CN115205954A - 一种眼部病症识别方法、装置及设备 - Google Patents

一种眼部病症识别方法、装置及设备 Download PDF

Info

Publication number
CN115205954A
CN115205954A CN202210842213.3A CN202210842213A CN115205954A CN 115205954 A CN115205954 A CN 115205954A CN 202210842213 A CN202210842213 A CN 202210842213A CN 115205954 A CN115205954 A CN 115205954A
Authority
CN
China
Prior art keywords
eye image
grid map
disease
eye
grids
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
Application number
CN202210842213.3A
Other languages
English (en)
Inventor
陈有信
于伟泓
王晋瑞
赵建春
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 Vistel Technology Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Beijing Vistel Technology Co ltd
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Vistel Technology Co ltd, Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Beijing Vistel Technology Co ltd
Priority to CN202210842213.3A priority Critical patent/CN115205954A/zh
Publication of CN115205954A publication Critical patent/CN115205954A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/197—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/18—Eye characteristics, e.g. of the iris
    • G06V40/193—Preprocessing; Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Ophthalmology & Optometry (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例涉及图像处理领域，公开了一种眼部病症识别方法、装置及设备。本申请实施例涉及眼部病症识别方法包括：获取待识别眼部图像集；对每一个眼部图像，执行以下操作，得到目标网格图：按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，每个网格对应一个病症类别；获取目标网格图的病症信息；最后，根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。可见，通过对同一个待识别眼部的二维眼部图像中进行多种黄斑网格建立，以及建立每个眼部病症与黄斑网格对应关系，实现对不同眼部病症在各自对应的黄斑网格下的眼部病症信息获取，并以此实现对眼部病症的识别。这样，减小了实际应用的局限性。

Description

一种眼部病症识别方法、装置及设备
技术领域
本申请实施例涉及图像处理领域，尤其涉及一种眼部病症识别方法、装置及设备。
背景技术
眼部病症识别是医学领域中一个重要的研究方向。在眼部病症识别的过程中，需要医生对待识别眼部图像进行观测以及标注。医生在进行眼部病症识别的过程中，通常需要通过观测眼部病症的病灶区域相对黄斑中心凹的位置，或者病灶区域的面积大小来完成眼部病症的识别。黄斑中心凹是指视网膜后极部呈小凹陷区的中心部位。
为了提升眼部病症识别的精准性，现阶段通常采用计算机辅助识别系统来进行眼部图像识别，并将识别到的病灶点位置或者面积信息反馈至医生，协助医生进行眼部病症识别。但是，由于不同种类的眼部病症的病灶区域相对黄斑中心凹的位置是不同的，医生可以根据病灶区域相对黄斑中心凹的位置进行病症识别，或者由于不同种类的眼部病症病灶区域面积信息是不同的，医生可以根据病灶区域面积进行病症识别。当前的识别系统中，通常只能用来协助医生进行单一眼部病症的识别判断，实际应用存在局限性。
发明内容
本申请实施例提供了一种眼部病症识别方法、装置及设备，以解决现有眼部病症识别方法中对于眼部病症识别存在局限性的问题。
第一方面，本申请实施例提供了一种眼部病症识别方法，所述方法包括：
获取待识别眼部图像集；
对应所述待识别眼部图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：
按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；
对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；
根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。
在一些可能的实施方式中，得到至少一个目标网格图，包括：
获得所述眼部图像集中每个眼部图像对应的网格图，得到网格图集；
从所述网格图集中筛选带有病症区域的网格图，作为目标网格图，得到所述至少一个目标网格图。这样，通过对网格图进行筛选，仅将带有病症区域的网格图输出给医生，可以提升病症识别的效率。
在一些可能的实施方式中，得到至少一个目标网格，包括：
对所述眼部图像集进行筛选，得到至少一个带有病症区域的眼部图像；
依据所述至少一个带有病症区域的眼部图像，得到所述至少一个目标网格图。这样，通过对眼部图像首先进行病症的有无筛选，仅对带有病症区域的眼部图像进行处理得到目标网格图，可以提升病症识别效率。
在一些可能的实施方式中，所述按照预设规则在相应眼部图像中添加至少两个网格，包括：
确定该眼部图像对应的黄斑中心凹；
将所确定的黄斑中心凹作为网格中心，添加至少两个网格，每个网格包括至少两个子网格，所述至少两个子网格是以同一黄斑中心凹位中心但面积不同的网格，每个子网格用于标定病症区域所在网格中的位置。这样，可以通过网格进行病症的大类识别，通过网格对应的子网格进行病症大类别下的小类别识别，提高病症识别的精准性。
在一些可能的实施方式中，所述确定该眼部图像对应的黄斑中心凹，包括：
对所述待识别眼部图像集中的每一个眼部图像进行特征提取，得到至少一个黄斑中心凹特征，每个眼部图像对应一个黄斑中心凹特征；
对所述至少一个黄斑中心凹特征进行计算处理，得到所述黄斑中心凹的坐标。这样，可以将黄斑中心凹的图像信息转化为像素坐标信息，便于后续对于目标网格图的添加以及病症区域位置信息的获取。
在一些可能的实施方式中，在所述以所述相应眼部图像对应的黄斑中心凹为网格中心，添加至少两个网格之后，还包括：
获取所述待识别眼部图像集中的至少一个目标图像的每一个目标图像对应的视盘中心点坐标；
依据所述待识别眼部图像集中的每一个眼部图像对应的视盘中心点坐标，得到所述待识别眼部图像集中的每一个眼部图像对应的视盘黄斑像素距离；
依据所述待识别眼部图像集中的每一个眼部图像对应的视盘黄斑像素距离对所述每一个眼部图像进行视盘黄斑标注，得到至少一个视盘黄斑标注信息。这样，将实际眼部图像中对应的视盘黄斑图像信息转化为像素距离，以此实现对于病症信息的识别。
在一些可能的实施方式中，在获取所述待识别眼部图像集中的每一个眼部图像对应的视盘中心点坐标之前，还包括：
对所述每一个眼部图像依照预设规则进行检测，得到所述至少一个目标图像。这样，通过对不满足预设条件，不能被用来进行视盘中心点坐标计算的眼部图像进行剔除，以此提高眼部病症识别效率。
第二方面，本申请实施例还提供了一种眼部病症识别装置，所述装置包括：
第一获取模块，用于获取待识别眼部图像集；
执行模块，用于对应所述待识别眼部图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：
按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；
第二获取模块，用于对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；
分类模块，用于根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。
第三方面，本申请实施例还提供了一种电子设备，所诉电子设备包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令执行第一方面或第一方面任一可能的实施方式中的方法。
第四方面，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指令，所述计算机指令用于使所述计算机执行第一方面或第一方面任一可能的实施方式中的方法。
本申请实施例提供了一种眼部病症识别方法，本方案中，首先，获取待识别眼部图像集；然后，对应所述图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；接着，对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；最后，根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。可见，通过对同一个待识别眼部的二维眼部图像中进行多种黄斑网格的建立，以及通过预先建立每个眼部病症与黄斑网格的对应关系，实现对不同眼部病症在各自对应的黄斑网格下的眼部病症信息的获取，并以此实现对眼部病症的识别。这样，实现了在一个识别系统下的多种类眼部病症的识别，减小了实际应用的局限性。
附图说明
图1是本申请实施例提供的眼部病症识别方法流程示意图；
图2使本申请实施例提供的目标网格图应用场景示意图；
图3使本申请实施例提供的眼部病症识别装置结构示意图；
图4是本申请实施例提供的眼部病症识别设备示例性结构示意图。
具体实施方式
本申请以下实施例中所使用的术语是为了描述可选实施方式的目的，而非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样，单数表达形式“一个”、“一种”、“所述”、“上述”、“该”和“这一”旨在也包括复数表达形式。还应当理解，尽管在以下实施例中可能采用术语第一、第二等来描述某一类对象，但所述对象不限于这些术语。这些术语用来将该类对象的具体对象进行区分。例如，以下实施例中可能采用术语第一、第二等来描述的其他类对象同理，此处不再赘述。
本申请实施例提供了一种眼部病症识别方法，本方案中，首先，获取待识别眼部图像集；然后，对应所述图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；接着，对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；最后，根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。可见，通过对同一个待识别眼部的二维眼部图像中进行多种黄斑网格的建立，通过预先建立每个眼部病症与黄斑网格的对应关系，实现对不同眼部病症在各自对应的黄斑网格下的眼部病症信息的获取，并以此实现对眼部病症的识别。这样，实现了在一个识别系统下的多种类眼部病症的识别，减小了实际应用的局限性。
本申请实施例涉及的任一电子设备可以是诸如手机、平板电脑、可穿戴设备(例如，智能手表、智能手环等)、笔记本电脑、台式计算机和车载设备等电子设备。该电子设备预先安装有软件部署应用程序。可以理解的是，本申请实施例对电子设备的具体类型不作任何限制。
眼部病症识别是医学领域中一个重要的研究方向。在眼部病症识别的过程中，需要医生对待识别眼部图像进行观测以及标注。医生在进行眼部病症识别的过程中，通常需要通过观测眼部病症的病灶区域相对黄斑中心凹的位置，或者病灶区域的面积大小来完成眼部病症的识别。黄斑中心凹是指视网膜后极部呈小凹陷区的中心部位。
为了提升眼部病症识别的精准性，现阶段通常采用计算机辅助识别系统来进行眼部图像识别，并将识别到的病灶点位置或者面积信息反馈至医生，协助医生进行眼部病症识别。但是，由于不同种类的眼部病症的病灶区域相对黄斑中心凹的位置是不同的，医生可以根据病灶区域相对黄斑中心凹的位置进行病症识别，或者由于不同种类的眼部病症病灶区域面积信息是不同的，医生可以根据病灶区域面积进行病症识别。当前的识别系统中，通常只能用来协助医生进行单一眼部病症的识别判断，实际应用存在局限性。
下面是对几个示例性实施方式的描述，对本申请实施例的技术方案以及本申请的技术方案产生的技术效果进行说明。
在本申请的第一方面，提出了一种眼部病症识别方法，参见图1，图1是本申请实施例提供的眼部病症识别方法流程示意图，包括以下步骤：
获取待识别眼部图像集；
对应所述待识别眼部图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：
按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；
对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；
根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。
示例性的，以眼科医生通过眼底彩照进行眼部病症识别工作为例，为了能够准确的通过眼部图像完成对眼部病症的识别判断，因此需要借助相关的计算机辅助识别系统来对所获取到的待识别眼部图像进行识别。过程中待识别眼可能存在多种病症或者并不存在病症，因此医生需要针对每个病症设定专门的网格(即目标网格)进行观测，在对应网格内观测到病症区域后，依据病症区域在设定的网格中的位置信息以及面积信息，确定待识别病症的种类以及病症程度，实现对病症的识别分类。
示例性的，所述按照预设规则在相应眼部图像中添加至少两个网格，在计算机辅助识别系统中，针对每一个待识别眼部图像，医生可以通过从预先在设置好的网格库中选取对应的网格添加到相应眼部图像中，也可以由所述计算机辅助系统进行自动配置。
可选的，所述按照预设规则在相应眼部图像中添加至少两个网格，包括：
确定该眼部图像对应的黄斑中心凹；
将所确定的黄斑中心凹作为网格中心，添加至少两个网格，每个网格包括至少两个子网格，所述至少两个子网格是以同一黄斑中心凹为中心但面积不同的网格，每个子网格用于标定病症区域所在网格中的位置。
示例性的，以医生想要识别待识别眼部图像中是否具有糖尿病黄斑水肿病症为例，具体应用场景如图2所示。
在获得至少一个眼部图像后，通过预先设置的识别模型，对眼部图像信息进行特征提取，得到眼部图像中黄斑中心凹对应的图像特征，
具体的，所述预先设置的识别模型可以为黄斑定位模型；
根据得到的黄斑中心凹对应的图像特征计算黄斑中心凹所在的中心点坐标(或者其它能表征黄斑中心凹所在位置的特征点坐标)，并且以此作为网格中心，进行网格添加，其中每个网格由至少两个子网格组成，子网格与对应网格具有相同的中心(即黄斑中心凹所在中心点坐标)，每个网格对应的子网格之间面积大小不同，
具体的，通过所述黄斑定位模型得到眼部图像中黄斑中心凹中心点的坐标，记作(fovea_x，fovea_y),其中fovea_x表示黄斑中心凹中心点的横坐标，fovea_y表示黄斑中心凹中心点的纵坐标。这样，就得到了网格的中心坐标；
得到网格的中心坐标之后，进行子网格添加，根据眼部病症相关常识性知识，选择适合观察对应病症的子网格，当待识别的眼部病症为糖尿病黄斑水肿时，选用两个圆形子网格，并且子网格的半径大小分别为500μm(第一子网格)以及1000μm(第二子网格)。这样，当病症的硬性渗出位置(即图中病症所在区域)在半径为1000μm的子网格以外时，可以识别出病症为轻度糖尿病黄斑水肿，当病症的硬性渗出位置在半径500μm以及1000μm的子网格之间时，可以识别出病症为中度糖尿病黄斑水肿，当病症的硬性渗出位置在半径500μm的子网格之内时，可以识别出病症为重度糖尿病黄斑水肿。
可选的，在所述以所述相应眼部图像对应的黄斑中心凹为网格中心，添加至少两个网格之后，还包括：
获取所述待识别眼部图像集中的至少一个目标图像的每一个目标图像对应的视盘中心点坐标；
依据所述待识别眼部图像集中的每一个眼部图像对应的视盘中心点坐标，得到所述待识别眼部图像集中的每一个眼部图像对应的视盘黄斑像素距离；
依据所述待识别眼部图像集中的每一个眼部图像对应的视盘黄斑像素距离对所述每一个眼部图像进行视盘黄斑标注，得到至少一个视盘黄斑标注信息。
示例性的，在获取黄斑中心凹中心坐标之后，进行视盘中心点坐标获取：具体的，眼部图像中对应的视盘边界以方形框为例，对于方形框视盘边界(即图中视盘框)通常使用对角坐标描述(此处以方形框左上角以及右上角坐标描述)，那么对于方形框视盘的左上角坐标定义为(od_x0，od_y0)，右下角坐标定义为(od_x1，od_y1)其中，od_x0为左上角横坐标，od_y0为左上角纵坐标，od_x1为右下角横坐标，od_y1为右下角纵坐标，那么视盘中心点的横坐标可以表示为x_center＝(od_x0+od_x1)/2，纵坐标可以表示为y_center＝(od_y0+od_y1)/2；
当眼部图像中对应视盘边界为视盘轮廓时，通过预先设置的视盘视杯分割模型可以得到视盘轮廓坐标集合((x1，y1)，(x2，y2)…(xn，yn))，视盘中心计算可以通过od_x0＝min(x1，x2…xn)，od_x1＝max(x1，x2…xn)，od_y0＝min(y1，y2…yn)以及od_y1＝max(y1，y2…yn)得到视盘轮廓的左上角以及右下角的坐标，并根据上述内容可以得到视盘中心点的坐标；
得到视盘中心点坐标之后，通过计算得到视盘中心点距离黄斑中心点的距离(即视盘黄斑像素距离)，此处用d表示，即d为视盘黄斑标注信息，所述视盘黄斑标注信息用于后续图像中特征计算以及特征变换关系确认；
依据图像以及像素距离关系，确定黄斑网格中子网格的半径大小、病症区域所在位置信息以及病症区域面积大小(即病症信息)，进而实现对于病症信息的识别：
具体的，根据眼部病症公知知识可以在知道，视盘中心到黄斑中心的实际物理具有一定范围(通常为4.5mm～4.7mm)，此处依据实际识别场景选择固定距离为4.6mm，由于，图像中的像素距离与对应的物理距离通常时具有固定的特征转换关系，也就可以根据公式：网格半径像素距离＝(视盘黄斑像素距离/视盘黄斑物理距离)*物理距离的网格半径(即上述半径为500以及1000的两个子网格半径)。
示例性的，当在此眼部图像中已经添加糖尿病黄斑水肿病症对应的网格之后，若医生想同步对此图像是否具有老年性黄斑变性病症的识别时，仅需在具有糖尿病黄斑水肿病症对应的网格之后添加用于识别老年性黄斑变性病症的网格即可(即上文所述按照预设规则在相应眼部图像中添加至少两个网格)。
具体的，添加识别老年性黄斑变性病症网格，具体网格添加过程同前述步骤近似，此处不再一一赘述，网格包括半径分别为500μm，1500μm以及3000μm的三个子网格，这三个半径不一样的子网格通常对应不同病症的参考标准，此处以半径为1500μm的子网格为例：
观察半径为1500μm对应的子网格其范围内玻璃膜疣和色素的异常情况(即对应的病症信息)进行病症所处发病期的判断：
当所述玻璃膜疣和色素的异常情况不存在时，表征病症无明显老龄变化；
当存在小玻璃膜疣以及无色素异常时(按照实际检验标准评判)，表征病症正常老龄改变；
当存在中等玻璃膜疣，无色素异常时(按照实际检验标准评判)，表征病症处于早期阶段；
当存在大玻璃膜疣以及色素异常时(按照实际检验标准评判)，表征病症处于中期阶段；
当存在新生血管性换班病变以及地图样萎缩时，表征病症处于晚期阶段。
这样，由于上述两个病症通过两个独立的网格图呈现，并且可以实现在一张眼部识别图像中，导入多类别(不同半径)的网格，最终以网格图的形式传递给医生，使医生可以在同一张眼部识别图像中进行多类别的网格图观测。
可选的，在一些可能的实施方式中，在获取所述待识别眼部图像集中的每一个眼部图像对应的视盘中心点坐标之前，还包括：
对所述每一个眼部图像依照预设规则进行检测，得到所述至少一个目标图像。
示例性的，眼部图像集中可能存在视盘或者黄斑中心凹区域受阻挡或特征确实的眼部图像，这些图像不能直接被预设模型进行特征提取以及开展后续的坐标计算，因此，需要通过认为进行手动剔除处理，提高眼部病症识别效率。
一种可能的实施方式中，得到至少一个目标网格图，包括：
获得所述眼部图像集中每个眼部图像对应的网格图，得到网格图集；
从所述网格图集中筛选带有病症区域的网格图，作为目标网格图，得到所述至少一个目标网格图。
示例性的，在获得每个眼部图像对应的网格图，对网格图是否具有病症区域进行筛选，若眼部图像对应的网格图中存在不具有病症区域的网格图，则判定对应网格图为健康的网格图，将不输入至医生或判定为不具有此网格图对应的眼部病症；
若眼部图像对应的网格图中存在具有病症区域的网格图，则作为目标网格图进行后续动作。
一种可能的实施方式中，对所述眼部图像集进行筛选，得到至少一个带有病症区域的眼部图像；
依据所述至少一个带有病症区域的眼部图像，得到所述至少一个目标网格图。这样，通过对眼部图像首先进行病症的有无筛选，仅对带有病症区域的眼部图像进行处理得到目标网格图，可以提升病症识别效率。
示例性的，在获取眼部图像集中的图像之后，得到目标网格的方式还可以为：通过预先训练的图像识别模型，对图像进行病症区域识别，确认图像中是否带有病症，若图像中没有病症，则判定为对应的眼部图像为健康的眼部图像，将不会发送给医生，
具体的，对图像识别模型输入健康的眼部图像进行训练，使用训练后的所述图像识别模型对于眼部图像进行特征提取，并对提取的特征进行相似度匹配，若匹配结果小于预设阈值，则判定小于预设阈值的眼部图像为带有病症区域的眼部图像；
若图像中存在病症(无需明确具体病症类别)，则将其进行后续目标网格添加动作。
上述实施例从待识别眼部图像集以及目标网格图的获取以及病症信息的获取以及病症的分类等方面，对本申请实施例提供的病症识别方法的各实施方式进行了介绍。应理解，待识别眼部图像集以及目标网格图的获取以及病症信息的获取以及病症的分类等等的处理步骤，本申请实施例可以以硬件或硬件和计算机软件的结合形式来实现上述功能。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，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。
例如，若上述实现步骤通过软件模块来实现相应的功能。如图3所示，眼部病症识别装置可以包括第一获取模块，执行模块，第二获取模块以及分类模块。所述眼部病症识别装置可用于执行上述眼部识别方法的部分或全部操作。
例如：
第一获取模块，用于获取待识别眼部图像集；
执行模块，用于对应所述待识别眼部图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：
按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；
第二获取模块，用于对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；
分类模块，用于根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。
由此可见，本申请实施例提供了一种眼部病症识别方法，本方案中，首先，获取待识别眼部图像集；然后，对应所述图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；接着，对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；最后，根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。可见，通过对同一个待识别眼部的二维眼部图像中进行多种黄斑网格的建立，通过预先建立每个眼部病症与黄斑网格的对应关系，实现对不同眼部病症在各自对应的黄斑网格下的眼部病症信息的获取，并以此实现对眼部病症的识别。这样，实现了在一个识别系统下的多种类眼部病症的识别，减小了实际应用的局限性。
可以理解的是，以上各个模块的功能可以集成到硬件实体实现，例如，第一获取模块以及第二获取可以集成到收发器实现，执行模块以及分类模块可以集成在处理器实现，实现上述各模块功能的程序和指令，可以维护在存储器中。如图4所示，提供了一种电子设备，电子设备包括处理器，收发器以及存储器，其中收发器用于执行基于多为信息的病种识别方法中对于目标参考信息以及每个所述编码信息对应的学习结果获取，存储器用于存储前述部署装置预装的程序/代码，也可以存储用于处理器执行的代码等。当处理器运行存储器存储的代码过程中，使得电子设备执行上述方法中软件部署方法的部分或全部操作。
具体过程详见上述方法的实施例所述，此处不再详述。
具体实现中，对应前述电子设备，本申请实施例还提供一种计算机存储介质，其中，设置在电子设备中的计算机存储介质可存储有程序，该程序执行时，可实施包括上述软件部署方法的各实施例中的部分或全部步骤。该存储介质均可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。
以上模块或单元的一个或多个可以软件、硬件或二者结合来实现。当以上任一模块或单元以软件实现的时候，所述软件以计算机程序指令的方式存在，并被存储在存储器中，处理器可以用于执行所述程序指令并实现以上方法流程。所述处理器可以包括但不限于以下至少一种：中央处理单元(central processing unit，CPU)、微处理器、数字信号处理器(DSP)、微控制器(microcontroller unit，MCU)、或人工智能处理器等各类运行软件的计算设备，每种计算设备可包括一个或多个用于执行软件指令以进行运算或处理的核。该处理器可以内置于SoC(片上系统)或专用集成电路(application specific integratedcircuit，ASIC)，也可是一个独立的半导体芯片。该处理器内处理用于执行软件指令以进行运算或处理的核外，还可进一步包括必要的硬件加速器，如现场可编程门阵列(fieldprogrammable gate array，FPGA)、PLD(可编程逻辑器件)、或者实现专用逻辑运算的逻辑电路。
当以上模块或单元以硬件实现的时候，该硬件可以是CPU、微处理器、DSP、MCU、人工智能处理器、ASIC、SoC、FPGA、PLD、专用数字电路、硬件加速器或非集成的分立器件中的任一个或任一组合，其可以运行必要的软件或不依赖于软件以执行以上方法流程。
进一步的，图4中还可以包括总线接口，总线接口可以包括任意数量的互联的总线和桥，具体由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线接口还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器提供用于在传输介质上与各种其他设备通信的单元。处理器负责管理总线架构和通常的处理，存储器可以存储处理器在执行操作时所使用的数据。
当以上模块或单元使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
应理解，在本申请的各种实施例中，各过程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，而不应对实施例的实施过程构成任何限定。
本说明书的各个部分均采用递进的方式进行描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于装置和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
尽管已描述了本申请的可选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种眼部病症识别方法，其特征在于，所述方法包括：
获取待识别眼部图像集；
对应所述待识别眼部图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：
按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；
对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；
根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。
2.根据权利要求1所述的眼部病症识别方法，其特征在于，得到至少一个目标网格图，包括：
获得所述眼部图像集中每个眼部图像对应的网格图，得到网格图集；
从所述网格图集中筛选带有病症区域的网格图，作为目标网格图，得到所述至少一个目标网格图。
3.根据权利要求1所述的眼部病症识别方法，其特征在于，得到至少一个目标网格图，包括：
对所述眼部图像集进行筛选，得到至少一个带有病症区域的眼部图像；
依据所述至少一个带有病症区域的眼部图像，得到所述至少一个目标网格图。
4.根据权利要求1所述的眼部病症识别方法，其特征在于，所述按照预设规则在相应眼部图像中添加至少两个网格，包括：
确定该眼部图像对应的黄斑中心凹；
将所确定的黄斑中心凹作为网格中心，添加至少两个网格，每个网格包括至少两个子网格，所述至少两个子网格是以同一黄斑中心凹位中心但面积不同的网格，每个子网格用于标定病症区域所在网格中的位置。
5.根据权利要求4所述的眼部病症识别方法，其特征在于，所述确定该眼部图像对应的黄斑中心凹，包括：
对所述待识别眼部图像集中的每一个眼部图像进行特征提取，得到至少一个黄斑中心凹特征，每个眼部图像对应一个黄斑中心凹特征；
对所述至少一个黄斑中心凹特征进行计算处理，得到所述黄斑中心凹的坐标。
6.根据权利要求4所述的眼部病症识别方法，其特征在于，在所述以所述相应眼部图像对应的黄斑中心凹为网格中心，添加至少两个网格之后，还包括：
获取所述待识别眼部图像集中的至少一个目标图像的每一个目标图像对应的视盘中心点坐标；
依据所述待识别眼部图像集中的每一个眼部图像对应的视盘中心点坐标，得到所述待识别眼部图像集中的每一个眼部图像对应的视盘黄斑像素距离；
依据所述待识别眼部图像集中的每一个眼部图像对应的视盘黄斑像素距离对所述每一个眼部图像进行视盘黄斑标注，得到至少一个视盘黄斑标注信息。
7.根据权利要求6所述的眼部病症识别方法，其特征在于，在获取所述待识别眼部图像集中的每一个眼部图像对应的视盘中心点坐标之前，还包括：
对所述每一个眼部图像依照预设规则进行检测，得到所述至少一个目标图像。
8.一种眼部病症识别装置，其特征在于，所述装置包括：
第一获取模块，用于获取待识别眼部图像集；
执行模块，用于对应所述待识别眼部图像集中的每一个眼部图像，执行以下操作，得到至少一个目标网格图：
按照预设规则在相应眼部图像中添加至少两个网格，得到相应眼部图像的网格图，所述至少两个网格中两两存在以下至少一种不同：形状和面积，每个网格对应一个病症类别；
第二获取模块，用于对应所述至少一个目标网格图中每个目标网格图，根据所述目标网格图中的至少两个网格获取所述目标网格图的病症信息，所述病症信息包括：所述目标网格图中病症区域所在网格的位置，以及所述目标网格图中病症区域对应的网格的面积；
分类模块，用于根据每个目标网格图的病症信息，确定相应目标网格图包含的病症类别。
9.一种电子设备，其特征在于，所述电子设备包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令执行权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
CN202210842213.3A 2022-07-18 2022-07-18 一种眼部病症识别方法、装置及设备 Pending CN115205954A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210842213.3A CN115205954A (zh) 2022-07-18 2022-07-18 一种眼部病症识别方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210842213.3A CN115205954A (zh) 2022-07-18 2022-07-18 一种眼部病症识别方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115205954A true CN115205954A (zh) 2022-10-18

Family

ID=83581833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210842213.3A Pending CN115205954A (zh) 2022-07-18 2022-07-18 一种眼部病症识别方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115205954A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117084622A (zh) * 2023-10-16 2023-11-21 罗麦(北京)营养食品研究有限公司 一种基于眼部的健康分析方法、系统、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117084622A (zh) * 2023-10-16 2023-11-21 罗麦(北京)营养食品研究有限公司 一种基于眼部的健康分析方法、系统、设备及存储介质
CN117084622B (zh) * 2023-10-16 2024-02-02 罗麦(北京)营养食品研究有限公司 一种基于眼部的健康分析方法、系统、设备及存储介质

Similar Documents

Publication Publication Date Title
Lam et al. Automated detection of diabetic retinopathy using deep learning
Warren et al. Functional magnetic resonance imaging, deep learning, and Alzheimer's disease: A systematic review
Tian et al. Multi-path convolutional neural network in fundus segmentation of blood vessels
Kandhasamy et al. Diagnosis of diabetic retinopathy using multi level set segmentation algorithm with feature extraction using SVM with selective features
Joshi et al. Glaucoma detection using image processing and supervised learning for classification
Khandouzi et al. Retinal vessel segmentation, a review of classic and deep methods
US11848098B2 (en) Identifying anomalous brain data
CN113158821B (zh) 基于多模态的眼部检测数据的处理方法、装置及终端设备
US10832410B2 (en) Computer system, method, and program for diagnosing subject
Guru Prasad et al. Glaucoma detection using clustering and segmentation of the optic disc region from retinal fundus images
FI3719807T3 (fi) Patologisen tilan ennustaminen lääketieteellisestä kuvasta
Toğaçar et al. Use of dominant activations obtained by processing OCT images with the CNNs and slime mold method in retinal disease detection
Zhou et al. Automatic optic disc detection using low-rank representation based semi-supervised extreme learning machine
CN113012093B (zh) 青光眼图像特征提取的训练方法及训练系统
El Hossi et al. Applied CNN for automatic diabetic retinopathy assessment using fundus images
David Enhanced glaucoma detection using ensemble based CNN and spatially based ellipse fitting curve model
CN115205954A (zh) 一种眼部病症识别方法、装置及设备
Singh et al. A novel hybridized feature selection strategy for the effective prediction of glaucoma in retinal fundus images
Baalamurugan et al. A novel approach for brain tumor detection by self-organizing map (SOM) using adaptive network based fuzzy inference system (ANFIS) for robotic systems
Sambyal et al. Aggregated residual transformation network for multistage classification in diabetic retinopathy
Gulati et al. Comparative analysis of deep learning approaches for the diagnosis of diabetic retinopathy
CN113158822B (zh) 基于跨模态关系推理的眼部检测数据的分类方法及装置
Andersen et al. Automatic detection of abnormalities and grading of diabetic retinopathy in 6-field retinal images: Integration of segmentation into classification
Thomas et al. Diabetic retinopathy detection using EADBSC and improved dilated ensemble CNN-based classification
WO2019082203A1 (en) SYSTEM AND METHOD FOR DETECTION AND CLASSIFICATION OF RETINAL DISEASES

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