CN113989215B - 图像处理方法、装置、设备和存储介质 - Google Patents

图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113989215B
CN113989215B CN202111243307.0A CN202111243307A CN113989215B CN 113989215 B CN113989215 B CN 113989215B CN 202111243307 A CN202111243307 A CN 202111243307A CN 113989215 B CN113989215 B CN 113989215B
Authority
CN
China
Prior art keywords
fundus
macular region
network
fundus image
detection model
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
CN202111243307.0A
Other languages
English (en)
Other versions
CN113989215A (zh
Inventor
杨叶辉
黄海峰
王磊
许言午
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 Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111243307.0A priority Critical patent/CN113989215B/zh
Publication of CN113989215A publication Critical patent/CN113989215A/zh
Application granted granted Critical
Publication of CN113989215B publication Critical patent/CN113989215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

本公开提供了一种图像处理方法，涉及人工智能领域，尤其涉及计算机视觉和智慧医疗领域。实现方案为获取眼底图像，眼底图像包括关于黄斑区域的位置的信息；以及将眼底图像输入至眼底检测模型，眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联，眼底检测模型经由主干网络和弱监督网络分支处理眼底图像，能够输出眼底图像的黄斑区域注意力图，并且眼底检测模型经由主干网络和监督网络分支处理眼底图像而输出眼底图像的黄斑区域的异常概率。

Description

图像处理方法、装置、设备和存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉和智慧医疗，具体涉及一种图像处理的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
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。
基于人工智能技术和图像处理技术对眼底黄斑区域异常进行筛查是智慧医疗领域中的研究重点之一。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种图像处理的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种图像处理方法，包括：获取眼底图像，眼底图像包括关于黄斑区域的位置的信息；以及将眼底图像输入至眼底检测模型，眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联，眼底检测模型经由主干网络和弱监督网络分支处理眼底图像，能够输出眼底图像的黄斑区域注意力图，并且眼底检测模型经由主干网络和监督网络分支处理眼底图像而输出眼底图像的黄斑区域的异常概率。
根据本公开的另一方面，提供了一种模型训练方法，包括：获取眼底图像样本集，眼底图像样本集包括第一样本集，第一样本集中的每个眼底图像包括关于黄斑区域的位置的信息；获取预训练的眼底检测模型，预训练的眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联；以及将眼底图像样本集输入到预训练的眼底检测模型，以对预训练的眼底检测模型进行训练，预训练的眼底检测模型经由主干网络和弱监督网络分支处理第一样本集中的每个眼底图像，输出眼底图像的黄斑区域注意力图。
根据本公开的另一方面，提供了一种图像处理装置：包括获取模块，被配置为获取眼底图像，眼底图像包括关于黄斑区域的位置的信息；以及检测模块，被配置为将眼底图像输入至眼底检测模型，眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联，眼底检测模型经由主干网络和弱监督网络分支处理眼底图像，能够输出眼底图像的黄斑区域注意力图，并且眼底检测模型经由主干网络和监督网络分支处理眼底图像而输出眼底图像的黄斑区域的异常概率。
根据本公开的另一方面，提供了一种模型训练装置：包括第一获取模块，被配置为获取眼底图像样本集，眼底图像样本集包括第一样本集，第一样本集中的每个眼底图像包括关于黄斑区域的位置的信息；第二获取模块，被配置为获取预训练的眼底检测模型，预训练的眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联；以及训练模块，被配置为将眼底图像样本集输入到预训练的眼底检测模型，以对预训练的眼底检测模型进行训练，预训练的眼底检测模型经由主干网络和弱监督网络分支处理第一样本集中的每个眼底图像，输出眼底图像的黄斑区域注意力图。
根据本公开的一个或多个实施例，可以提升判断黄斑区域异常的准确率。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的图像处理的方法的流程图；
图3示出了根据本公开的实施例的模型训练方法的流程图；
图4A-4C示出了根据本公开的实施例的对眼底图像进行标注的示意图；
图5示出了根据本公开的实施例的眼底图像检测模型的示意性框架图；
图6示出了根据本公开的实施例的在图1中对预训练的眼底检测模型进行训练的流程图；
图7示出了根据本公开的实施例的图像处理的装置的结构框图；
图8示出了根据本公开的实施例的模型训练的结构框图；
图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
眼底黄斑区负责人类视力中央的明视和高分辨率视觉，是视网膜最重要的区域之一。因此黄斑区域疾病(如糖尿病黄斑水肿、老年性黄斑变性等)对于视力的损害非常严重。对于黄斑区域是否异常的筛查和判断是智能眼底影像分析的重点之一。
相关技术中，黄斑区域异常的判断方式主要有两种。方案一是端对端分类算法：输入眼底图，利用深度神经网络对整图进行分类，进而判断黄斑区域是否异常。方案二是先定位黄斑区域后再进行分类：输入眼底图，对眼底黄斑区域进行定位后，提取黄斑区域图像输入到深度分类网络，进而判断黄斑区域是否异常。
在相关技术中，方案一与方案二均为监督学习，只利用到了带目标黄斑区域异常的标签的训练数据。而由于医学疾病的标注难度较大，对标注人员的要求门槛较高。因此标注数据相对有限，而训练深度学习网络需要海量的数据，不能利用大量的无标签数据，从而导致了疾病分类性能受限。
对于方案一来说，整图输入，深度分类模型对黄斑区域和其他区域的关注度是无差别的。但是黄斑区域异常的判断主要依赖与黄斑区域内的情况，而与其他区域无关。因此，方案一的方法进行黄斑区域异常的判断可能受到黄斑区域外的信息干扰。
对于方案二来说，先进行黄斑区域定位，引入了累计误差，也就是说一旦黄斑区域定位失败，那么后续的判断就会错误，因此黄斑区域定位准确性决定了性能上限。
本申请通过构建弱监督分支和监督分支，使得眼底图像检测模型不依赖于带黄斑区域异常的标签的数据，并且缓解黄斑区域定位失误造成的影响。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行图像处理或模型训练的方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来进行图像处理或模型训练。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的图像处理的方法200的流程图。如图2所示，图像处理方法200包括步骤210和步骤220。
在步骤210，获取眼底图像，眼底图像包括关于黄斑区域的位置的信息。在一个示例中，黄斑区域的位置的信息可以通过对眼底图像进行黄斑区域定位获得。例如黄斑区域的位置的信息可以包括黄斑区域的中心点在眼底图像中的坐标，以及黄斑区域的半径。
在步骤220，将眼底图像输入至眼底检测模型，眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联，眼底检测模型经由主干网络和弱监督网络分支处理眼底图像，能够输出眼底图像的黄斑区域注意力图，并且眼底检测模型经由主干网络和监督网络分支处理眼底图像而输出眼底图像的黄斑区域的异常概率。
在一个示例中，眼底检测模型还包括分离层，主干网络经由分离层分别与弱监督网络分支和监督网络分支级联。在一个示例中，分离层包括了可以复原黄斑区域注意力图的特征。例如，分离层的输出特征图的注意力集中在黄斑区域，体现在黄斑区域的特征丰富，权值大。
因此，方法200能够对带有黄斑区域位置的信息的眼底图像进行处理。弱监督分支能够输出眼底图像的黄斑区域注意力图，并且使得分离层输出的特征图的注意力集中在黄斑区域。然后通过与分离层连接的监督层来判断黄斑区域的异常概率。该异常概率可以作为参考数据提供给医务工作者，并且医务工作者可以进一步根据其他检验参数来判断黄斑区域是否发生病变。
图3示出了根据本公开的实施例的模型训练方法300的流程图。如图3所示，训练方法300包括步骤310至330。
在步骤310，获取眼底图像样本集，眼底图像样本集包括第一样本集，第一样本集中的每个眼底图像包括关于黄斑区域的位置的信息。相对于黄斑区域是否异常的信息，黄斑区域的位置的信息更容易进行标注。在一个示例中，黄斑区域为一个圆形区域，并且黄斑区域的位置的信息包括该圆形区域的中心点以及半径。
在步骤320，获取预训练的眼底检测模型，预训练的眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联。在一个示例中，预训练的眼底检测模型还包括分离层，弱监督网络分支和监督网络分支均经由分离层与主干网络级联。
在步骤330，将眼底图像样本集输入到预训练的眼底检测模型，以对预训练的眼底检测模型进行训练，预训练的眼底检测模型经由主干网络和弱监督网络分支处理第一样本集中的每个眼底图像，输出眼底图像的黄斑区域注意力图。
下面结合图4A-4C说明第一样本集中的每个眼底图像的标注方法。图4A-4C示出了根据本公开的实施例的对眼底图像进行标注的示意图。如图4A所示，首先确定眼底图像的黄斑中心凹410的位置。然后以黄斑中心凹410的位置为中心，两倍视盘直径为目标半径，确定候选圆形黄斑区域420。响应于候选圆形黄斑区域420与视盘区域之间存在交叉，缩小目标半径。重复上述操作直到候选圆形黄斑区域420与视盘区域之间不存在交叉。最后确定候选圆形黄斑区域430为黄斑区域，并且候选圆形黄斑区域430的中心点坐标及半径为黄斑区域的位置的信息。
综上所述，相较于黄斑区域异常的标注，黄斑区域位置的标注不需要太多的医学知识。因此第一样本集的获得不需要专业的医生进行标注，而且也不需要非常的精确，容许有一定的偏差。相较于黄斑区域异常的标签，黄斑区域位置的标签是一个弱标签，能够容易地进行快速大规模的标注。
图5示出了根据本公开的实施例的眼底图像检测模型500的示意性框架图。如图5所示，待训练的眼底图像检测模型500包括主干网络510、弱监督网络分支520、监督网络分支530以及分离层540。
在一些示例性实施例中，主干网络与弱监督网络分支结合为一个编码-解码(encoder-decoder)结构。在主干网络中对输入的眼底图像样本或特征图进行逐步下采样(编码)，直至分离层。从分离层开始，弱监督网络分支逐步对输入眼底图像样本或特征图进行上采样(解码)。
在一个示例中，方法300还包括对于第一样本集中的每个眼底图像：基于该眼底图像的黄斑区域的位置和高斯模板矩阵，确定该眼底图像对应的目标注意力图。例如，结合图5，假设输入的眼底样本图像550为
Figure BDA0003320219060000093
图像高与宽分别为h和w。则弱监督网络分支520的目标输出(即黄斑注意力图)为：
M(I)＝I⊙G([mx，my，mr] (1)
其中mx，my，mr分别为黄斑区域中心在输入眼底图的x，y轴坐标位置，以及黄斑区域的半径。
Figure BDA0003320219060000091
为中心在(mx，my)的高斯模板矩阵。高斯模板第(i，j)位置的值为
Figure BDA0003320219060000092
通过这种编码-解码结构，分离层包含了可以复原黄斑区注意力图560的特征，因此，可以认为主干网络510在分离层540的注意力更加集中在了黄斑区域。
因此，根据本申请的眼底检测模型500的结构，输入眼底样本图像550可以是全幅图像。由于弱监督网络分支的存在，可以使得主干网络510在分离层540的注意力更加集中在了眼底样本图像550的黄斑区域。一方面，模型500在将注意力集中到图像的黄斑区域的同时，也包含了黄斑区域外的整图的信息。当黄斑区域定位准确时，模型500能够更加聚焦目标区域的特征。当黄斑区域定位失误时，由于模型500仍包含整图的特征信息，因此一定程度上可以缓解由于定位不准备而造成的累计误差。
图6示出了根据本公开的实施例的在图1中对预训练的眼底检测模型进行训练的流程图。如图6所示，将所述眼底图像样本集输入到所述预训练的眼底检测模型，以对所述预训练的眼底检测模型进行训练(步骤330)包括步骤610至步骤630。
在步骤610，将第一样本集输入到主干网络和弱监督网络分支。
在步骤620，基于弱监督网络分支输出的黄斑区域注意力图、第一样本集对应的目标注意力图和黄斑区域矩阵提取算子，确定弱监督网络分支的损失函数。
在步骤630，基于弱监督网络分支的损失函数对主干网络和弱监督网络分支进行训练。
在一个示例中，如果输入样本图像属于第一样本集，则传入弱监督网络分支(例如图5中的520)进行学习，更新主干网络(例如图5中的510)和弱监督网络分支(例如图5中的520)的权重。
在一个示例中，弱监督网络分支的损失函数为：
Figure BDA0003320219060000101
其中f(I)为弱监督网络分支针对输入图像I的输出，M(I)为弱监督网络分支的目标输出(黄斑区域注意力图)。R(*)为黄斑区域矩阵提取算子。R(f(I))，R(M(I))分别为保留f(I)和M(I)黄斑区域信息的子矩阵。R(*)提取子矩阵的范围为矩形，对应于输入矩形，子矩形的左上角坐标为(mx-mr，my-mr)，右下角坐标为(mx+mr，my+mr)，其中mx，my，mr分别为黄斑区域中心在输入眼底图的x，y轴坐标位置，以及黄斑区域的半径。
在一些示例性实施例中，眼底图像样本集还包括第二样本集。第二样本集中的每个眼底图像包括黄斑区域的异常标签。在一个示例中，黄斑区域的异常标签可以表示为
Figure BDA0003320219060000103
在一些示例性实施例中，对预训练眼底检测模型进行训练包括：将第二样本集输入到主干网络和监督网络分支，以输出眼底图像的异常概率；以及基于监督网络分支的损失函数和第二样本集的异常标签，对主干网络和监督网络分支进行训练。
在一个示例中，监督网络分支的损失函数可以是交叉熵损失：
Figure BDA0003320219060000102
在一些示例性实施例中，如果输入的样本图像同时包含黄斑区域位置的信息和异常标签，则同时输入到弱监督网络和监督网络两个分支，并且分别根据不同分支的损失函数进行整体网络权重更新。
在一些示例性实施例中，可以根据本申请的方法300对模型500进行训练，然后基于训练好的模型500，根据方法200对眼底图像是否异常进行分类。下面将根据实验来说明本申请相对于相关技术中的方案一和方案二的对比情况。
实验数据集：
黄斑水肿数据集IDRID-DME包含516张具有糖尿病性黄斑水肿标签(diabeticmacularedema，DME)的眼底彩图。数据可以被划分为训练集413张，测试集103张。根据DME的严重程度分为分为0(无DME)，1(轻度DME)和2(重度DME)三级。具体数据分布见表1。
0级 1级 2级 总计
训练集 177 41 195 413
测试集 45 10 48 103
表1 IDRID-DME数据分布
弱监督网络数据集(或第一样本集)：根据本公开实施例的弱监督标签为黄斑区域的位置的信息，通过辅助的黄斑区域定位算法(例如结合图4A-4C所描述的标注方法)，可以在10,000张眼底图像上获得黄斑区域的信息[mx，my，mr]。这10,000张眼底图仅有模型输出的黄斑区域位置弱标签，而无DME标签。
本申请的眼底检测模型可以基于飞桨深度学习框架(https://www.paddlepaddle.org.cn/)实现。例如，主干网络+弱监督网络分支为飞桨框架中默认的UNet。监督网络分支的结构如表格2所示。
Figure BDA0003320219060000111
Figure BDA0003320219060000121
表格2监督网络分支的结构
可以设定输入眼底样本图像的尺寸为256X 256。公式(3)中，弱监督网络分支的损失函数中的超参数可以设置为α＝4，β＝6。
实验结果：
通过消融实验将本申请的方法200和基于方法300进行训练的模型500与以下方法进行对比：
相关技术中的方案一：基线端对端分类方法：直接输入整图，利用整图DME标签进行训练分类网络，分类网络为主干网络和监督网络分支。
相关技术中的方案二：黄斑区域分类方法：先利用与弱监督标签提取方法相同的算法对IDRiD数据进行黄斑区域提取(例如结合图4A-4C所描述的标注方法)，然后仅输入黄斑区域的信息进行训练和测试DME分类网络，分类网络结构同样为主干网络和监督网络分支。
对比结果如表格3所示。
Figure BDA0003320219060000122
表格3实验结果对比
由表格3可见，根据本申请实施例的模型和方法对眼底图像是否异常的分类准确率得到了提升。
图7示出了根据本公开的实施例的图像处理的装置700的结构框图。如图7所示，图像处理装置700包括获取模块710和检测模块720。
获取模块710，被配置为获取眼底图像，眼底图像包括关于黄斑区域的位置的信息。
检测模块720，被配置为将眼底图像输入至眼底检测模型，眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联，眼底检测模型经由主干网络和弱监督网络分支处理眼底图像，能够输出眼底图像的黄斑区域注意力图，并且眼底检测模型经由主干网络和监督网络分支处理眼底图像而输出眼底图像的黄斑区域的异常概率。
图8示出了根据本公开的实施例的模型训练装置800的结构框图。如图8所示，模型训练装置800包括第一获取模块810、第二获取模块820和训练模块830。
第一获取模块810，被配置为获取眼底图像样本集，眼底图像样本集包括第一样本集，第一样本集中的每个眼底图像包括关于黄斑区域的位置的信息。
第二获取模块820，被配置为获取预训练的眼底检测模型，预训练的眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，弱监督网络分支和监督网络分支均与主干网络级联。
训练模块830，被配置为将眼底图像样本集输入到预训练的眼底检测模型，以对预训练的眼底检测模型进行训练，预训练的眼底检测模型经由主干网络和弱监督网络分支处理第一样本集中的每个眼底图像，输出眼底图像的黄斑区域注意力图。
在一些示例性实施例中，装置800还包括确定模块840，被配置为对于第一样本集中的每个眼底图像：基于该眼底图像的黄斑区域的位置和高斯模板矩阵，确定该眼底图像对应的目标注意力图。
在一些示例性实施例中，训练模块830包括第一输入子模块831、确定子模块832和第一训练子模块833。
第一输入子模块831，被配置为将第一样本集输入到主干网络和弱监督网络分支。
确定子模块832，基于弱监督网络分支输出的黄斑区域注意力图、第一样本集对应的目标注意力图和黄斑区域矩阵提取算子，确定弱监督网络分支的损失函数。
第一训练子模块833，被配置为基于弱监督网络分支的损失函数对主干网络和弱监督网络分支进行训练。
在一些示例性实施例中，眼底图像样本集还包括第二样本集，第二样本集中的每个眼底图像包括异常标签。
在一些示例性实施例中，训练模块830包括第二输入子模块834和第二训练子模块835。
第二输入子模块834，被配置为将第二样本集输入到主干网络和监督网络分支，以输出眼底图像的异常概率。
第二训练子模块835，被配置为基于监督网络分支的损失函数和第二样本集的异常标签，对主干网络和监督网络分支进行训练。
在一些示例性实施例中，第一样本集中每个眼底图像的黄斑区域的位置的信息通过以下操作进行确定：确定该眼底图像的黄斑中心凹的位置；以黄斑中心凹的位置为中心，两倍视盘直径为目标半径，确定候选圆形黄斑区域；响应于候选圆形黄斑区域与视盘区域之间存在交叉，缩小所述目标半径；重复上述操作直到候选圆形黄斑区域与视盘区域之间不存在交叉；以及确定候选圆形黄斑区域的中心点坐标及半径为黄斑区域的位置的信息。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，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。
参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备800操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元901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901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901执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
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)、复杂可编程逻辑设备(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)和互联网。
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，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。
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、也可以顺序地或以不同的次序执行，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。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (17)

1.一种图像处理方法，包括：
获取眼底图像，所述眼底图像包括关于黄斑区域的位置的信息；以及
将所述眼底图像输入至眼底检测模型，其中，所述眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，所述弱监督网络分支和所述监督网络分支均与所述主干网络级联，所述眼底检测模型经由所述主干网络处理所述眼底图像，能够输出所述眼底图像的黄斑区域注意力图，其中，所述弱监督网络分支用于在预训练所述眼底检测模型的过程中使得所述主干网络输出的黄斑区域注意力图的注意力集中在黄斑区域，并且其中，所述眼底检测模型经由所述主干网络和所述监督网络分支处理所述眼底图像而输出所述眼底图像的黄斑区域的异常概率，其中，所述眼底检测模型还包括分离层，所述主干网络经由所述分离层分别与所述弱监督网络分支和所述监督网络分支级联，所述分离层的输出特征图的注意力集中在黄斑区域，通过与分离层连接的监督层来判断黄斑区域的异常概率。
2.如权利要求1所述的方法，其中，所述黄斑区域的位置的信息通过对所述眼底图像进行黄斑区域定位获得。
3.一种模型训练方法，包括：
获取眼底图像样本集，所述眼底图像样本集包括第一样本集，所述第一样本集中的每个眼底图像包括关于黄斑区域的位置的信息；
获取预训练的眼底检测模型，所述预训练的眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，其中所述弱监督网络分支和所述监督网络分支均与所述主干网络级联；以及
将所述眼底图像样本集输入到所述预训练的眼底检测模型，以对所述预训练的眼底检测模型进行训练，其中，所述预训练的眼底检测模型经由所述主干网络处理所述第一样本集中的每个眼底图像，输出所述眼底图像的黄斑区域注意力图，并且其中，所述弱监督网络分支用于在预训练所述眼底检测模型的过程中使得所述主干网络输出的黄斑区域注意力图的注意力集中在黄斑区域，其中，所述眼底检测模型还包括分离层，所述主干网络经由所述分离层分别与所述弱监督网络分支和所述监督网络分支级联，所述分离层的输出特征图的注意力集中在黄斑区域，通过与分离层连接的监督层来判断黄斑区域的异常概率。
4.如权利要求3所述的方法，还包括：
对于所述第一样本集中的每个眼底图像：
基于该眼底图像的黄斑区域的位置和高斯模板矩阵，确定该眼底图像对应的目标注意力图。
5.如权利要求4所述的方法，其中，将所述眼底图像样本集输入到所述预训练的眼底检测模型，以对所述预训练的眼底检测模型进行训练包括：
将所述第一样本集输入到所述主干网络和所述弱监督网络分支；
基于所述弱监督网络分支输出的黄斑区域注意力图、所述第一样本集对应的目标注意力图和黄斑区域矩阵提取算子，确定所述弱监督网络分支的损失函数；以及
基于所述弱监督网络分支的损失函数对所述主干网络和所述弱监督网络分支进行训练。
6.如权利要求3至5中任一项所述的方法，其中，所述眼底图像样本集还包括第二样本集，其中，所述第二样本集中的每个眼底图像包括异常标签。
7.如权利要求6所述的方法，其中，将所述眼底图像样本集输入到所述预训练眼底检测模型，以对所述预训练眼底检测模型进行训练包括：
将所述第二样本集输入到主干网络和监督网络分支，以输出所述眼底图像的异常概率；以及
基于所述监督网络分支的损失函数和所述第二样本集的异常标签，对所述主干网络和所述监督网络分支进行训练。
8.如权利要求3所述的方法，其中，所述第一样本集中每个眼底图像的黄斑区域的位置的信息通过以下操作进行确定：
确定该眼底图像的黄斑中心凹的位置；
以所述黄斑中心凹的位置为中心，两倍视盘直径为目标半径，确定候选圆形黄斑区域；
响应于所述候选圆形黄斑区域与视盘区域之间存在交叉，缩小所述目标半径；
重复上述操作直到所述候选圆形黄斑区域与所述视盘区域之间不存在交叉；以及
确定所述候选圆形黄斑区域的中心点坐标及半径为所述黄斑区域的位置的信息。
9.一种图像处理装置，包括：
获取模块，被配置为获取眼底图像，所述眼底图像包括关于黄斑区域的位置的信息；以及
检测模块，被配置为将所述眼底图像输入至眼底检测模型，其中，所述眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，所述弱监督网络分支和所述监督网络分支均与所述主干网络级联，所述眼底检测模型经由所述主干网络处理所述眼底图像，能够输出所述眼底图像的黄斑区域注意力图，其中，所述弱监督网络分支用于在预训练所述眼底检测模型的过程中使得所述主干网络输出的黄斑区域注意力图的注意力集中在黄斑区域，并且其中，所述眼底检测模型经由所述主干网络和所述监督网络分支处理所述眼底图像而输出所述眼底图像的黄斑区域的异常概率，其中，所述眼底检测模型还包括分离层，所述主干网络经由所述分离层分别与所述弱监督网络分支和所述监督网络分支级联，所述分离层的输出特征图的注意力集中在黄斑区域，通过与分离层连接的监督层来判断黄斑区域的异常概率。
10.一种模型训练装置，包括：
第一获取模块，被配置为获取眼底图像样本集，所述眼底图像样本集包括第一样本集，所述第一样本集中的每个眼底图像包括关于黄斑区域的位置的信息；
第二获取模块，被配置为获取预训练的眼底检测模型，所述预训练的眼底检测模型包括主干网络、弱监督网络分支和监督网络分支，其中所述弱监督网络分支和所述监督网络分支均与所述主干网络级联；以及
训练模块，被配置为将所述眼底图像样本集输入到所述预训练的眼底检测模型，以对所述预训练的眼底检测模型进行训练，其中，所述预训练的眼底检测模型经由所述主干网络处理所述第一样本集中的每个眼底图像，输出所述眼底图像的黄斑区域注意力图，并且其中，所述弱监督网络分支用于在预训练所述眼底检测模型的过程中使得所述主干网络输出的黄斑区域注意力图的注意力集中在黄斑区域，其中，所述眼底检测模型还包括分离层，所述主干网络经由所述分离层分别与所述弱监督网络分支和所述监督网络分支级联，所述分离层的输出特征图的注意力集中在黄斑区域，通过与分离层连接的监督层来判断黄斑区域的异常概率。
11.如权利要求10所述的装置，还包括确定模块，被配置为对于所述第一样本集中的每个眼底图像：
基于该眼底图像的黄斑区域的位置和高斯模板矩阵，确定该眼底图像对应的目标注意力图。
12.如权利要求11所述的装置，其中，所述训练模块包括：
第一输入子模块，被配置为将所述第一样本集输入到所述主干网络和所述弱监督网络分支；
确定子模块，基于所述弱监督网络分支输出的黄斑区域注意力图、所述第一样本集对应的目标注意力图和黄斑区域矩阵提取算子，确定所述弱监督网络分支的损失函数；以及
第一训练子模块，被配置为基于所述弱监督网络分支的损失函数对所述主干网络和所述弱监督网络分支进行训练。
13.如权利要求10-12中任一项所述的装置，其中，所述眼底图像样本集还包括第二样本集，其中，所述第二样本集中的每个眼底图像包括异常标签。
14.如权利要求13所述的装置，其中，所述训练模块还包括：
第二输入子模块，被配置为将所述第二样本集输入到主干网络和监督网络分支，以输出所述眼底图像的异常概率；以及
第二训练子模块，被配置为基于所述监督网络分支的损失函数和所述第二样本集的异常标签，对所述主干网络和所述监督网络分支进行训练。
15.如权利要求10所述的装置，其中，所述第一样本集中每个眼底图像的黄斑区域的位置的信息通过以下操作进行确定：
确定该眼底图像的黄斑中心凹的位置；
以所述黄斑中心凹的位置为中心，两倍视盘直径为目标半径，确定候选圆形黄斑区域；
响应于所述候选圆形黄斑区域与视盘区域之间存在交叉，缩小所述目标半径；
重复上述操作直到所述候选圆形黄斑区域与所述视盘区域之间不存在交叉；以及
确定所述候选圆形黄斑区域的中心点坐标及半径为所述黄斑区域的位置的信息。
16.一种电子设备，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。
17.一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。
CN202111243307.0A 2021-10-25 2021-10-25 图像处理方法、装置、设备和存储介质 Active CN113989215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111243307.0A CN113989215B (zh) 2021-10-25 2021-10-25 图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111243307.0A CN113989215B (zh) 2021-10-25 2021-10-25 图像处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113989215A CN113989215A (zh) 2022-01-28
CN113989215B true CN113989215B (zh) 2022-12-06

Family

ID=79741166

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111243307.0A Active CN113989215B (zh) 2021-10-25 2021-10-25 图像处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113989215B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308701A (zh) * 2018-08-31 2019-02-05 南京理工大学 深度级联模型的sd-oct图像ga病变分割方法
CN112883962A (zh) * 2021-01-29 2021-06-01 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN113516678A (zh) * 2021-03-31 2021-10-19 杭州电子科技大学 一种基于多任务的眼底图像检测方法
CN113920077A (zh) * 2021-09-30 2022-01-11 北京鹰瞳科技发展股份有限公司 一种训练眼底图像分割模型的方法以及动静脉分割方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443813B (zh) * 2019-07-29 2024-02-27 腾讯医疗健康(深圳)有限公司 血管、眼底图像的分割方法、装置、设备及可读存储介质
CN110766656B (zh) * 2019-09-19 2023-08-11 平安科技（深圳）有限公司 筛查眼底黄斑区异常的方法、装置、设备和存储介质
US11138693B2 (en) * 2020-01-24 2021-10-05 Adobe Inc. Attention-driven image manipulation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109308701A (zh) * 2018-08-31 2019-02-05 南京理工大学 深度级联模型的sd-oct图像ga病变分割方法
CN112883962A (zh) * 2021-01-29 2021-06-01 北京百度网讯科技有限公司 眼底图像识别方法、装置、设备、存储介质以及程序产品
CN113516678A (zh) * 2021-03-31 2021-10-19 杭州电子科技大学 一种基于多任务的眼底图像检测方法
CN113920077A (zh) * 2021-09-30 2022-01-11 北京鹰瞳科技发展股份有限公司 一种训练眼底图像分割模型的方法以及动静脉分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Attention-based Saliency Hashing for Ophthalmic Image Retrieval";Jiansheng Fang et al.;《arXiv》;20201207;第1-8页 *

Also Published As

Publication number Publication date
CN113989215A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN114648638A (zh) 语义分割模型的训练方法、语义分割方法与装置
CN113256583A (zh) 图像质量检测方法及装置、计算机设备和介质
CN116028605B (zh) 逻辑表达式生成方法、模型训练方法、装置及介质
US20230047628A1 (en) Human-object interaction detection
CN114445667A (zh) 图像检测方法和用于训练图像检测模型的方法
CN114443989B (zh) 排序方法、排序模型的训练方法、装置、电子设备及介质
CN113723305A (zh) 图像和视频检测方法、装置、电子设备和介质
CN113989215B (zh) 图像处理方法、装置、设备和存储介质
CN114429678A (zh) 模型训练方法及装置、电子设备和介质
CN114494797A (zh) 用于训练图像检测模型的方法和装置
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN114118067A (zh) 术语名词纠错方法及装置、电子设备和介质
CN113486853A (zh) 视频检测方法及装置、电子设备和介质
CN112860681A (zh) 数据清洗方法及装置、计算机设备和介质
CN112905743A (zh) 文本对象检测的方法、装置、电子设备和存储介质
CN114842474B (zh) 文字识别方法、装置、电子设备和介质
CN114120420B (zh) 图像检测方法和装置
CN114067183B (zh) 神经网络模型训练方法、图像处理方法、装置和设备
CN114140851B (zh) 图像检测方法和用于训练图像检测模型的方法
CN114511757A (zh) 用于训练图像检测模型的方法和装置
CN114898387A (zh) 表格图像处理方法和装置
CN114758114A (zh) 模型更新方法、图像处理方法、装置、电子设备及介质
CN114169440A (zh) 模型训练方法、数据处理方法、装置、电子设备及介质
CN114117074A (zh) 数据处理方法、装置、电子设备和介质
CN115546510A (zh) 图像检测方法和图像检测模型训练的方法

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