度的目的是，突出显示眼底图像中的病灶。
可选的，II的一种实现方式包括：
对眼底图像进行平滑处理，得到平滑图像；获取眼底图像和平滑图像的差值图像；对差值图像中的像素点的像素值进行增强处理，获得增强后的差值图像；将增强后的差值图像确定为调整图像。
可选的，可以利用高斯模糊核对眼底图像进行平滑处理。
由于灰度图像中像素点的像素值相对较小，计算出的差值图像中像素点的像素值也较小，差异不明显。示例性的：为了提高两者差异，可以通过公式 imgsub＝4*img-4*img_blur计算差值图像中各像素点的像素值。其中， imgsub表示差值图像中像素点的像素值，img表示眼底图像中像素点的像素值， img_blur表示平滑图像中像素点的像素值。通过上述公式，将差值图像中各像素点的像素值扩大了4倍。需要说明的是，利用上述公式计算差值图像中像素点的像素值时，是对眼底图像和平滑图像中相对应的像素点进行处理。
进一步的，还可以对差值图像中像素点的像素值进行增强处理。示例性的，通过公式imgfinal＝imgsub+128对差值图像中的每个像素点的像素值进行增强处理。其中，imgfinal为调整图像。
参见图6，是本申请实施例提供的调整图像的示意图。图6中的(a)所示为正常眼底图像，图6中的(b)为患病眼底图像。如图6所示，经过亮度调节之后，患病眼底图像中的病灶变得更加明显了。
S403，根据训练后的检测模型检测调整图像中的病灶。
在本申请实施例中，通过调整待检测图像中眼底区域的亮度，能够突出显示待检测图像的眼底区域中的候选病灶，为病灶的检测提供了可靠的数据基础，进而有助于提供检测精度。另外，利用训练后的检测模型对病灶进行检测，能够有效提高检测效率，同时提高检测精度。
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，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的眼底病灶检测方法，图7是本申请实施例提供的眼底病灶检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该装置包括：
图像获取单元71，用于获取待检测图像，所述待检测图像中包括眼底区域和背景区域。
亮度调整单元72，用于调整所述眼底区域的亮度，获得调整图像。
病灶检测单元73，用于根据训练后的检测模型检测所述调整图像中的病灶。
可选的，亮度调整单元72包括：
截取模块，用于从所述待检测图像中截取所述眼底区域，获得眼底图像。
调整模块，用于调整所述眼底图像的亮度，获得所述调整图像。
可选的，截取模块还用于：
将所述待检测图像转换为灰度图像；根据所述灰度图像中像素点的像素值从所述灰度图像中截取所述眼底区域，获得所述眼底图像。
可选的，截取模块还用于：
去除所述灰度图像中满足预设条件的像素值对应的像素点，并将去除后的所述灰度图像确定为所述眼底图像；其中，所述预设条件包括：所述像素点的像素值在第一预设数值范围内。
可选的，调整模块还用于：
对所述眼底图像进行平滑处理，得到平滑图像；获取所述眼底图像和所述平滑图像的差值图像；对所述差值图像中的像素点的像素值进行增强处理，获得增强后的差值图像；将所述增强后的差值图像确定为所述调整图像。
可选的，装置7还包括：
训练单元74，用于获取训练图像集和测试图像集；根据所述训练图像集对所述检测模型进行训练，得到中间模型；根据所述测试图像集对所述中间模型进行测试，获得测试结果；根据所述测试结果更新所述训练图像集，获得更新后的所述训练图像集；根据所述更新后的所述训练图像集重新对所述中间模型进行训练，获得所述训练后的检测模型。
可选的，所述测试结果包括所述测试图像集中的测试图像各自对应的测试标签，所述测试标签包括第一概率值和第二概率值。
可选的，训练单元74还用于：
对于所述测试图像集中的任意一张所述测试图像，当所述测试图像对应的所述测试标签中的所述第一概率值在第二预设数值范围内时，将所述测试图像标记为正样本；当所述测试图像对应的所述测试标签中的所述第二概率值在第三预设数值范围内时，将所述测试图像标记为负样本。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图7所示的眼底病灶检测装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
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。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、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。
图8是本申请实施例提供的终端设备的结构示意图。如图8所示，该实施例的终端设备8包括：至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个眼底病灶检测方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图8仅仅是终端设备8的举例，并不构成对终端设备8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80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)、现成可编程门阵列(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。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。
所述存储器81在一些实施例中可以是所述终端设备8的内部存储单元，例如终端设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述终端设备8的外部存储设备，例如所述终端设备8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例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实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U 盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种眼底病灶检测方法，其特征在于，包括：
获取包含眼底区域的待检测图像；
调整所述待检测图像中所述眼底区域的亮度，获得调整图像；
根据训练后的检测模型检测所述调整图像中的病灶。
2.如权利要求1所述的眼底病灶检测方法，其特征在于，所述调整所述待检测图像中所述眼底区域的亮度，获得调整图像，包括：
从所述待检测图像中截取所述眼底区域，获得眼底图像；
调整所述眼底图像的亮度，获得所述调整图像。
3.如权利要求2所述的眼底病灶检测方法，其特征在于，所述从所述待检测图像中截取所述眼底区域，获得眼底图像，包括：
将所述待检测图像转换为灰度图像；
根据所述灰度图像中像素点的像素值从所述灰度图像中截取所述眼底区域，获得所述眼底图像。
4.如权利要求3所述的眼底病灶检测方法，其特征在于，所述根据所述灰度图像中像素点的像素值从所述灰度图像中截取所述眼底区域，获得所述眼底图像，包括：
去除所述灰度图像中满足预设条件的像素值对应的像素点，并将去除后的所述灰度图像确定为所述眼底图像；
其中，所述预设条件包括：所述像素点的像素值在第一预设数值范围内。
5.如权利要求2所述的眼底病灶检测方法，其特征在于，所述调整所述眼底图像的亮度，获得所述调整图像，包括：
对所述眼底图像进行平滑处理，得到平滑图像；
获取所述眼底图像和所述平滑图像的差值图像；
对所述差值图像中的像素点的像素值进行增强处理，获得增强后的差值图像；
将所述增强后的差值图像确定为所述调整图像。
6.如权利要求1至5任一项所述的眼底病灶检测方法，其特征在于，所述方法还包括：
获取训练图像集和测试图像集；
根据所述训练图像集对所述检测模型进行训练，得到中间模型；
根据所述测试图像集对所述中间模型进行测试，获得测试结果；
根据所述测试结果更新所述训练图像集，获得更新后的所述训练图像集；
根据所述更新后的所述训练图像集重新对所述中间模型进行训练，获得所述训练后的检测模型。
7.如权利要求6所述的眼底病灶检测方法，其特征在于，所述测试结果包括所述测试图像集中的测试图像各自对应的测试标签，所述测试标签包括第一概率值和第二概率值；
所述根据所述测试结果更新所述训练图像集，获得更新后的所述训练图像集，包括：
对于所述测试图像集中的任意一张所述测试图像，当所述测试图像对应的所述测试标签中的所述第一概率值在第二预设数值范围内时，将所述测试图像标记为正样本；
当所述测试图像对应的所述测试标签中的所述第二概率值在第三预设数值范围内时，将所述测试图像标记为负样本。
8.一种眼底病灶检测装置，其特征在于，包括：
图像获取单元，用于获取待检测图像，所述待检测图像中包括眼底区域和背景区域；
亮度调整单元，用于调整所述眼底区域的亮度，获得调整图像；
病灶检测单元，用于根据训练后的检测模型检测所述调整图像中的病灶。
9.一种终端设备，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7任一项所述的方法。
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7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011575989.0A CN112734701A (zh) | 2020-12-28 | 2020-12-28 | 眼底病灶检测方法、检测装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011575989.0A CN112734701A (zh) | 2020-12-28 | 2020-12-28 | 眼底病灶检测方法、检测装置及终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112734701A true CN112734701A (zh) | 2021-04-30 |
Family
ID=75606112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011575989.0A Pending CN112734701A (zh) | 2020-12-28 | 2020-12-28 | 眼底病灶检测方法、检测装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112734701A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541906A (zh) * | 2020-12-17 | 2021-03-23 | 上海鹰瞳医疗科技有限公司 | 一种数据处理的方法及装置、电子设备、存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
| CN107491790A (zh) * | 2017-08-25 | 2017-12-19 | 北京图森未来科技有限公司 | 一种神经网络训练方法及装置 |
| CN110210286A (zh) * | 2019-04-17 | 2019-09-06 | 平安科技（深圳）有限公司 | 基于眼底图像的异常识别方法、装置、设备及存储介质 |
| CN110503639A (zh) * | 2019-08-15 | 2019-11-26 | 依未科技(北京)有限公司 | 处理眼底图像的方法和装置 |
| CN110675325A (zh) * | 2018-07-03 | 2020-01-10 | 江威 | 一种增强眼底图像的方法和装置 |
| CN111582360A (zh) * | 2020-05-06 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 用于标注数据的方法、装置、设备和介质 |
-
2020
- 2020-12-28 CN CN202011575989.0A patent/CN112734701A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530295A (zh) * | 2016-11-07 | 2017-03-22 | 首都医科大学 | 一种视网膜病变的眼底图像分类方法和装置 |
| CN107491790A (zh) * | 2017-08-25 | 2017-12-19 | 北京图森未来科技有限公司 | 一种神经网络训练方法及装置 |
| CN110675325A (zh) * | 2018-07-03 | 2020-01-10 | 江威 | 一种增强眼底图像的方法和装置 |
| CN110210286A (zh) * | 2019-04-17 | 2019-09-06 | 平安科技（深圳）有限公司 | 基于眼底图像的异常识别方法、装置、设备及存储介质 |
| CN110503639A (zh) * | 2019-08-15 | 2019-11-26 | 依未科技(北京)有限公司 | 处理眼底图像的方法和装置 |
| CN111582360A (zh) * | 2020-05-06 | 2020-08-25 | 北京字节跳动网络技术有限公司 | 用于标注数据的方法、装置、设备和介质 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡震震;唐鹏;胡建斌;金炜东;: "深度卷积神经网络实现硬性渗出的自动检测", 计算机科学, no. 2, 15 November 2018 (2018-11-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541906A (zh) * | 2020-12-17 | 2021-03-23 | 上海鹰瞳医疗科技有限公司 | 一种数据处理的方法及装置、电子设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458883B (zh) | 一种医疗影像的处理系统、方法、装置和设备 | |
| WO2020199593A1 (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
| CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
| CN110705583B (zh) | 细胞检测模型训练方法、装置、计算机设备及存储介质 | |
| Sugeno et al. | Simple methods for the lesion detection and severity grading of diabetic retinopathy by image processing and transfer learning | |
| CN110889826B (zh) | 眼部oct图像病灶区域的分割方法、装置及终端设备 | |
| Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
| CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
| US11967181B2 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN111882566B (zh) | 视网膜图像的血管分割方法、装置、设备及存储介质 | |
| CN109816666B (zh) | 对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质 | |
| US11379989B2 (en) | Method and device of extracting label in medical image | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| da Rocha et al. | An unsupervised approach to improve contrast and segmentation of blood vessels in retinal images using CLAHE, 2D Gabor wavelet, and morphological operations | |
| CN115760858B (zh) | 基于深度学习的肾脏病理切片细胞识别方法及系统 | |
| CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
| CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
| CN117788407A (zh) | 基于人工神经网络的青光眼图像特征提取的训练方法 | |
| CN114782337A (zh) | 基于人工智能的oct图像推荐方法、装置、设备及介质 | |
| CN113192067B (zh) | 基于图像检测的智能预测方法、装置、设备及介质 | |
| CN112734701A (zh) | 眼底病灶检测方法、检测装置及终端设备 | |
| CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| WO2020160606A1 (en) | Diagnostic imaging for diabetic retinopathy | |
| CN115829980A (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 | |
| CN112529002B (zh) | 舌体图片分类方法、装置、计算机设备及存储介质 |
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 |