CN112785582B - 热力图生成模型的训练方法、装置、电子设备和存储介质 - Google Patents
热力图生成模型的训练方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112785582B CN112785582B CN202110130108.2A CN202110130108A CN112785582B CN 112785582 B CN112785582 B CN 112785582B CN 202110130108 A CN202110130108 A CN 202110130108A CN 112785582 B CN112785582 B CN 112785582B
- Authority
- CN
- China
- Prior art keywords
- thermodynamic diagram
- fundus image
- thermodynamic
- fovea
- value
- 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
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 309
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000012549 training Methods 0.000 title claims abstract description 51
- 238000002372 labelling Methods 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 31
- 206010025421 Macule Diseases 0.000 claims description 58
- 210000002189 macula lutea Anatomy 0.000 claims description 41
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000004438 eyesight Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004310 photopic vision Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (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)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本公开公开了一种热力图生成模型的训练方法、装置、电子设备和存储介质,尤其涉及深度学习、图像识别、计算机视觉、AI医疗等技术领域。具体实现方案为:获取眼底图像及与眼底图像对应的标注热力图,标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,黄斑中心凹为位于眼底图像中的像素点;利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图;基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差异以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值;基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及深度学习、图像识别、计算机视觉、AI(Artificial Intelligence,人工智能)医疗等技术领域,尤其涉及一种热力图生成模型的训练方法、装置、电子设备和存储介质。
背景技术
黄斑中心凹是黄斑区域中央的视网膜内表面的凹陷,负责中央的明视和高分辨率视觉,而黄斑中心凹定位技术是指计算机在彩色眼底图像中自动定位黄斑中心凹的位置的技术。在当今眼底状况分析中,定位关键结构或者关键点的位置十分重要,一旦知道这些位置,就可以在图象中建立坐标系或进行基于这些关键位置的后续处理。如何准确地对黄斑中心凹进行定位,显得至关重要。
发明内容
本公开提供了一种热力图生成模型的训练方法、装置、电子设备和存储介质。
本公开一方面,提供了一种热力图生成模型的训练方法,包括:
获取眼底图像及与所述眼底图像对应的标注热力图,其中,所述标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,所述黄斑中心凹为位于所述眼底图像中的像素点;
利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图;
基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值;
基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型。
本公开的另一方面,提供了一种黄斑中心凹的定位方法,包括:
获取待处理的眼底图像;
利用热力图生成模型对所述眼底图像进行处理,以生成热力图,其中,所述热力图生成模型由上述一方面实施例的热力图生成模型的训练生成;
根据所述热力图,确定所述眼底图像的黄斑中心凹位置。
本公开的另一方面,提供了一种热力图生成模型的训练装置,包括:
第一获取模块,用于获取眼底图像及与所述眼底图像对应的标注热力图,其中,所述标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,所述黄斑中心凹为位于所述眼底图像中的像素点;
第二获取模块,用于利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图;
第一确定模块,用于基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值;
第一生成模块,基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型。
本公开的另一方面,提供了一种黄斑中心凹的定位装置,包括:
第三获取模块,用于获取待处理的眼底图像;
第二生成模块,用于利用热力图生成模型对所述眼底图像进行处理,以生成热力图,其中,所述热力图生成模型由上述一方面实施例的热力图生成模型的训练生成;
第二确定模块,用于根据所述热力图,确定所述眼底图像的黄斑中心凹位置。
本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述一方面实施例所述的热力图生成模型的训练方法、或者执行上述一方面实施例所述的黄斑中心凹的定位方法。
本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其上存储有计算机程序,所述计算机指令用于使所述计算机执行上述一方面实施例所述的热力图生成模型的训练方法、或者执行上述一方面实施例所述的黄斑中心凹的定位方法。
本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现上述一方面实施例所述的热力图生成模型的训练方法、或者执行上述一方面实施例所述的黄斑中心凹的定位方法。
本公开提供的热力图生成模型的训练方法、装置、电子设备和存储介质,存在如下有益效果:
获取眼底图像及与眼底图像对应的标注热力图,标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,黄斑中心凹为位于眼底图像中的像素点,之后利用初始模型对眼底图像进行处理,以获取眼底图像对应的预测热力图,再基于预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值以及任一点与黄斑中心凹间的距离,确定眼底图像对应的损失值,从而可以基于眼底图像对应的损失值,对初始模型进行反向修正,以生成修正后的热力图生成模型。由此,在模型训练过程中,根据眼底图像中各个点与黄斑中心凹间的距离,在损失函数中为不同的点赋予不同的权重,从而使得不同的点的回传梯度不同,使得模型输出的热力图峰值更加突出,结果更加准确。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1A为本公开一实施例提供的一种热力图生成模型的训练方法的流程示意图;
图1B为本公开一实施例提供的一种初始模型对眼底图像进行处理的过程示意图;
图2为本公开另一实施例提供的一种热力图生成模型的训练方法的流程示意图;
图3为本公开另一实施例提供的一种热力图生成模型的训练方法的流程示意图;
图4A为本公开一实施例提供的一种热力图;
图4B为本公开一实施例提供的另一种热力图;
图5为本公开另一实施例提供的一种热力图生成模型的训练装置的结构示意图;
图6为本公开另一实施例提供的一种热力图生成模型的训练装置的结构示意图;
图7为本公开另一实施例提供的一种黄斑中心凹的定位装置的结构示意图;
图8为用来实现本公开实施例的热力图生成模型的训练方法或者黄斑中心凹的定位方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是指多层的人工神经网络和训练它的方法。一层神经网络会把大量矩阵数字作为输入,通过非线性激活方法取权重,再产生另一个数据集合作为输出。通过合适的矩阵数量,多层组织链接一起,形成神经网络“大脑”进行精准复杂的处理,就像人们识别物体标注图片一样。
计算机视觉是一个跨学科的科学领域,研究如何让计算机从数字图像或视频中获得高水平的理解。从工程学的角度来看,它寻求人类视觉系统能够完成的自动化任务。计算机视觉任务包括获取、处理、分析和理解数字图像的方法,以及从现实世界中提取高维数据以便例如以决策的形式产生数字或符号信息的方法。
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术,是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别,人脸识别主要运用在安全检查、身份核验与移动支付中;商品识别主要运用在商品流通过程中,特别是无人货架、智能零售柜等无人零售领域。图像的传统识别流程可以为图像采集、图像预处理、特征提取、图像识别。
AI医疗是以互联网为依托,通过基础设施的搭建及数据的收集,将人工智能技术及大数据服务应用于医疗行业中,提升医疗行业的诊断效率及服务质量,更好的解决医疗资源短缺、人口老龄化的问题。
下面参考附图描述本公开实施例的热力图生成模型的训练方法、装置、电子设备和存储介质。
本公开实施例的热力图生成模型的训练方法,可由本公开实施例提供的热力图生成模型的训练装置执行,该装置可配置于电子设备中。
图1A为本公开实施例提供的一种热力图生成模型的训练方法的流程示意图。
如图1A所示,该热力图生成模型的训练方法,可以包括以下步骤:
步骤101,获取眼底图像及与眼底图像对应的标注热力图。
其中,标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,黄斑中心凹为位于眼底图像中的像素点。
另外,标注热力图中,包括有眼底图像中每个像素点对应的热力值,不同的像素点,其对应的热力值可能相同,也可能不同,本公开对此不做限定。
可以理解的是,标注热力图中的热力值,可以为人工手动计算的,或者,也可以为借助计算机程序等手段获得的,本公开对此不做限定。
另外,还可以将眼底图像缩小至指定尺寸,从而可以使每个像素点的感受野都能覆盖整张原图的范围。
可以理解的是,指定尺寸可以为设定的一个较小的尺寸,比如为512*512、216*216等,或者也可以为根据获取到的眼底图像的尺寸的不同,而对应设定的尺寸等,本公开对此不做限定。
步骤102,利用初始模型对眼底图像进行处理,以获取眼底图像对应的预测热力图。
其中,初始模型,可以为预先设置的模型。
本公开实施例中,初始模型可以首先对眼底图像进行逐层特征提取以得到眼底图像对应的热力特征图,进而再基于得到的热力特征图,生成其对应的预测热力图。
可选的,可以采用efficientnet-B1作为特征提取网络,或者,还可以采用SENet作为特征提取网络等,本公开对此不做限定。之后,若特征提取后得到的热力特征图尺寸,与眼底图像尺寸相比有差异,则为了使各像素点的位置坐标更加准确,可以对热力特征图进行上采样,以生成与眼底图像尺寸相同的热力特征图,进而再生成对应的预测热力图。
比如说,在如图1A所示的初始模型对眼底图像进行处理的过程中,输入的眼底图像可以为512*512,之后可以采用efficientnet-B1作为特征提取网络,对其进行逐层特征提取,依次得到256*256、128*128、64*6432*32、32*32、16*16的热力特征图,之后可以对该16*16的热力特征图进行逐层上采样,以得到与眼底图像尺寸相同的512*512的热力特征图,进而生成对应的预测热力图。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中初始模型对眼底图像进行处理的限定。
步骤103,基于预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值以及任一点与黄斑中心凹间的距离,确定眼底图像对应的损失值。
其中,确定预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值、任一点与黄斑中心凹间的距离时,可以有多种方式,比如,可以使用L1距离进行计算,如公式(1)所示:
或者,也可以使用L2距离进行计算,如下公式(2)所示:
其中,I1和I2分别为P维向量,P可以为大于0的任意自然数,本公开对此不做限定。
比如预测热力图中点a的热力值为标注热力图中与点a相对应的a1的热力值为其中P为热力值的维度,使用L2距离计算该组对应点的热力值差异程度时,该组对应点的预测热力值与标注热力值间的差值,可以表示为/>
或者,预测热力图中任一点的的位置坐标为[2,1],黄斑中心凹的位置坐标为[3,2],可以使用公式(1)计算任一点与黄斑中心凹间的距离,其距离可以为d2=|2-3|+|1-2|=2。
需要说明的是,上述热力值位置坐标[2,1]、[3,2]、以及d1(a,a1)、d2等只是示意性说明,不能作为对本公开实施例中预测热力图和标注热力图中的对应点的热力值、位置坐标、热力值差异程度等的限定。
另外,可以先确定出预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值,之后再根据任一点与黄斑中心凹间的距离,可以对任一点的预测热力值与对应的标注热力值间的差值进行相应修正,即可在损失函数中为不同的像素点赋予不同的权重,从而根据损失函数,确定出眼底图像对应的损失值。
比如说,得到的眼底图像对应的预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值为一个矩阵,之后可以根据任一点与黄斑中心凹间的距离,对该矩阵中的每一个元素进行修正,从而可以确定出当前眼底图像对应的损失值。
或者,得到的眼底图像对应的预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值为一个矩阵,可以记为矩阵A,任一点与黄斑中心凹间的距离也为一个矩阵,可以记为矩阵B,之后可以使用矩阵B对矩阵A进行修正,从而可使越靠近黄斑中心凹位置的像素点的热力值权重越大,进而可以得到当前眼底图像对应的损失值。
需要说明的是,上述确定眼底图像对应的损失值的方式只是示意性说明,不能作为对本公开实施例中确定眼底图像对应的损失值的方式的限定。
步骤104,基于眼底图像对应的损失值,对初始模型进行反向修正,以生成修正后的热力图生成模型。
其中,初始模型生成的预测热力图与真实的标注热力图间的差异未达到模型精度要求,或者模型的训练次数未达到设定的训练次数的情况下,可以根据每个眼底图像对应的损失函数值,对该初始模型进行反向修正,以使该初始模型的学习能力增强,从而可以生成具有较强学习能力的热力图生成模型。使用该修正后的热力图生成模型对图像进行处理,可以得到较为准确的热力图。
本公开实施例,获取眼底图像及与眼底图像对应的标注热力图,其中,标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,黄斑中心凹为位于眼底图像中的像素点,之后利用初始模型对眼底图像进行处理,以获取眼底图像对应的预测热力图,再基于预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值以及任一点与黄斑中心凹间的距离,可以确定眼底图像对应的损失值,从而可以基于眼底图像对应的损失值,对初始模型进行反向修正,以生成修正后的热力图生成模型。由此,在模型训练过程中,根据眼底图像中各个点与黄斑中心凹间的距离,在损失函数中为不同的点赋予不同的权重,从而使得不同的点的回传梯度不同,使得模型输出的热力图峰值更加突出,结果更加准确。
上述实施例,通过基于预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值以及任一点与黄斑中心凹间的距离,可以确定眼底图像对应的损失值,再对初始模型进行修正,即可生成热力图生成模型。在一种可能的实现方式中,在获取眼底图像对应的标注热力图时,可以根据各个像素点与黄斑中心凹间的距离,确定出每个像素点对应的热力值,下面结合图2对上述过程进行详细说明。
步骤201,获取眼底图像及眼底图像的黄斑中心凹位置。
其中,可以人工对获取的每一个眼底图像进行标注,从而可以较为准确地确定出每个眼底图像的黄斑中心凹位置。
步骤202,根据黄斑中心凹位置,确定眼底图像中各个像素点与黄斑中心凹间的距离。
其中,眼底图像中不同位置的各个像素点,其与黄斑中心凹间的距离可能相同,也可能不同,本公开对此不做限定。
另外,可以人工确定出眼底图像中各个像素点与黄斑中心凹间的距离,或者,也可以在确定出眼底图像的黄斑中心凹位置后,借助计算机等手段计算出眼底图像中各个像素点与黄斑中心凹间的距离,本公开对此不做限定。
步骤203,根据眼底图像中各个像素点与黄斑中心凹间的距离,确定眼底图像对应的标注热力图。
其中,标注热力图中,与黄斑中心凹距离不同的像素点,其对应的热力值可能不同。
可以理解的是,在标注热力图中,黄斑中心凹处的热力值最大。其余各个像素点对应的热力值,与其与黄斑中心凹的距离有关,距离越近,对应的热力值可能越大,距离越远,对应的热力值可能越小。
可以理解的是,在一种可能的实现方式中,为了便于计算,标注热力图中的标注热力值数值可以均在0-1之间,黄斑中心凹处的标注热力值为最大值1。
为了进一步提高确定出的热力值的准确性,可以先根据眼底图像中各个像素点与黄斑中心凹间的距离,确定参考距离值,之后再根据参考距离值、每个像素点与黄斑中心凹间的距离及指定的衰减指数,确定每个像素点对应的热力值。
其中,可以使用L2距离,或者也可以使用L1距离等计算眼底图像中各个像素点与黄斑中心凹间的距离,从而可以将眼底图像中与黄斑中心凹的最大距离值确定为参考距离值。之后,可以使用如下公式(3)所示的公式,计算每个像素点对应的热力值。
其中,为任一眼底图像中任一像素点对应的热力值,N表示任一眼底图像中的任一像素点。βi(x,y)为任一眼底图像中任一像素点到黄斑中心凹的距离,βj(x,y)为该眼底图像对应的参考距离值。γ为指定的衰减指数,比如若想使生成的热力图更加陡峭,可以将γ设置为较大的数值,比如6、7等。或者,若想使生成的热力图较缓和,可以将其设置为较小的数值,比如3、4等,本公开对此不做限定。
步骤204,利用初始模型对眼底图像进行处理,以获取眼底图像对应的预测热力图。
步骤205,根据预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值,确定眼底图像对应的初始损失特征图。
其中,初始损失特征图,可以由预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值所组成,该差值可以根据多种方法得到,比如可以使用公式(1),或者公式(2)等,本公开对此不做限定。
步骤206,根据眼底图像中每个像素点与黄斑中心凹间的距离,对初始损失特征图进行修正,以获取修正后的损失特征图。
其中,可以根据眼底图像中每个像素点与黄斑中心凹间的距离,确定每个像素点对应的权重值,之后可以基于每个像素点对应的权重值,对初始损失特征图进行修正,以获取修正后的损失特征图。
可以理解的是,眼底图像中每个像素点的权重值可以是根据眼底图像对应的标注热力图中的热力值确定的,或者,也可以是基于一定的规则确定的,本公开对此不做限定。
比如,在眼底图像中每个像素点的权重值是根据对应的标注热力图中的标注热力值确定的情况下,可以将确定出的眼底图像对应的预测热力图与标注热力图中任一点间的距离,与当前眼底图像对应的标注热力图各对应点处的热力值进行点乘,从而可使越靠近黄斑中心凹位置的像素点的热力值权重越大,之后即可对初始损失特征图进行修正。
或者,眼底图像中每个像素点的权重值也可以为按照其他的规则确定。比如设置特殊的矩阵A,A中的每一个元素都与像素点与黄斑中心凹的距离有关。可以将确定出的眼底图像对应的预测热力图与标注热力图中任一点间的距离,与矩阵A中的各个元素进行点乘,从而可使每一个像素点的权重与其与黄斑中心凹的距离有关,之后即可对初始损失特征图进行修正。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中确定每组对应点对应的权重值的限定。
步骤207根据修正后的损失特征图,确定眼底图像对应的损失值。
其中,确定眼底图像对应的损失值的方法有多种。
比如,修正后的损失特征图仍为多维矩阵,其中可以有多个元素,可以将其中各个元素值累加,将最终得到的和作为损失值。
或者,也可以将修正后的损失特征图中各个元素值累加之后求平均,将平均值作为损失值。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中确定每个眼底图像对应的损失值的限定。
步骤208,基于眼底图像对应的损失值,对初始模型进行反向修正,以生成修正后的热力图生成模型。
本公开实施例,可以先获取眼底图像及眼底图像的黄斑中心凹位置,之后根据黄斑中心凹位置,确定眼底图像中各个像素点与黄斑中心凹间的距离,之后再确定眼底图像对应的标注热力图。之后再根据预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值,确定眼底图像对应的初始损失特征图,再根据眼底图像中每个像素点与黄斑中心凹间的距离,对初始损失特征图进行修正,以获取修正后的损失特征图,从而确定出眼底图像对应的损失值,并对初始模型进行反向修正,以生成修正后的热力图生成模型。由此,通过根据预测热力图任一点的预测热力值与标注热力图中对应点的标注热力值间的热力值差值,确定出眼底图像对应的初始损失特征图,之后再基于眼底图像中每个像素点与黄斑中心凹间的距离对该初始损失特征图进行修正,通过在损失函数中为不同的点赋予不同的权重,可使得不同的点的回传梯度不同,从而使得模型输出的热力图峰值更加突出,结果更加准确。
上述实施例,通过根据预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值,确定眼底图像对应的初始损失特征图,再根据眼底图像中每个像素点与黄斑中心凹间的距离,对初始损失特征图进行修正进而确定出眼底图像对应的损失值,即可对初始模型进行反向修正,从而生成修正后的热力图生成模型。之后即可使用生成的热力图生成模型,对眼底图像进行处理,从而可以较为准确地确定出黄斑中心凹的位置,下面结合图3对上述过程,进行详细说明。
本公开实施例的黄斑中心凹的定位方法,可由本公开实施例提供的黄斑中心凹的定位装置执行,该装置可配置于电子设备中。
步骤301,获取待处理的眼底图像。
其中,为了进一步提高黄斑中心凹的定位的准确性,可以将眼底图像缩小至指定尺寸,从而可以使眼底图像中的每一个像素点的感受野都能够覆盖整张原图。
可以理解的是,指定尺寸可以为设定的一个较小的尺寸,比如为512*512或者128*128等,或者也可以为根据获取到的眼底图像的尺寸的不同,而对应设定的尺寸等,本公开对此不做限定。
步骤302,利用热力图生成模型对眼底图像进行处理,以生成热力图。
其中,热力图生成模型由上述热力图生成模型的训练生成。
本公开实施例中,将眼底图像输入至热力图生成模型中,即可得到准确的热力图。
另外,为了使生成的热力图显示更加清晰,还可以对热力图进行平滑处理,以生成平滑后的热力图。
其中,对热力图进行平滑处理的方式有多种,比如可以使用均值滤波的方式对其进行处理,或者,也可以使用卷积核对其进行卷积处理等,本公开对此不做限定。
比如说,未处理的热力图如图4A所示,若对该热力图使用值为1的卷积核对其进行卷积处理之后,生成的热力图可能如图4B所示,可以看到热力图中的峰值更加突出,进一步提高了黄斑中心凹定位的准确性。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中对热力图进行平滑处理、以及生成热力图的限定。
步骤303,根据热力图,确定眼底图像的黄斑中心凹位置。
另外,为了减少噪音点等对热力值结果的影响,进一步提高黄斑中心凹定位的准确性,可以根据热力图每行的像素点在第一指定方向的热力值,确定热力图对应的第一参考热力图,其中第一参考热力图中包括M行、1列。
其中,第一指定方向,可以为x轴方向。
另外,可以将热力图每行的像素点的热力值累加,以得到M行、1列的第一参考热力图。
之后,可以根据第一参考热力图中热力值最大的像素点的坐标,确定黄斑中心凹在第二指定方向的坐标。
其中,第二指定方向,可以为y轴方向。
另外,可以将第一参考热力图中热力值最大的像素点的坐标,确定为黄斑中心凹在y轴方向的坐标。
比如说,热力图中各像素点的热力值为其中M为3,则第一参考热力图的热力值可以为/>则可以确定黄斑中心凹在y轴方向的坐标为1。
之后,再根据热力图每列的像素点在第二指定方向的热力值,确定热力图对应的第二参考热力图,其中,第二参考热力图中包括1行、N列,即可根据第二参考热力图中热力值最大的像素点的坐标,确定黄斑中心凹在第一指定方向的坐标。
比如说,热力图中各像素点的热力值可以为其中N为4,则第二参考热力图的热力值可以为[1.5 0.5 0.6 0.6],则可以确定黄斑中心凹在x轴方向的坐标为1。从而可以确定当前的黄斑中心凹的位置坐标为(1,1)。
需要说明的是,上述示例只是举例说明,不能作为对本公开实施例中热力图、第一参考热力图、第二参考热力图、各热力值、黄斑中心凹的位置等的限定。
本公开实施例,首先获取待处理的眼底图像,之后利用热力图生成模型对眼底图像进行处理,以生成热力图,即可根据热力图,确定眼底图像的黄斑中心凹位置,提高了黄斑中心凹的定位的准确性,从而可以有效解决黄斑中心凹定位不准确的问题。
为了实现上述实施例,本公开还提出一种热力图生成模型的训练装置。图5为本公开实施例提供的一种热力图生成模型的训练装置的结构示意图。
如图5所示,该热力图生成模型的训练装置500,包括:第一获取模块510、第二获取模块520、第一确定模块530、第一生成模块540。
其中,第一获取模块510,用于获取眼底图像及与所述眼底图像对应的标注热力图,其中,所述标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,所述黄斑中心凹为位于所述眼底图像中的像素点。
第二获取模块520,用于利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图。
第一确定模块530,用于基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值;
第一生成模块540,基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的热力图生成模型的训练装置,获取眼底图像及与眼底图像对应的标注热力图,标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,黄斑中心凹为位于眼底图像中的像素点,之后利用初始模型对眼底图像进行处理,以获取眼底图像对应的预测热力图,再基于预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值以及任一点与黄斑中心凹间的距离,确定眼底图像对应的损失值,从而可以基于眼底图像对应的损失值,对初始模型进行反向修正,以生成修正后的热力图生成模型。由此,在模型训练过程中,根据眼底图像中各个点与黄斑中心凹间的距离,在损失函数中为不同的点赋予不同的权重,从而使得不同的点的回传梯度不同,使得模型输出的热力图峰值更加突出,结果更加准确。
图6为本公开实施提供的一种热力图生成模型的训练装置的结构示意图。
如图6所示,该热力图生成模型的训练装置600包括:第一获取模块610、第二获取模块620、第一确定模块630、第一生成模块640、缩小模块650。
其中,第一获取模块610,包括:
第一获取单元6110,用于获取所述眼底图像及所述眼底图像的黄斑中心凹位置;
第一确定单元6120,用于根据所述黄斑中心凹位置,确定所述眼底图像中各个像素点与所述黄斑中心凹间的距离;
第二确定单元6130,用于根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定所述眼底图像对应的标注热力图。
在一种可能的实现方式中,第二确定单元6130,具体用于:根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定参考距离值;根据所述参考距离值、每个像素点与所述黄斑中心凹间的距离及指定的衰减指数,确定每个像素点对应的热力值。
第二获取模块620,用于利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图。
在一种可能的实现方式中,第一确定模块630,包括:
第三确定单元6310,用于根据所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值,确定所述眼底图像对应的初始损失特征图;
第二获取单元6320,用于根据所述眼底图像中每个像素点与所述黄斑中心凹间的距离,对所述初始损失特征图进行修正,以获取修正后的损失特征图;
第四确定单元6330,用于根据所述修正后的损失特征图,确定所述眼底图像对应的损失值。
在一种可能的实现方式中,第二获取单元6320,具体用于:根据所述眼底图像中每个像素点与黄斑中心凹间的距离,确定每个所述像素点对应的权重值;基于每个所述像素点对应的权重值,对所述初始损失特征图进行修正,以获取修正后的损失特征图。
第一生成模块640,基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型。
在一种可能的实现方式中,上述装置600,还包括:
缩小模块650,用于将所述眼底图像缩小至指定尺寸。
可以理解的是,本公开实施例中的第一获取模块610、第二获取模块620、第一确定模块630、第一生成模块640可以分别与上述实施例中的第一获取模块510、第二获取模块520、第一确定模块530、第一生成模块540具有相同的结构和功能。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的热力图生成模型的训练装置,可以先获取眼底图像及眼底图像的黄斑中心凹位置,之后根据黄斑中心凹位置,确定眼底图像中各个像素点与黄斑中心凹间的距离,之后再确定眼底图像对应的标注热力图。之后再根据预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值,确定眼底图像对应的初始损失特征图,再根据眼底图像中每个像素点与黄斑中心凹间的距离,对初始损失特征图进行修正,以获取修正后的损失特征图,从而确定出眼底图像对应的损失值,并对初始模型进行反向修正,以生成修正后的热力图生成模型。由此,通过根据预测热力图任一点的预测热力值与标注热力图中对应点的标注热力值间的热力值差值,确定出眼底图像对应的初始损失特征图,之后再基于眼底图像中每个像素点与黄斑中心凹间的距离对该初始损失特征图进行修正,通过在损失函数中为不同的点赋予不同的权重,可使得不同的点的回传梯度不同,从而使得模型输出的热力图峰值更加突出,结果更加准确。
图7本公开实施提供的一种黄斑中心凹的定位装置的结构示意图。
如图7所示,该黄斑中心凹的定位装置700包括:第三获取模块710、第二生成模块720、第二确定模块730。
其中,第三获取模块710,用于获取待处理的眼底图像。
第二生成模块720,用于利用热力图生成模型对所述眼底图像进行处理,以生成热力图,其中,所述热力图生成模型由上述示例所述的热力图生成模型的训练生成。
第二确定模块730,用于根据所述热力图,确定所述眼底图像的黄斑中心凹位置。
在一种可能的实现方式中,第二生成模块720,还用于对所述热力图进行平滑处理,以生成平滑后的热力图。
在一种可能的实现方式中,所述热力图中包括M行、N列像素点,其中,M和N分别为正整数,第二确定模块730,具体用于:根据所述热力图每行的像素点在第一指定方向的热力值,确定所述热力图对应的第一参考热力图,其中,所述第一参考热力图中包括M行、1列;根据所述第一参考热力图中热力值最大的像素点的坐标,确定所述黄斑中心凹在第二指定方向的坐标;根据所述热力图每列的像素点在所述第二指定方向的热力值,确定所述热力图对应的第二参考热力图,其中,所述第二参考热力图中包括1行、N列;根据所述第二参考热力图中热力值最大的像素点的坐标,确定所述黄斑中心凹在所述第一指定方向的坐标。
在一种可能的实现方式中,第二生成模块720,还用于将所述眼底图像缩小至指定尺寸。
本公开实施例中的上述各模块的功能及具体实现原理,可参照上述各方法实施例,此处不再赘述。
本公开实施例的黄斑中心凹的定位装置,首先获取待处理的眼底图像,之后利用热力图生成模型对眼底图像进行处理,以生成热力图,即可根据热力图,确定眼底图像的黄斑中心凹位置,提高了黄斑中心凹的定位的准确性,从而可以有效解决黄斑中心凹定位不准确的问题。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如热力图生成模型的训练方法或者黄斑中心凹的定位方法。例如,在一些实施例中,热力图生成模型的训练方法或者黄斑中心凹的定位方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的热力图生成模型的训练方法或者黄斑中心凹的定位方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行热力图生成模型的训练方法或者黄斑中心凹的定位方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
本公开的技术方案,获取眼底图像及与眼底图像对应的标注热力图,标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,黄斑中心凹为位于眼底图像中的像素点,之后利用初始模型对眼底图像进行处理,以获取眼底图像对应的预测热力图,再基于预测热力图中任一点的预测热力值与标注热力图中对应点的标注热力值间的差值以及任一点与黄斑中心凹间的距离,确定眼底图像对应的损失值,从而可以基于眼底图像对应的损失值,对初始模型进行反向修正,以生成修正后的热力图生成模型。由此,在模型训练过程中,根据眼底图像中各个点与黄斑中心凹间的距离,在损失函数中为不同的点赋予不同的权重,从而使得不同的点的回传梯度不同,使得模型输出的热力图峰值更加突出,结果更加准确。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (18)
1.一种热力图生成模型的训练方法,包括:
获取眼底图像及与所述眼底图像对应的标注热力图,其中,所述标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,所述黄斑中心凹为位于所述眼底图像中的像素点;
利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图;
基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值;
基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型;
其中,所述基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值,包括:
根据所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值,确定所述眼底图像对应的初始损失特征图;
根据所述眼底图像中每个像素点与黄斑中心凹间的距离,确定每个所述像素点对应的权重值;
基于每个所述像素点对应的权重值,对所述初始损失特征图进行修正,以获取修正后的损失特征图;
根据所述修正后的损失特征图,确定所述眼底图像对应的损失值。
2.如权利要求1所述的方法,其中,所述获取眼底图像及与所述眼底图像对应的标注热力图,包括:
获取所述眼底图像及所述眼底图像的黄斑中心凹位置;
根据所述黄斑中心凹位置,确定所述眼底图像中各个像素点与所述黄斑中心凹间的距离;
根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定所述眼底图像对应的标注热力图。
3.如权利要求2所述的方法,其中,所述根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定所述眼底图像对应的标注热力图,包括:
根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定参考距离值;
根据所述参考距离值、每个像素点与所述黄斑中心凹间的距离及指定的衰减指数,确定每个像素点对应的热力值。
4.如权利要求1-3任一所述的方法,其中,在所述利用初始模型对所述眼底图像进行处理之前,还包括:
将所述眼底图像缩小至指定尺寸。
5.一种黄斑中心凹的定位方法,包括:
获取待处理的眼底图像;
利用热力图生成模型对所述眼底图像进行处理,以生成热力图,其中,所述热力图生成模型由如权利要求1-4任一所述的热力图生成模型的训练方法生成;
根据所述热力图,确定所述眼底图像的黄斑中心凹位置。
6.如权利要求5所述的方法,其中,在所述利用热力图生成模型对所述眼底图像进行处理,以生成热力图之后,还包括:
对所述热力图进行平滑处理,以生成平滑后的热力图。
7.如权利要求5或6所述的方法,其中,所述热力图中包括M行、N列像素点,其中,M和N分别为正整数,所述根据所述热力图,确定所述眼底图像的黄斑中心凹位置,包括:
根据所述热力图每行的像素点在第一指定方向的热力值,确定所述热力图对应的第一参考热力图,其中,所述第一参考热力图中包括M行、1列;
根据所述第一参考热力图中热力值最大的像素点的坐标,确定所述黄斑中心凹在第二指定方向的坐标;
根据所述热力图每列的像素点在所述第二指定方向的热力值,确定所述热力图对应的第二参考热力图,其中,所述第二参考热力图中包括1行、N列;
根据所述第二参考热力图中热力值最大的像素点的坐标,确定所述黄斑中心凹在所述第一指定方向的坐标。
8.如权利要求5或6所述的方法,其中,在所述利用热力图生成模型对所述眼底图像进行处理,以生成热力图之前,还包括:
将所述眼底图像缩小至指定尺寸。
9.一种热力图生成模型的训练装置,包括:
第一获取模块,用于获取眼底图像及与所述眼底图像对应的标注热力图,其中,所述标注热力图中黄斑中心凹对应的热力值与其余像素点对应的热力值不同,所述黄斑中心凹为位于所述眼底图像中的像素点;
第二获取模块,用于利用初始模型对所述眼底图像进行处理,以获取所述眼底图像对应的预测热力图;
第一确定模块,用于基于所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值以及所述任一点与黄斑中心凹间的距离,确定所述眼底图像对应的损失值;
第一生成模块,用于基于所述眼底图像对应的损失值,对所述初始模型进行反向修正,以生成修正后的热力图生成模型;
其中,所述第一确定模块,包括:
第三确定单元,用于根据所述预测热力图中任一点的预测热力值与所述标注热力图中对应点的标注热力值间的差值,确定所述眼底图像对应的初始损失特征图;
第二获取单元,用于根据所述眼底图像中每个像素点与黄斑中心凹间的距离,确定每个所述像素点对应的权重值;基于每个所述像素点对应的权重值,对所述初始损失特征图进行修正,以获取修正后的损失特征图;
第四确定单元,用于根据所述修正后的损失特征图,确定所述眼底图像对应的损失值。
10.如权利要求9所述的装置,其中,所述第一获取模块,包括:
第一获取单元,用于获取所述眼底图像及所述眼底图像的黄斑中心凹位置;
第一确定单元,用于根据所述黄斑中心凹位置,确定所述眼底图像中各个像素点与所述黄斑中心凹间的距离;
第二确定单元,用于根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定所述眼底图像对应的标注热力图。
11.如权利要求10所述的装置,其中,所述第二确定单元,具体用于:
根据所述眼底图像中各个像素点与所述黄斑中心凹间的距离,确定参考距离值;
根据所述参考距离值、每个像素点与所述黄斑中心凹间的距离及指定的衰减指数,确定每个像素点对应的热力值。
12.如权利要求9-11任一所述的装置,还包括:
缩小模块,用于将所述眼底图像缩小至指定尺寸。
13.一种黄斑中心凹的定位装置,包括:
第三获取模块,用于获取待处理的眼底图像;
第二生成模块,用于利用热力图生成模型对所述眼底图像进行处理,以生成热力图,其中,所述热力图生成模型由如权利要求1-4任一所述的热力图生成模型的训练生成;
第二确定模块,用于根据所述热力图,确定所述眼底图像的黄斑中心凹位置。
14.如权利要求13所述的装置,其中,所述第二生成模块,还用于:
对所述热力图进行平滑处理,以生成平滑后的热力图。
15.如权利要求13或14所述的装置,其中,所述热力图中包括M行、N列像素点,其中,M和N分别为正整数,所述第二确定模块,具体用于:
根据所述热力图每行的像素点在第一指定方向的热力值,确定所述热力图对应的第一参考热力图,其中,所述第一参考热力图中包括M行、1列;
根据所述第一参考热力图中热力值最大的像素点的坐标,确定所述黄斑中心凹在第二指定方向的坐标;
根据所述热力图每列的像素点在所述第二指定方向的热力值,确定所述热力图对应的第二参考热力图,其中,所述第二参考热力图中包括1行、N列;
根据所述第二参考热力图中热力值最大的像素点的坐标,确定所述黄斑中心凹在所述第一指定方向的坐标。
16.如权利要求13或14所述的装置,其中,所述第二生成模块,还用于:
将所述眼底图像缩小至指定尺寸。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130108.2A CN112785582B (zh) | 2021-01-29 | 2021-01-29 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
PCT/CN2021/113332 WO2022160676A1 (zh) | 2021-01-29 | 2021-08-18 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130108.2A CN112785582B (zh) | 2021-01-29 | 2021-01-29 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785582A CN112785582A (zh) | 2021-05-11 |
CN112785582B true CN112785582B (zh) | 2024-03-22 |
Family
ID=75759992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130108.2A Active CN112785582B (zh) | 2021-01-29 | 2021-01-29 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112785582B (zh) |
WO (1) | WO2022160676A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785582B (zh) * | 2021-01-29 | 2024-03-22 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
CN113706463B (zh) * | 2021-07-22 | 2024-04-26 | 杭州键嘉医疗科技股份有限公司 | 基于深度学习的关节影像关键点自动检测方法、装置 |
CN113763045B (zh) * | 2021-09-06 | 2024-02-23 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
CN113780555B (zh) * | 2021-09-10 | 2024-05-10 | 平安科技(深圳)有限公司 | 基于数据增强的模型训练方法、装置、设备及存储介质 |
CN114186632B (zh) * | 2021-12-10 | 2023-04-18 | 北京百度网讯科技有限公司 | 关键点检测模型的训练方法、装置、设备、存储介质 |
CN115062165B (zh) * | 2022-08-18 | 2022-12-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于读片知识图谱的医学影像诊断方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN110334685A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 火焰检测方法、火焰检测模型训练方法、存储介质及系统 |
CN111047608A (zh) * | 2019-12-26 | 2020-04-21 | 北京工业大学 | 一种基于Distance-AttU-Net的端到端的乳腺超声图像的分割方法 |
CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
CN111461036A (zh) * | 2020-04-07 | 2020-07-28 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
CN111783948A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备以及存储介质 |
EP3652172A4 (en) * | 2017-07-13 | 2020-11-18 | Sunshine Lake Pharma Co., Ltd. | SALT OF SUBSTITUTED UREA DERIVATIVE AND ITS USE IN MEDICINE |
CN111967527A (zh) * | 2020-08-21 | 2020-11-20 | 菏泽学院 | 一种基于人工智能牡丹品种识别方法及识别系统 |
CN111985374A (zh) * | 2020-08-12 | 2020-11-24 | 汉王科技股份有限公司 | 人脸定位方法、装置、电子设备及存储介质 |
CN112001921A (zh) * | 2020-10-30 | 2020-11-27 | 北京信诺卫康科技有限公司 | 一种基于病灶加权损失函数的新冠肺炎ct影像病灶分割图像处理方法 |
CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
CN112232102A (zh) * | 2019-07-15 | 2021-01-15 | 中国司法大数据研究院有限公司 | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7708403B2 (en) * | 2003-10-30 | 2010-05-04 | Welch Allyn, Inc. | Apparatus and method for diagnosis of optically identifiable ophthalmic conditions |
CN109508681B (zh) * | 2018-11-20 | 2021-11-30 | 北京京东尚科信息技术有限公司 | 生成人体关键点检测模型的方法和装置 |
CN110517248A (zh) * | 2019-08-27 | 2019-11-29 | 北京百度网讯科技有限公司 | 眼底图像的处理、训练方法、装置及其设备 |
CN110598652B (zh) * | 2019-09-18 | 2022-04-22 | 上海鹰瞳医疗科技有限公司 | 眼底数据预测方法和设备 |
CN110570421B (zh) * | 2019-09-18 | 2022-03-22 | 北京鹰瞳科技发展股份有限公司 | 多任务的眼底图像分类方法和设备 |
CN110599480A (zh) * | 2019-09-18 | 2019-12-20 | 上海鹰瞳医疗科技有限公司 | 多源输入的眼底图像分类方法和设备 |
CN111046717B (zh) * | 2019-10-11 | 2024-01-30 | 平安科技(深圳)有限公司 | 眼底图像黄斑中心定位方法、装置、电子设备及存储介质 |
CN112150463A (zh) * | 2020-10-23 | 2020-12-29 | 北京百度网讯科技有限公司 | 用于确定黄斑中心凹位置的方法及装置 |
CN112101490B (zh) * | 2020-11-20 | 2021-03-02 | 支付宝(杭州)信息技术有限公司 | 热力图转换模型训练方法以及装置 |
CN112785582B (zh) * | 2021-01-29 | 2024-03-22 | 北京百度网讯科技有限公司 | 热力图生成模型的训练方法、装置、电子设备和存储介质 |
-
2021
- 2021-01-29 CN CN202110130108.2A patent/CN112785582B/zh active Active
- 2021-08-18 WO PCT/CN2021/113332 patent/WO2022160676A1/zh active Application Filing
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3652172A4 (en) * | 2017-07-13 | 2020-11-18 | Sunshine Lake Pharma Co., Ltd. | SALT OF SUBSTITUTED UREA DERIVATIVE AND ITS USE IN MEDICINE |
CN110176001A (zh) * | 2019-06-03 | 2019-08-27 | 浙江大学 | 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法 |
CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
CN110334685A (zh) * | 2019-07-12 | 2019-10-15 | 创新奇智(北京)科技有限公司 | 火焰检测方法、火焰检测模型训练方法、存储介质及系统 |
CN112232102A (zh) * | 2019-07-15 | 2021-01-15 | 中国司法大数据研究院有限公司 | 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统 |
CN111047608A (zh) * | 2019-12-26 | 2020-04-21 | 北京工业大学 | 一种基于Distance-AttU-Net的端到端的乳腺超声图像的分割方法 |
CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
CN111461036A (zh) * | 2020-04-07 | 2020-07-28 | 武汉大学 | 一种利用背景建模增强数据的实时行人检测方法 |
CN111783948A (zh) * | 2020-06-24 | 2020-10-16 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备以及存储介质 |
CN111985374A (zh) * | 2020-08-12 | 2020-11-24 | 汉王科技股份有限公司 | 人脸定位方法、装置、电子设备及存储介质 |
CN111967527A (zh) * | 2020-08-21 | 2020-11-20 | 菏泽学院 | 一种基于人工智能牡丹品种识别方法及识别系统 |
CN112001921A (zh) * | 2020-10-30 | 2020-11-27 | 北京信诺卫康科技有限公司 | 一种基于病灶加权损失函数的新冠肺炎ct影像病灶分割图像处理方法 |
Non-Patent Citations (2)
Title |
---|
基于生成对抗网络的无监督域适应分类模型;王格格;郭涛;余游;苏菡;;电子学报(第06期);全文 * |
深度学习目标检测方法综述;赵永强;饶元;董世鹏;张君毅;;中国图象图形学报(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112785582A (zh) | 2021-05-11 |
WO2022160676A1 (zh) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112785582B (zh) | 热力图生成模型的训练方法、装置、电子设备和存储介质 | |
WO2020224403A1 (zh) | 分类任务模型的训练方法、装置、设备及存储介质 | |
Yan et al. | Anomaly detection in images with smooth background via smooth-sparse decomposition | |
CN108229301B (zh) | 眼睑线检测方法、装置和电子设备 | |
CN112862005B (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
CN110809768B (zh) | 数据清洗系统和方法 | |
EP3671635B1 (en) | Curvilinear object segmentation with noise priors | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114708301A (zh) | 一种运动伪影识别方法、装置、存储介质及电子设备 | |
CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
CN113033774A (zh) | 图处理网络模型的训练方法、装置、电子设备和存储介质 | |
CN113269719A (zh) | 模型训练、图像处理方法,装置,设备以及存储介质 | |
CN112783949B (zh) | 人体数据预测方法、装置、电子设备和存储介质 | |
CN115631152A (zh) | 超声图像截取方法及装置、电子设备和存储介质 | |
CN113110782B (zh) | 图像的识别方法、装置、计算机设备及存储介质 | |
CN114913378A (zh) | 一种基于综合类激活映射的图像分类可解释方法 | |
CN115147902B (zh) | 人脸活体检测模型的训练方法、装置及计算机程序产品 | |
Sazonov et al. | An improved method of computing geometrical potential force (GPF) employed in the segmentation of 3D and 4D medical images | |
CN113239899B (zh) | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 | |
CN113361575B (zh) | 模型训练方法、装置和电子设备 | |
CN113408592B (zh) | 特征点匹配方法、装置、电子设备及计算机可读存储介质 | |
CN114120433B (zh) | 图像处理方法、图像处理装置、电子设备和介质 | |
CN114972242B (zh) | 心肌桥检测模型的训练方法、装置及电子设备 | |
CN114844889B (zh) | 视频处理模型的更新方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |