CN114120433A - 图像处理方法、图像处理装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种图像处理方法，涉及数据处理领域，尤其涉及医疗领域的数据处理技术。具体实现方案为：从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据；将所述多个图像特征数据进行融合，得到融合图像特征数据；以及基于所述融合图像特征数据，确定眼底区域中是否存在异常。本公开还提供了一种图像处理装置、电子设备和存储介质。

Description

图像处理方法、图像处理装置、电子设备和介质

技术领域

本公开涉及数据处理领域，尤其涉及医疗领域的数据处理技术，更具体地，涉及一种图像处理方法、图像处理装置、电子设备和存储介质。

背景技术

在相关技术中，仅基于单个眼底图像的数据来进行视野预测，不能充分利用眼底结构的其他信息。

发明内容

本公开提供了一种图像处理方法、图像处理装置、电子设备、计算机可读存储介质、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：从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据；将所述多个图像特征数据进行融合，得到融合图像特征数据；以及基于所述融合图像特征数据，确定眼底区域中是否存在异常。

根据本公开的另一方面，提供了一种图像处理装置，包括：数据提取模块，用于从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据；数据融合模块，用于将所述多个图像特征数据进行融合，得到融合图像特征数据；以及异常判断模块，用于基于所述融合图像特征数据，确定眼底区域中是否存在异常。

根据本公开的另一方面，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。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方法。

根据本公开的另一方面，提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

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1示意性示出了根据本公开实施例的图像处理方法100的流程图；

图2示意性示出了根据本公开实施例的视野测量点的分布示意图；

图3示意性示出了根据本公开实施例的视野预测网络300的示意性结构框图；

图4示意性示出了根据本公开的一些实施例的使用滑窗策略结合注意力机制的方案的示意图；

图5示意性示出了根据本公开的一些实施例的深度监督模块的方案的示意图；

图6示意性示出了根据本公开的一些实施例的视野预测模块的示意性结构图；

图7示意性示出了根据本公开实施例的图像处理装置700的示意性框图；以及

图8示意性示出了根据本公开实施例的适于处理地图数据的计算机系统的方框图。

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。

应注意，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。

在本公开的实施例中使用模态(modality)一词来指代不同的医学图像，具体地指代不同的眼底图像，例如，不同的OCT、眼底彩照等。在下面对具体实施方式的描述中，模态与医学图像可以互换使用，且在具体涉及眼底图像时，模态与眼底图像也可以互换使用。

同样地，在本公开的实施例中，对图像的处理是以数据的形式来进行的，因此，除非存在冲突，在对具体实施方式的描述中，图像和图像数据、特征和特征数据可以互换使用。

本公开的实施例提供了一种图像处理方法，该方法例如可以在服务器、客户端或者云端运行。这里的客户端可以是可执行本公开的技术方案的任何客户端，例如医疗人员的手持仪器等终端设备上的客户端。这里的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。该方法包括：从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据；将该多个图像特征数据进行融合，得到融合图像特征数据；以及基于该融合图像特征数据，确定眼底区域中是否存在异常。

图1示意性示出了根据本公开实施例的图像处理方法100的流程图。

如图1所示，该方法100可以包括以下操作S110至S130。

在操作S110，从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据。

在操作S120，将该多个图像特征数据进行融合，得到融合图像特征数据。

在操作S130，基于融合图像特征数据，确定眼底区域中是否存在异常。

根据本公开的实施例，使用了多个不同眼底图像来确定眼底区域中的异常。由于眼底区域中的异常(例如视野功能的损失)可能造成多种眼底结构变化，利用多个不同眼底图像确定眼底区域中的异常能够尽可能多地考虑到发生变化的眼底结构，从而准确地确定眼底中可能存在的异常(及其程度)。

根据本公开的实施例，该多个眼底图像包括表征整个眼底区域的全局眼底图像和表征眼底区域的至少一部分的至少一个局部眼底图像。例如，全局眼底图像可以是眼底的二维眼底彩照，该至少一个局部眼底图像可以包括眼底的以视盘为中心的光学相干断层扫描(OCT)图像和以黄斑为中心的OCT图像中的至少一个。在本公开的其他实施例中，可以体现出眼底结构变化的任何眼底图像都可以用于本公开的实施例。通过将局部眼底图像的特征数据融合到全局眼底图像的对应特征数据，是对全局眼底图像的可能发生变化的部分作出了增强，使得检测/诊断的准确性更高。

在本公开的一些实施例中，该方法还可以包括：在提取对应的图像特征数据之后且在将该多个图像特征数据进行融合之前，使用空间转换网络(Spatial TransferNetwork，STN)和形变卷积层来将消除该多个图像特征数据中的空间偏差。在此情况下，将该多个图像特征数据进行融合，得到融合图像特征数据可以包括：将消除了空间偏差的该多个图像特征数据进行融合，得到融合图像特征数据。由于在将该多个图像特征数据进行融合之前消除了图像特征数据中的空间偏差，后续能够更加准确地完成该多个图像或图像特征数据的对齐。

在本公开的一些实施例中，该方法还可以包括：在将该多个图像特征数据进行融合之前，对该多个图像特征数据执行配准操作。该配准操作使得该多个图像中对应特征(例如相同测试点)能够对齐，使得测试效果更佳准确。

在一些实施例中，对该多个图像特征数据执行配准操作可以包括：使用配准参数来将该至少一个局部眼底图像的图像特征数据映射到全局眼底图像的图像特征数据，得到映射关系。在此情况下，将该多个图像特征数据进行融合，得到融合图像特征数据可以包括：按照所得到的映射关系，将该至少一个局部眼底图像的图像特征数据叠加到全局眼底图像的图像特征数据。使用配准参数来执行配准操作实现了一种易于执行的配准方法。

在本公开的一些实施例中，对该多个图像特征数据执行配准操作可以包括：根据局部眼底图像的图像特征数据的尺寸来设置窗口，以及在全局眼底图像的图像特征数据上顺序地平移该窗口。在此情况下，图1所示的方法还可以包括：针对该至少一个局部眼底图像中的每个局部眼底图像，在该窗口的第一次平移之前以及在每一次平移之后，将该局部眼底图像的图像特征数据与该全局眼底图像的在该窗口中的图像特征数据进行融合，得到该局部眼底图像的每窗口融合图像特征数据；以及将该局部眼底图像的每窗口融合图像特征数据拼接在一起，得到该局部眼底图像的融合图像特征数据。基于此，将该多个图像特征数据进行融合，得到融合图像特征数据可以包括：将每个局部眼底图像的融合图像特征数据进行叠加，得到融合图像特征数据。

在本公开的一些实施例中，将局部眼底图像的每窗口融合图像特征数据拼接在一起，得到该局部眼底图像的融合图像特征数据可以包括：确定该局部眼底图像的图像特征数据与全局眼底图像的在该窗口中的图像特征数据之间的相似性；基于该相似性，利用注意力机制来确定注意力权重值；以及根据注意力权重值、该局部眼底图像的图像特征数据和全局眼底图像的在该窗口中的图像特征数据，得到该局部眼底图像的每窗口融合图像特征数据。

与使用配准参数来执行配准操作相比，上述窗口策略结合注意力机制的方案能够实现更准确的对齐，且因此能够更加准确地确定眼底区域中的异常。

在本公开的一些实施例中，基于融合图像特征数据，确定眼底区域中是否存在异常包括以下中的至少一个：基于融合图像特征数据，确定眼底区域的视野损失状况；以及基于融合图像特征数据，确定眼底区域的青光眼严重程度。

图2示意性示出了根据本公开实施例的视野测量点的分布示意图。如图2所示，本公开实施例中使用的是24-2检查模式下的视野模式偏差概率图，该图包含52个测试点。每个点的视野损失情况有5种可能：该点视野正常的概率(1)大于或等于5％；(2)小于5％；(3)小于2％；(4)小于1％；(5)小于0.5％。情况(1)-(5)表示对应视野损失越来越严重。在图2中的(a)图所示的视野损失情况下，可以看出存在上述的情况(2)-(5)。根据临床研究，可以将视野测试点覆盖的区域划分成6个子区域，分别表示与眼底的上鼻侧、鼻侧、下鼻侧、上颞侧、颞侧、下颞侧相对应的区域。视野损失情况的预测是分别针对这6个子区域中的测试点执行的。在图2的(b)图中可以看出，视野测试点在视野模式偏差概率图中的分布((b)图的左边)与在眼底彩照((b)图的右边)中的分布具有准确的空间对应关系(上下颠倒对应)。

虽然以24-2检查模式下的视野模式偏差概率图来作为示例说明本公开实施例的技术方案，然而需要注意的是，也可以采用其他的视野模式，这些视野模式的使用也在本公开实施例的范围之内。

图3示意性示出了根据本公开实施例的视野预测网络300的示意性结构框图。

如图3所示，数据输入模块310、特征提取模块320和偏差矫正模块330是针对不同模态(模态1至模态N)分别设置的。然而在具体的实现中，不同模态也可以使用相同的模块。例如在使用软件实现上述模块的实施例中，可以使用相同模块的不同实例来实现特定模块的针对不同模态的功能。

在数据输入模块310处，可以接收/输入多个眼底图像，即多个模态的数据。在本实施例中使用以视盘为中心和以黄斑为中心采集的两个OCT三维数据以及以视盘和黄斑连线中心点为中心采集的一个二维眼底彩照数据为例。需要注意的是，上述眼底图像仅是示例，本公开实施例不排除其他图像的使用。事实上，使用可表征整个眼底区域的其他全局眼底图像来替换上述的二维眼底彩照，和/或使用可表征眼底区域的至少一部分的其他至少一个局部眼底图像来替换上述的以视盘为中心和以黄斑为中心采集的两个OCT图像，同样能够实现本公开实施例中的技术方案。这些替换同样在本公开实施例的范围之内。

在特征提取模块320，可针对数据输入模块接收的不同模态数据，分别提取对应的图像特征数据，得到多个图像特征数据。例如，可以使用卷积神经网络(ConvolutionNeural Network，CNN)提取图像特征数据。在本公开的一些实施例中，使用向量来作为图像特征数据的示例形式，但也不排除其他数据形式的使用。图像特征数据可以包含图像里的纹理信息、形状信息、颜色信息等多种信息中的一种或多种。当使用向量来表示图像特征数据时，根据所使用的信息种类的数量，图像特征数据可以表现为低维向量或高维向量。可以使用任何适用的CNN结构，例如ResNet、U-Net、VGG、Inception、Efficient-Net等均可用于特征提取模块320。在具体实现中，可通过选择2D卷积核或3D卷积核来决定该CNN结构是用于2D图像数据处理还是3D图像数据处理。

偏差矫正模块330的使用是为了消除不同样本的空间偏差。在本公开的一些实施例中，可使用空间转换网络(STN)和形变卷积层两个子网络实现这一目的。然而STN和形变卷积层仅是实现偏差矫正模块330的一个示例，在此可以使用任何能够消除空间偏差的技术，而不仅限于STN和形变卷积层。

特征融合模块340的使用是为了将从不同模态数据获得的特征数据进行空间对齐后融合，以获得丰富的图像特征数据。由于视野模式偏差概率图上对应的视野测试点和二维眼底彩照在空间上有强烈的对应关系，在本公开的一些实施例中，在特征融合模块340处以二维眼底彩照模态数据为基准，将其他模态获得的特征数据向该模态的特征数据进行空间对齐后融合。

在具体的实现中，该对齐操作可采用图像配准方法，将各个模态的图像特征数据按照配准参数进行映射和叠加。在此可以采用任何可用的图像配准方法，并对应选择配准参数。例如，如果采用仿射变换，则可以采用6个配准参数，包括坐标轴变化夹角、旋转夹角、X尺度变化、Y尺度变化、X平移、Y平移。具体实现可以是将例如模态1(或模态2)与模态N的图像配准参数用在模态1(或模态2)采集的图像特征数据上，得到模态1(或模态2)的形变后的图像特征数据，然后再将该形变后的图像特征数据与模态N的图像特征数据在对应像素点进行加和操作。

上述图像配准方法需要通过进行不同模态图像的配准，且因此实现高精度的对齐会存在一定的困难。因此，在本公开的一些实施例中使用了滑窗策略结合注意力机制的方案。

如上所述，本公开的一些实施例中使用的局部眼底图像是以视盘为中心和以黄斑为中心的三维眼底OCT数据，在空间中二者覆盖范围是眼底彩照图像采集范围的一小部分，因此，本公开的一些实施例采用滑窗策略，并结合注意力机制实现图3所示的视野预测网络300里的特征融合模块340。具体地，可以针对每个模态的数据，根据该模态的图像特征数据的尺寸来设置滑窗(或称为窗口)，并在例如眼底彩照图像的图像特征数据上顺序地平移该窗口，在该窗口的第一次平移之前以及在每一次平移之后，将对应模态的图像特征数据与眼底彩照图像的在该窗口中的图像特征数据进行融合，得到该对应模态的针对每个窗口的融合图像特征数据，然后将该针对每个窗口的融合图像特征数据拼接在一起，得到该模态的融合图像特征数据。之后，将每个模态的融合图像特征数据进行叠加，得到可用于视野预测的融合图像特征数据。

通过在预测之前按照空间对应关系融合了各个模态的特征数据，可以为后面视野预测的空间对应提供了良好的基础。例如，本公开的一些实施例中的模态1或模态2都是3DOCT数据，采集范围在空间中不能覆盖视野测试里的52个测试点。因此在进行预测之前首先融合各个模态的特征数据，可以有利地利用预测结果和输入特征数据的空间对应关系。

深度监督模块350的使用是为了促进各个模态数据的处理网络分支能够集中在特定眼底区域异常(例如青光眼)的相关特征数据的学习上，且因此加速了视野预测网络300收敛。例如，本公开的一些实施例使用了青光眼分级任务作为深度监督模块350的深度监督的对象。

经过上述各个模块的处理后，视野预测网络300中的视野模式偏差概率图预测模块360可以对例如24-2模式下的视野模式偏差概率图中52个测试位置的视野损失情况进行预测，且青光眼分级模块370可以基于特征融合模块340的输出来确定眼底区域的青光眼严重程度，例如是青光眼早期、中期、晚期还是无青光眼。

图4示意性示出了根据本公开的一些实施例的使用滑窗策略结合注意力机制的方案的示意图。如图4所示，模态N数据是指例如二维眼底彩照。从图4可以看出，该方案使用每个局部眼底图像与该二维眼底彩照(全局部眼底图像)分别进行融合。针对每个局部眼底图像(例如模态1)，设置大小与模态1特征数据的尺寸(例如长和宽)一致的窗口，将窗口在模态N特征数据(例如，特征数据图或特征数据空间)上进行顺序地(例如，从上到下，从左到右)平移，过程中将模态1特征数据与滑窗覆盖下的模态N特征数据进行融合。如图4所示，该融合采用了自注意力机制，利用卷积和矩阵点乘操作计算模态1特征数据与剪裁(窗口中)的模态N特征数据的相似性，随后使用Softmax层获得注意力权重值；再将注意力权重值用在模态1特征数据上，将进行权重相乘运算后的模态1特征数据和滑窗覆盖下的模态N图像特征数据相加。滑窗从上到下从左到右覆盖到完整的模态N特征数据，将各个与模态1特征数据融合后的模态N特征数据块进行空间上的拼接，即完成了模态1特征数据和模态N特征数据的融合。可以针对其他局部眼底图像(例如模态2)执行相同的特征数据融合过程，最后将获得的与不同模态特征数据融合的模态N特征数据进行叠加，获得最终的融合特征数据。

需要注意的是，图4中所示的方案仅是本公开实施例中使用的滑窗策略结合注意力机制的一个示例，可以将该示例中的技术细节替换为任何其他能够实现相同效果的技术手段。例如，在图4中使用Softmax层来获得注意力权重值，然而在本公开的实施例中也可以使用其他任何适用的注意力权重值计算方法。同样地，在图4所示的示例中使用利用卷积和矩阵点乘操作来计算相似性，然而本领域技术人员能够理解，任何可用于计算相似性的方案同等可用在图4所示的示例中。上述这些替换以及对图4中技术细节的其他替换都在本公开实施例的范围之内。

图5示意性示出了根据本公开的一些实施例的深度监督模块的方案的示意图。深度监督模块负责监督每个模态数据的处理分支，利用分支网络获取的特征数据对例如青光眼严重程度进行分级。青光眼分级实际是实现青光眼早期、中期、晚期和无青光眼四种情况的分类任务。在本公开的一些实施例中，使用交叉熵损失来作为每个深度监督模块的损失值，然而其他损失值形式也可同等在本公开的实施例中使用。

如图5所示，青光眼分级模块主要由全连接层构成。从特征融合模块输出的特征数据被送入例如3个全连接层，前两个全连接层用于特征降维，最后一个用于例如青光眼四个类别的预测。从图5中可以看出，青光眼分级模块对每个模态的特征数据分别进行青光眼分级操作。在这种情况下，每个青光眼分级过程用的网络参数可以共享，也可以不共享。

虽然在图5中使用青光眼分级来描述深度监督模块的深度监督操作的示例，眼底区域的其他异常情况同样也可作为深度监督操作的对象。例如在本公开的一些实施例中，可以使用视野预测而不是青光眼分级来作为图5所示的深度监督模块的深度监督操作的对象。

图6示意性示出了根据本公开实施例的视野预测模块的示意性结构图。如图6所示，该视野预测模块主要由全连接层构成。从特征融合模块输出的特征数据被送入6个全连接层。该6个全连接层分别预测视野测试所包含的6个区域内的测试点所属视野损失情况。其中，区域1-6分别包含的测试点有6个、13个、8个、4个、11个和10个。在此，根据所使用的视野检查模式的不同，全连接层的数量及其对应测试点的数量或分布也可能会不同。

图7示意性示出了根据本公开实施例的图像处理装置700的示意性框图。如图7所示，装置700包括模块710-730。

数据提取模块710，用于从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据。

数据融合模块720，用于将该多个图像特征数据进行融合，得到融合图像特征数据。

异常判断模块730，用于基于该融合图像特征数据，确定眼底区域中是否存在异常。

根据本公开的实施例，使用了多个不同眼底图像来确定眼底区域中的异常。由于眼底区域中的异常(例如视野功能的损失)可能造成多种眼底结构变化，利用多个不同眼底图像确定眼底区域中的异常能够尽可能多地考虑到发生变化的眼底结构，从而准确地确定眼底中可能存在的异常(及其程度)。

在本公开的一些实施例中，装置700还可以包括：偏差消除模块，用于在提取对应的图像特征数据之后且在将该多个图像特征数据进行融合之前，使用空间转换网络(STN)和形变卷积层来将消除该多个图像特征数据中的空间偏差。在此情况下，数据融合模块720可以包括融合子模块，用于将消除了空间偏差的该多个图像特征数据进行融合，得到融合图像特征数据。由于在将该多个图像特征数据进行融合之前消除了图像特征数据中的空间偏差，后续能够更加准确地完成该多个图像或图像特征数据的对齐。

在本公开的一些实施例中，装置700还可以包括数据配准模块，用于在将该多个图像特征数据进行融合之前，对该多个图像特征数据执行配准操作。该配准操作使得该多个图像中对应特征(例如相同测试点)能够对齐，使得测试效果更佳准确。

在一些实施例中，数据配准模块可以包括映射子模块，用于使用配准参数来将该至少一个局部眼底图像的图像特征数据映射到全局眼底图像的图像特征数据，得到映射关系。在此情况下，数据融合模块720可以包括叠加子模块，用于按照所得到的映射关系，将该至少一个局部眼底图像的图像特征数据叠加到全局眼底图像的图像特征数据。使用配准参数来执行配准操作实现了一种易于执行的配准方法。

在本公开的一些实施例中，针对该至少一个局部眼底图像中的每个局部眼底图像，数据配准模块可以包括：窗口设置子模块，用于根据局部眼底图像的图像特征数据的尺寸来设置窗口；以及窗口平移子模块，用于在全局眼底图像的图像特征数据上顺序地平移该窗口。在此情况下，针对该至少一个局部眼底图像中的每个局部眼底图像，数据融合模块720可以包括：每窗口融合子模块，用于针对该至少一个局部眼底图像中的每个局部眼底图像，在该窗口的第一次平移之前以及在每一次平移之后，将该局部眼底图像的图像特征数据与全局眼底图像的在该窗口中的图像特征数据进行融合，得到该局部眼底图像的每窗口融合图像特征数据；以及拼接子模块，用于将该局部眼底图像的每窗口融合图像特征数据拼接在一起，得到该局部眼底图像的融合图像特征数据。基于此，数据融合模块720可以包括叠加子模块，用于将每个局部眼底图像的融合图像特征数据进行叠加，得到融合图像特征数据。

在本公开的一些实施例中，每窗口融合子模块可以包括：相似性确定子模块，用于确定该局部眼底图像的图像特征数据与全局眼底图像的在窗口中的图像特征数据之间的相似性；权重值确定子模块，用于基于该相似性，利用注意力机制来确定注意力权重值；以及数据融合子模块，用于根据注意力权重值、该局部眼底图像的图像特征数据和全局眼底图像的在该窗口中的图像特征数据，得到该局部眼底图像的每窗口融合图像特征数据。

与使用配准参数来执行配准操作相比，上述窗口策略结合注意力机制的方案能够实现更准确的对齐，且因此能够更加准确地确定眼底区域中的异常。

在本公开的一些实施例中，异常判断模块730可以包括以下子模块中的至少一个：第一确定子模块，用于基于融合图像特征数据，确定眼底区域的视野损失状况；以及第二确定子模块，用于基于融合图像特征数据，确定眼底区域的青光眼严重程度。

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，通过利用多个不同眼底图像确定眼底区域中的异常能够尽可能多地考虑到发生变化的眼底结构，从而准确地确定眼底中可能存在的异常(及其程度)。

该电子设备包括：至少一个处理器；以及与该至少一个处理器通信连接的存储器。存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述的方法。

计算机可读存储介质存储有计算机可执行指令，该指令在被执行时用于实现如上所述的方法。

计算机程序产品包括计算机程序，计算机程序包括计算机可执行指令，该指令在被执行时用于实现如上所述的方法。

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，例如上述图像处理方法。例如，在一些实施例中，上述图像处理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ROM 802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，可以执行上述图像处理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)而被配置为执行上述图像处理方法。

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)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。

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，本发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 (20)

1.一种图像处理方法，包括：

从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据；

将所述多个图像特征数据进行融合，得到融合图像特征数据；以及

基于所述融合图像特征数据，确定眼底区域中是否存在异常。

2.根据权利要求1所述的图像处理方法，其中，所述多个眼底图像包括表征整个所述眼底区域的全局眼底图像和表征所述眼底区域的至少一部分的至少一个局部眼底图像。

3.根据权利要求2所述的图像处理方法，还包括：

在提取对应的图像特征数据之后且在将所述多个图像特征数据进行融合之前，使用空间转换网络STN和形变卷积层来将消除所述多个图像特征数据中的空间偏差，

其中，将所述多个图像特征数据进行融合，得到所述融合图像特征数据包括：将消除了空间偏差的所述多个图像特征数据进行融合，得到所述融合图像特征数据。

4.根据权利要求2所述的图像处理方法，还包括：

在将所述多个图像特征数据进行融合之前，对所述多个图像特征数据执行配准操作。

5.根据权利要求4所述的图像处理方法，

其中，对所述多个图像特征数据执行配准操作包括：使用配准参数来将所述至少一个局部眼底图像的图像特征数据映射到所述全局眼底图像的图像特征数据，得到映射关系，以及

其中，将所述多个图像特征数据进行融合，得到所述融合图像特征数据包括：按照所述映射关系，将所述至少一个局部眼底图像的图像特征数据叠加到所述全局眼底图像的图像特征数据。

6.根据权利要求4所述的图像处理方法，其中，对所述多个图像特征数据执行配准操作包括：针对所述至少一个局部眼底图像中的每个局部眼底图像，

根据所述局部眼底图像的图像特征数据的尺寸来设置窗口；以及

在所述全局眼底图像的图像特征数据上顺序地平移所述窗口。

7.根据权利要求6所述的图像处理方法，还包括：

针对所述至少一个局部眼底图像中的每个局部眼底图像，

在所述窗口的第一次平移之前以及在每一次平移之后，将所述局部眼底图像的图像特征数据与所述全局眼底图像的在所述窗口中的图像特征数据进行融合，得到所述局部眼底图像的每窗口融合图像特征数据；以及

将所述局部眼底图像的每窗口融合图像特征数据拼接在一起，得到所述局部眼底图像的融合图像特征数据；以及

其中，将所述多个图像特征数据进行融合，得到所述融合图像特征数据包括：将每个局部眼底图像的融合图像特征数据进行叠加，得到所述融合图像特征数据。

8.根据权利要求7所述的图像处理方法，其中，将所述局部眼底图像的每窗口融合图像特征数据拼接在一起，得到所述局部眼底图像的融合图像特征数据包括：

确定所述局部眼底图像的图像特征数据与所述全局眼底图像的在所述窗口中的图像特征数据之间的相似性；

基于所述相似性，利用注意力机制来确定注意力权重值；以及

根据所述注意力权重值、所述局部眼底图像的图像特征数据和所述全局眼底图像的在所述窗口中的图像特征数据，得到所述局部眼底图像的每窗口融合图像特征数据。

9.根据权利要求1至8中任一项所述的图像处理方法，其中，基于所述融合图像特征数据，确定所述眼底区域中是否存在异常包括以下中的至少一个：

基于所述融合图像特征数据，确定所述眼底区域的视野损失状况；以及

基于所述融合图像特征数据，确定所述眼底区域的青光眼严重程度。

10.一种图像处理装置，包括：

数据提取模块，用于从多个眼底图像中，分别提取对应的图像特征数据，得到多个图像特征数据；

数据融合模块，用于将所述多个图像特征数据进行融合，得到融合图像特征数据；以及

异常判断模块，用于基于所述融合图像特征数据，确定眼底区域中是否存在异常。

11.根据权利要求10所述的图像处理装置，还包括：

偏差消除模块，用于在提取对应的图像特征数据之后且在将所述多个图像特征数据进行融合之前，使用空间转换网络STN和形变卷积层来将消除所述多个图像特征数据中的空间偏差，

其中，所述数据融合模块包括融合子模块，用于将消除了空间偏差的所述多个图像特征数据进行融合，得到所述融合图像特征数据。

12.根据权利要求11所述的图像处理装置，还包括：

数据配准模块，用于在将所述多个图像特征数据进行融合之前，对所述多个图像特征数据执行配准操作。

13.根据权利要求12所述的图像处理装置，其中，所述数据配准模块包括映射子模块，用于使用配准参数来将所述至少一个局部眼底图像的图像特征数据映射到所述全局眼底图像的图像特征数据，得到映射关系，以及

其中，所述数据融合模块包括叠加子模块，用于按照所述映射关系，将所述至少一个局部眼底图像的图像特征数据叠加到所述全局眼底图像的图像特征数据。

14.根据权利要求12所述的图像处理装置，其中，针对所述至少一个局部眼底图像中的每个局部眼底图像，所述数据配准模块包括：

窗口设置子模块，用于根据所述局部眼底图像的图像特征数据的尺寸来设置窗口；以及

窗口平移子模块，用于在所述全局眼底图像的图像特征数据上顺序地平移所述窗口。

15.根据权利要求14所述的图像处理装置，

其中，针对所述至少一个局部眼底图像中的每个局部眼底图像，所述数据融合模块包括：

每窗口融合子模块，用于在所述窗口的第一次平移之前以及在每一次平移之后，将所述局部眼底图像的图像特征数据与所述全局眼底图像的在所述窗口中的图像特征数据进行融合，得到所述局部眼底图像的每窗口融合图像特征数据；以及

拼接子模块，用于将所述局部眼底图像的每窗口融合图像特征数据拼接在一起，得到所述局部眼底图像的融合图像特征数据；以及

其中，所述数据融合模块包括叠加子模块，用于将每个局部眼底图像的融合图像特征数据进行叠加，得到所述融合图像特征数据。

16.根据权利要求15所述的图像处理装置，其中，所述每窗口融合子模块包括：

相似性确定子模块，用于确定所述局部眼底图像的图像特征数据与所述全局眼底图像的在所述窗口中的图像特征数据之间的相似性；

权重值确定子模块，用于基于所述相似性，利用注意力机制来确定注意力权重值；以及

数据融合子模块，用于根据所述注意力权重值、所述局部眼底图像的图像特征数据和所述全局眼底图像的在所述窗口中的图像特征数据，得到所述局部眼底图像的每窗口融合图像特征数据。

17.根据权利要求10至16中任一项所述的图像处理装置，其中，所述异常判断模块包括以下子模块中的至少一个：

第一确定子模块，用于基于所述融合图像特征数据，确定所述眼底区域的视野损失状况；以及

第二确定子模块，用于基于所述融合图像特征数据，确定所述眼底区域的青光眼严重程度。

18.一种电子设备，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1-9中任一项所述的方法。

19.一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1-9中任一项所述的方法。

20.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。

Images