CN115456962B - 一种基于卷积神经网络的脉络膜血管指数预测方法和装置 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的脉络膜血管指数预测方法和装置。该方法包括步骤：获取待识别的光学相干断层扫描图像，将所述待识别的光学相干断层扫描图像输入至基于卷积神经网络的脉络膜血管指数预测模型，输出所述预测待识别的光学相干断层扫描图像对应的脉络膜面积、管腔面积和脉络膜血管指数(CVI)。本发明提高了对脉络膜面积、管腔面积和CVI值的识别准确度。

Description

一种基于卷积神经网络的脉络膜血管指数预测方法和装置

技术领域

本发明涉及脉络膜血管指数预测技术领域，尤其涉及一种基于卷积神经网络的脉络膜血管指数预测方法和装置。

背景技术

脉络膜血管指数(Choroidal Vascular Index，CVI)定义为脉络膜管腔面积与脉络膜总面积之比，可在增强深度成像OCT(EDI-OCT)脉络膜脉管系统图像中进行测量。目前主要有人工测量与计算机算法两种方式。人工测量：通过Image J软件，手动勾选脉络膜区域后二值化处理，计算脉络膜管腔面积像素值与脉络膜总面积像素值之比得出脉络膜血管指数。计算机算法测量：图像预处理(增强对比-直方图均衡算法；降噪-滤波器；)；脉络膜分割(内置软件识别bruch膜；形态学重建(choroidal-scleral interface)CSI)；血管结构识别(分水岭算法；平滑血管边界-形态闭运算)。目前许多研究基于深度学习方法对脉络膜及脉络膜血管区域进行自动识别，尚无利用深度学习算法对脉络膜及脉络膜血管区域进行定量测量(即面积测量)的研究。

现有技术存在以下问题：(1)人工测量：软件操作步骤繁琐，平均每张图片测量耗时长；对操作人员专业要求较高，需要技术人员掌握相关的眼科临床医学知识，要求对脉络膜区域的勾选时最大限度贴近真实解剖状态。总体而言，人工测量需要消耗很高人力和时间。此种测量方法仅仅适用于样本量较小的临床研究，不适用样本量较大的研究如眼科流行病学调查等。(2)计算机算法：需要人工进行脉络膜区域勾选的微调，不属于完全意义上的自动测量。且此种测量方法受限于算法模型，对图片质量要求高。目前尚无基于深度学习自动计算脉络膜血管指数的方法。由于分析大量图像耗时更长，迫切需要可靠和准确的方法来自动识别并量化EDI-OCT中的脉络膜脉管系统。

发明内容

本发明提供一种基于卷积神经网络的脉络膜血管指数预测方法和装置，提高了对脉络膜面积、管腔面积和CVI值的识别准确度。

本发明一实施例提供一种基于卷积神经网络的脉络膜血管指数预测方法，包括以下步骤：

获取待识别的光学相干断层扫描图像，将所述待识别的光学相干断层扫描图像输入至基于卷积神经网络的脉络膜血管指数预测模型，输出所述预测待识别的光学相干断层扫描图像对应的脉络膜面积、脉络膜管腔面积和CVI值。

进一步的，所述基于卷积神经网络的脉络膜血管指数预测模型包括1个输入层、1个Stem模块、5个Inception-resnet-A模块、1个Reduction-A模块、10个Inception-resnet-B模块、1个Reduction-B模块、5个Inception-resnet-C模块、1个平均池化层模块、1个dropout模块和1个Linear输出层。

进一步的，当图像数据输入至所述Stem模块时，依次经过输入层、三个卷积层、最大池化层、两个卷积层、最大池化层和四个不同的卷积分支。

进一步的，所述Inception-resnet-A模块包括第一分支、第二分支、第三分支和第四分支；

所述第一分支用于直接输出处理；

所述第二分支用于进行一次1x1的32通道的卷积处理；

所述第三分支用于进行一次1x1的32通道的卷积处理和一次3x3的32通道的卷积处理；

所述第四分支用于进行一次1x1的32通道的卷积处理、一次3x3的48通道的卷积处理和一次3x3的64通道卷积处理；

当图像数据输入至所述Inception-resnet-A模块时，分别经过所述第一分支、第二分支、第三分支和第四分支进行处理；

经过所述第二分支、第三分支和第四分支的处理后，再进行一次卷积处理，得到第二图像数据；

将所述第二图像数据和所述第一分支输出的第一图像数据进行相加后，输出所述Inception-resnet-A模块。

进一步的，所述Inception-resnet-B模块包括第五分支、第六分支和第七分支；

所述第五分支用于直接输出处理；

所述第六分支用于进行一次1x1的192通道的卷积处理；

所述第七分支用于进行1x1的128通道的卷积处理、一次1x7的160通道的卷积处理和一次7x1的192通道的卷积处理；

当图像数据输入至所述Inception-resnet-B模块时，分别经过所述第五分支、第六分支和第七分支进行处理；

经过所述第六分支和第七分支的处理后，再进行一次卷积处理，得到第四图像数据；

将所述第四图像数据和所述第五分支输出的第三图像数据进行相加后，输出所述Inception-resnet-B模块。

进一步的，所述Inception-resnet-C模块包括第八分支、第九分支和第十分支；

所述第八分支用于直接输出处理；

所述第九分支用于进行一次1x1的192通道的卷积处理；

所述第十分支用于进行一次1x1的192通道的卷积处理、一次1x3的224通道的卷积处理和一次3x1的256通道的卷积处理；

当图像数据输入至所述Inception-resnet-C模块时，分别经过所述第八分支、第九分支和第十分支进行处理；

经过所述第九分支和第十分支的处理后，再进行一次卷积处理，得到第六图像数据；

将所述第六图像数据和所述第八分支输出的第五图像数据进行相加后，输出所述Inception-resnet-C模块。

进一步的，对所述基于卷积神经网络的脉络膜血管指数预测模型进行训练时，采用Mean Squared Error函数作为所述脉络膜血管指数预测模型的损失函数，采用AdaptiveMomentum算法作为所述脉络膜血管指数预测模型的优化算法。

进一步的，收集历史光学相干断层扫描图像作为所述基于卷积神经网络的脉络膜血管指数预测模型的训练集；

对所述训练集进行扩增处理后，再对所述训练集进行归一化处理；所述扩增处理包括：采用图像水平翻转、水平和垂直位移、旋转和亮度调整扩增所述训练集。

进一步的，根据以下步骤对所述训练集进行标记：

在所述历史光学相干断层扫描图像框中画出脉络膜区域后，对所述历史光学相干断层扫描图进行niblack二值化处理；

计算所述历史光学相干断层扫描图像中管腔面积和脉络膜面积，并根据所述管腔面积与脉络膜面积的比例计算出CVI值；

根据所述脉络膜面积、管腔面积及CVI值对每一张所述历史光学相干断层扫描图像进行标记。

本发明另一实施例提供了一种基于卷积神经网络的脉络膜血管指数预测装置，包括光学相干断层扫描图像获取模块和脉络膜血管指数预测模块；

所述光学相干断层扫描图像获取模块用于获取待识别的光学相干断层扫描图像并输入至所述脉络膜血管指数预测模块；

所述脉络膜血管指数预测模块用于通过基于卷积神经网络的脉络膜血管指数预测模型，输出预测的脉络膜面积、管腔面积和CVI值。

本发明的实施例，具有如下有益效果：

本发明提供了一种基于卷积神经网络的脉络膜血管指数预测方法和装置，该方法通过获取待识别的光学相干断层扫描图像，将所述待识别的光学相干断层扫描图像输入至基于卷积神经网络的脉络膜血管指数预测模型，输出所述预测待识别的光学相干断层扫描图像对应的脉络膜面积、管腔面积和CVI值，实现了对脉络膜血管指数自动化测量，提高了对脉络膜面积、脉络膜管腔面积和CVI值的计算效率。

附图说明

图1是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测方法的流程示意图；

图2是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测装置的结构示意图；

图3是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测模型的结构示意图；

图4是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测模型的Stem模块的结构示意图；

图5是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测模型的Inception-resnet-A模块的结构示意图；

图6是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测模型的Inception-resnet-B模块的结构示意图；

图7是本发明一实施例提供的基于卷积神经网络的脉络膜血管指数预测模型的Inception-resnet-C模块的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明一实施例提供的一种基于卷积神经网络的脉络膜血管指数预测方法，包括以下步骤：

步骤S101：获取待识别的光学相干断层扫描图像。

步骤S102：将所述待识别的光学相干断层扫描图像输入至基于卷积神经网络的脉络膜血管指数预测模型，输出所述预测待识别的光学相干断层扫描图像对应的脉络膜面积、管腔面积和CVI值。

作为其中一种实施例，如图3所示，所述基于卷积神经网络的脉络膜血管指数预测模型包括1个输入层、1个Stem模块、5个Inception-resnet-A模块、1个Reduction-A模块、10个Inception-resnet-B模块、1个Reduction-B模块、5个Inception-resnet-C模块、1个平均池化层模块、1个dropout模块和1个Linear输出层。如图4所示，当图像数据输入至所述Stem模块时，依次经过输入层、三个卷积层、最大池化层、两个卷积层、最大池化层和四个不同的卷积分支。所述四个不同的卷积分支具体为：卷积分支A包括一个平均池化层和一个1x1的64通道卷积层；卷积分支B包括一个1x1的96通道卷积层；卷积分支C包括一个1x1的48通道卷积层和一个5x5的64通道卷积层；卷积分支D包括一个的1x1的64通道卷积层,一个3x3的96通道卷积层和另一个3x3的96通道卷积层。本发明的基于卷积神经网络的脉络膜血管指数预测模型结合了Inception网络多种大小卷积核和Resnet的短路连接等优点，大大提高了模型的预测精度。

作为其中一种实施例，如图5所示，所述Inception-resnet-A模块包括第一分支、第二分支、第三分支和第四分支；

所述第一分支用于直接输出处理；

所述第二分支用于进行一次1x1的32通道的卷积处理；

所述第三分支用于进行一次1x1的32通道的卷积处理和一次3x3的32通道的卷积处理；

所述第四分支用于进行一次1x1的32通道的卷积处理、一次3x3的48通道的卷积处理和一次3x3的64通道卷积处理；

当图像数据输入至所述Inception-resnet-A模块时，分别经过所述第一分支、第二分支、第三分支和第四分支进行处理；

经过所述第二分支、第三分支和第四分支的处理后，再进行一次卷积处理，得到第二图像数据；

将所述第二图像数据和所述第一分支输出的第一图像数据进行相加后，输出所述Inception-resnet-A模块。

作为其中一种实施例，如图6所示，所述Inception-resnet-B模块包括第五分支、第六分支和第七分支；

所述第五分支用于直接输出处理；

所述第六分支用于进行一次1x1的192通道的卷积处理；

所述第七分支用于进行1x1的128通道的卷积处理、一次1x7的160通道的卷积处理和一次7x1的192通道的卷积处理；

当图像数据输入至所述Inception-resnet-B模块时，分别经过所述第五分支、第六分支和第七分支进行处理；

经过所述第六分支和第七分支的处理后，再进行一次卷积处理，得到第四图像数据；

将所述第四图像数据和所述第五分支输出的第三图像数据进行相加后，输出所述Inception-resnet-B模块。

作为其中一种实施例，如图7所示，所述Inception-resnet-C模块包括第八分支、第九分支和第十分支；

所述第八分支用于直接输出处理；

所述第九分支用于进行一次1x1的192通道的卷积处理；

所述第十分支用于进行一次1x1的192通道的卷积处理、一次1x3的224通道的卷积处理和一次3x1的256通道的卷积处理；

当图像数据输入至所述Inception-resnet-C模块时，分别经过所述第八分支、第九分支和第十分支进行处理；

经过所述第九分支和第十分支的处理后，再进行一次卷积处理，得到第六图像数据；

将所述第六图像数据和所述第八分支输出的第五图像数据进行相加后，输出所述Inception-resnet-C模块。

作为其中一种实施例，对所述基于卷积神经网络的脉络膜血管指数预测模型进行训练时，采用Mean Squared Error函数作为所述脉络膜血管指数预测模型的损失函数，采用Adaptive Momentum算法作为所述脉络膜血管指数预测模型的优化算法。

作为其中一种实施例，收集历史光学相干断层扫描图像作为所述基于卷积神经网络的脉络膜血管指数预测模型的训练集；

对所述训练集进行扩增处理后，再对所述训练集进行归一化处理；所述扩增处理包括：采用图像水平翻转、水平和垂直位移、旋转和亮度调整扩增所述训练集。

作为其中一种实施例，根据以下步骤对所述训练集进行标记：

在所述历史光学相干断层扫描图像框中画出脉络膜区域后，对所述历史光学相干断层扫描图进行niblack二值化处理；

计算所述历史光学相干断层扫描图像中管腔面积和脉络膜面积，并根据所述管腔面积与脉络膜面积的比例计算出CVI值；

根据所述脉络膜面积、管腔面积及CVI值对每一张所述历史光学相干断层扫描图像进行标记。

现有技术通过人工在每一张光学相干断层扫描图像框画出脉络膜轮廓，并计算出脉络膜与管腔的面积以及CVI值。整个过程耗费时间和人力，而且没有标准化，不同的人操作或操作失误可能会导致不同的结果。本发明技术方案在训练出基于卷积神经网络的脉络膜血管指数预测模型后，只需使用光学相干断层扫描图像原始图片作为输入，无需框画脉络膜轮廓或其他额外操作，同一张OCT图片只会输出一个结果，整个过程自动化，标准化，实现了脉络膜血管指数自动化测量。

在上述发明实施例的基础上，本发明对应提供了装置项实施例，如图2所示；

本发明另一实施例提供了一种基于卷积神经网络的脉络膜血管指数预测装置，包括光学相干断层扫描图像获取模块101和脉络膜血管指数预测模块102；

所述光学相干断层扫描图像获取模块用于获取待识别的光学相干断层扫描图像并输入至所述脉络膜血管指数预测模块；

所述脉络膜血管指数预测模块用于通过基于卷积神经网络的脉络膜血管指数预测模型，输出预测的脉络膜面积、管腔面积和CVI值。

为描述的方便和简洁，本发明装置项实施例包括上述基于卷积神经网络的脉络膜血管指数预测方法实施例中的全部实施方式，此处不再赘述。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质(即上述可读存储介质)中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、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。

Claims (9)

1.一种基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，包括以下步骤：

获取待识别的光学相干断层扫描图像，将所述待识别的光学相干断层扫描图像输入至基于卷积神经网络的脉络膜血管指数预测模型，输出所述待识别的光学相干断层扫描图像对应的脉络膜面积、脉络膜管腔面积和CVI值；

所述脉络膜血管指数预测模型在进行训练时，训练集包括：历史光学相干断层扫描图像和图像所对应的脉络膜参数，所述脉络膜参数包括脉络膜面积、脉络膜管腔面积及CVI值；根据所述脉络膜面积、脉络膜管腔面积及CVI值对每一张所述历史光学相干断层扫描图像进行标记；

其中，所述基于卷积神经网络的脉络膜血管指数预测模型包括1个输入层、1个Stem模块、5个Inception-resnet-A模块、1个Reduction-A模块、10个Inception-resnet-B模块、1个Reduction-B模块、5个Inception-resnet-C模块、1个平均池化层模块、1个dropout模块和1个Linear输出层；

所述光学相干断层扫描图像依次经过输入层、Stem模块、Inception-resnet-A模块、Reduction-A模块Inception-resnet-B模块、Reduction-B模块、Inception-resnet-C模块、平均池化层模块、dropout模块和Linear输出层，输出所述待识别的光学相干断层扫描图像对应的脉络膜面积、脉络膜管腔面积和CVI值。

2.根据权利要求1所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，当图像数据输入至所述Stem模块时，依次经过输入层、三个卷积层、最大池化层、两个卷积层、最大池化层和四个不同的卷积分支。

3.根据权利要求2所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，所述Inception-resnet-A模块包括第一分支、第二分支、第三分支和第四分支；

所述第一分支用于直接输出处理；

所述第二分支用于进行一次1x1的32通道的卷积处理；

所述第三分支用于进行一次1x1的32通道的卷积处理和一次3x3的32通道的卷积处理；

所述第四分支用于进行一次1x1的32通道的卷积处理、一次3x3的48通道的卷积处理和一次3x3的64通道卷积处理；

当图像数据输入至所述Inception-resnet-A模块时，分别经过所述第一分支、第二分支、第三分支和第四分支进行处理；

经过所述第二分支、第三分支和第四分支的处理后，再进行一次卷积处理，得到第二图像数据；

将所述第二图像数据和所述第一分支输出的第一图像数据进行相加后，输出所述Inception-resnet-A模块。

4.根据权利要求3所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，所述Inception-resnet-B模块包括第五分支、第六分支和第七分支；

所述第五分支用于直接输出处理；

所述第六分支用于进行一次1x1的192通道的卷积处理；

所述第七分支用于进行1x1的128通道的卷积处理、一次1x7的160通道的卷积处理和一次7x1的192通道的卷积处理；

当图像数据输入至所述Inception-resnet-B模块时，分别经过所述第五分支、第六分支和第七分支进行处理；

经过所述第六分支和第七分支的处理后，再进行一次卷积处理，得到第四图像数据；

将所述第四图像数据和所述第五分支输出的第三图像数据进行相加后，输出所述Inception-resnet-B模块。

5.根据权利要求4所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，所述Inception-resnet-C模块包括第八分支、第九分支和第十分支；

所述第八分支用于直接输出处理；

所述第九分支用于进行一次1x1的192通道的卷积处理；

所述第十分支用于进行一次1x1的192通道的卷积处理、一次1x3的224通道的卷积处理和一次3x1的256通道的卷积处理；

当图像数据输入至所述Inception-resnet-C模块时，分别经过所述第八分支、第九分支和第十分支进行处理；

经过所述第九分支和第十分支的处理后，再进行一次卷积处理，得到第六图像数据；

将所述第六图像数据和所述第八分支输出的第五图像数据进行相加后，输出所述Inception-resnet-C模块。

6.根据权利要求5所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，对所述基于卷积神经网络的脉络膜血管指数预测模型进行训练时，采用Mean SquaredError函数作为所述脉络膜血管指数预测模型的损失函数，采用Adaptive Momentum算法作为所述脉络膜血管指数预测模型的优化算法。

7.根据权利要求6所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，收集历史光学相干断层扫描图像作为所述基于卷积神经网络的脉络膜血管指数预测模型的训练集；

对所述训练集进行扩增处理后，再对所述训练集进行归一化处理；所述扩增处理包括：采用图像水平翻转、水平和垂直位移、旋转和亮度调整扩增所述训练集。

8.根据权利要求1至7任一项所述的基于卷积神经网络的脉络膜血管指数预测方法，其特征在于，根据以下步骤对所述训练集进行标记：

在所述历史光学相干断层扫描图像框中画出脉络膜区域后，对所述历史光学相干断层扫描图进行niblack二值化处理；

计算所述历史光学相干断层扫描图像中管腔面积和脉络膜面积，并根据所述管腔面积与脉络膜面积的比例计算出CVI值；

根据所述脉络膜面积、管腔面积及CVI值对每一张所述历史光学相干断层扫描图像进行标记。

9.一种基于卷积神经网络的脉络膜血管指数预测装置，其特征在于，包括光学相干断层扫描图像获取模块和脉络膜血管指数预测模块；

所述光学相干断层扫描图像获取模块用于获取待识别的光学相干断层扫描图像并输入至所述脉络膜血管指数预测模块；

所述脉络膜血管指数预测模块用于通过基于卷积神经网络的脉络膜血管指数预测模型，输出预测的脉络膜面积、管腔面积和CVI值；

所述脉络膜血管指数预测模型在进行训练时，训练集包括：历史光学相干断层扫描图像和图像所对应的脉络膜参数，所述脉络膜参数包括脉络膜面积、脉络膜管腔面积及CVI值；根据所述脉络膜面积、脉络膜管腔面积及CVI值对每一张所述历史光学相干断层扫描图像进行标记；

其中，所述基于卷积神经网络的脉络膜血管指数预测模型包括1个输入层、1个Stem模块、5个Inception-resnet-A模块、1个Reduction-A模块、10个Inception-resnet-B模块、1个Reduction-B模块、5个Inception-resnet-C模块、1个平均池化层模块、1个dropout模块和1个Linear输出层；

所述光学相干断层扫描图像依次经过输入层、Stem模块、Inception-resnet-A模块、Reduction-A模块Inception-resnet-B模块、Reduction-B模块、Inception-resnet-C模块、平均池化层模块、dropout模块和Linear输出层，输出所述待识别的光学相干断层扫描图像对应的脉络膜面积、脉络膜管腔面积和CVI值。