CN116385812A - 图像分类方法及装置、电子设备及存储介质 - Google Patents

图像分类方法及装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116385812A
CN116385812A CN202310659822.XA CN202310659822A CN116385812A CN 116385812 A CN116385812 A CN 116385812A CN 202310659822 A CN202310659822 A CN 202310659822A CN 116385812 A CN116385812 A CN 116385812A
Authority
CN
China
Prior art keywords
processed
fundus image
blood vessel
region
determining
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.)
Granted
Application number
CN202310659822.XA
Other languages
English (en)
Other versions
CN116385812B (zh
Inventor
王茜
董洲
凌赛广
柯鑫
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.)
Yiwei Science And Technology Beijing Co ltd
Original Assignee
Yiwei Science And Technology Beijing 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 Yiwei Science And Technology Beijing Co ltd filed Critical Yiwei Science And Technology Beijing Co ltd
Priority to CN202310659822.XA priority Critical patent/CN116385812B/zh
Publication of CN116385812A publication Critical patent/CN116385812A/zh
Application granted granted Critical
Publication of CN116385812B publication Critical patent/CN116385812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了一种图像分类方法及装置、电子设备及存储介质，涉及图像处理技术领域，图像分类方法包括：基于待处理眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据；基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果。本公开实施例通过待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，实现了通过待处理眼底图像，确定待处理眼底图像是否包含玻璃体变性区域的目的，因此，能够辅助医生进行玻璃体变性的诊断，减少玻璃体变性误诊的概率。

Description

图像分类方法及装置、电子设备及存储介质
技术领域
本公开属于图像处理技术领域，具体涉及一种图像分类方法及装置、电子设备及存储介质。
背景技术
玻璃体变性会导致患者视力减退，严重的会牵拉视网膜造成视网膜裂孔或黄斑裂孔，造成视力重度下降甚至失明。玻璃体变性常见于高度近视人群和老年人，随着高度近视人群的数量增加，以及老年人的健康越来越受重视，及时对玻璃体变性进行诊断，并及尽早治疗，变得越来越重要。
然而，传统玻璃体变性的诊断需要医生根据自身医学知识和相关经验，结合眼底图像对患者的玻璃体变性的情况进行检测诊断。由于传统的玻璃体变性的诊断具有主观性，而医生的自身经验存在差距，并且医疗薄弱地区的医生相关医学知识可能存在不足，导致了玻璃体变性的诊断存在误诊的情况。
发明内容
有鉴于此，本公开提供一种图像分类方法及装置、电子设备及存储介质，能够辅助医生进行玻璃体变性的诊断，减少了玻璃体变性误诊的情况。
第一方面，本公开一实施例提供的一种图像分类方法，包括：基于待处理眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据；基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，分类结果用于表征待处理眼底图像是否存在玻璃体变性区域。
结合第一方面，在第一方面的某些实现方式中，待处理眼底图像包括多幅待处理眼底图像，分类结果包括第一分类结果；其中，基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于多幅待处理眼底图像各自对应的病灶位置数据，确定多幅待处理眼底图像之间的同一病灶位置变化数据，其中，多幅待处理眼底图像对应的待评估对象相同；基于多幅待处理眼底图像之间的同一病灶位置变化数据，确定多幅待处理眼底图像各自的第一分类结果。
结合第一方面，在第一方面的某些实现方式中，待处理眼底图像包括多幅待处理眼底图像，分类结果包括第二分类结果；其中，基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于多幅待处理眼底图像各自对应的特征数据，利用机器学习分类模型，确定多幅待处理眼底图像各自的第二分类结果；或者，待处理眼底图像包括一幅待处理眼底图像，分类结果包括第三分类结果；基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于待处理眼底图像对应的特征数据，利用机器学习分类模型，确定待处理眼底图像的第三分类结果。
结合第一方面，在第一方面的某些实现方式中，待处理眼底图像对应的特征数据包括待处理眼底图像的视盘区域的特征数据和血管区域的特征数据，基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果，其中，视盘区域的遮挡结果用于表征视盘区域是否被遮挡；基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果，其中，血管区域的遮挡结果用于表征血管区域是否被遮挡；基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果。
结合第一方面，在第一方面的某些实现方式中，基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果包括：在视盘区域的遮挡结果和/或血管区域被遮挡的情况下，对待处理眼底图像进行阈值分割，得到多个待处理区域；对多个待处理区域进行膨胀处理，得到多个待处理区域各自对应的膨胀区域；基于多个待处理区域各自对应的膨胀区域，进行特征提取，确定多维特征数据；基于多维特征数据，利用机器学习分类模型，确定待处理眼底图像的分类结果；在视盘区域的遮挡结果和/或血管区域未被遮挡的情况下，确定待处理眼底图像的分类结果为不存在玻璃体变性区域。
结合第一方面，在第一方面的某些实现方式中，基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果，包括：基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管特征数据，血管特征数据包括血管数量数据、血管密度数据、血管长度数据、血管灰度值数据中的至少一种；基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果。
结合第一方面，在第一方面的某些实现方式中，血管特征数据包括血管长度数据和血管灰度值数据，血管灰度值数据包括血管区域对应的多个像素各自的灰度值，基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果，包括：基于血管特征数据中的血管长度数据，确定血管总长度和血管最大长度，其中，血管总长度用于表征待处理眼底图像包括的多条血管各自的长度之和，血管最大长度用于表征待处理眼底图像包括的多条血管各自的长度中的最大长度；基于血管特征数据中的血管灰度值数据，计算血管区域对应的多个像素各自的灰度值的平均值，得到血管区域的平均灰度值，基于血管区域的平均灰度值确定血管清晰度，其中，血管清晰度用于表征待处理眼底图像中的血管图像边界的清晰程度；基于血管总长度、血管最大长度、血管清晰度和预设阈值条件，确定血管区域遮挡结果，预设阈值条件包括血管总长度阈值、血管最大长度阈值和血管清晰度阈值。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：对血管区域进行颜色通道提取，确定血管区域对应的单通道图像；对血管区域进行卷积计算，获得血管区域的卷积图像；基于血管区域的卷积图像，确定血管区域对应的多个像素各自的灰度值；将血管区域对应的多个像素各自的灰度值，确定为血管特征数据中的血管灰度值数据。
结合第一方面，在第一方面的某些实现方式中，基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果，包括：基于待处理眼底图像的视盘区域的特征数据，确定视盘区域中的视盘边界区域，视盘边界区域用于表征包含视盘边界的区域；确定视盘边界区域中的血管数量；基于视盘边界区域中的血管数量和预设数量阈值，确定视盘区域的遮挡结果。
第二方面，本公开一实施例提供一种图像分类装置，包括：确定模块，用于基于待处理眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据；分类模块，用于基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，分类结果用于表征待处理眼底图像是否存在玻璃体变性区域。
第三方面，本公开一实施例提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器，其中，处理器用于执行上述第一方面所提及的方法。
第四方面，本公开一实施例提供一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序用于执行上述第一方面所提及的方法。
本公开实施例基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，分类结果用于表征待处理眼底图像是否存在玻璃体变性区域。因此，本公开实施例能够通过待处理眼底图像，确定待处理眼底图像是否存在玻璃体变性区域，从而辅助医生进行玻璃体变性的诊断，减少了玻璃体变性误诊的概率。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。
图1所示为本公开一实施例提供的应用场景示意图。
图2所示为本公开一实施例提供的图像分类方法的流程示意图。
图3所示为本公开一实施例提供的基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的流程示意图。
图4所示为本公开一实施例提供的基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果的流程示意图。
图5所示为本公开一实施例提供的基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果的流程示意图。
图6所示为本公开一实施例提供的基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果的流程示意图。
图7所示为本公开一实施例提供的基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果的流程示意图。
图8所示为本公开另一实施例提供的图像分类方法的流程示意图。
图9所示为本公开一实施例提供的基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果的流程示意图。
图10所示为本公开一实施例提供的图像分类装置的结构示意图。
图11所示为本公开提供的电子设备的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本公开一部分实施例，而不是全部的实施例。
玻璃体变性主要表现为玻璃体凝胶主体出现凝缩和液化，是透明质酸解聚的结果。患者会有飞蚊症、眼前闪烁感、并导致患者视力减退，严重的会牵拉视网膜造成视网膜裂孔或黄斑裂孔，造成视力重度下降甚至失明。玻璃体变性常见于高度近视人群和老年人，随着高度近视人群的数量增加，以及老年人的健康越来越受重视，及时对玻璃体变性进行诊断，并及尽早治疗，变得越来越重要。
然而，传统玻璃体变性的诊断需要医生根据自身医学知识和相关经验，结合眼底图像对患者的玻璃体变性的情况进行检测诊断。玻璃体变性可见于细胞增殖引起的浓缩，导致玻璃体呈果冻状并与视网膜广泛粘连，或者眼外伤、视网膜脱离后引起的浓缩性萎缩，因此，这种疾病在眼底图像中的表现相当复杂。而传统的玻璃体变性的诊断具有主观性，由于医生的自身经验存在差距，并且医疗薄弱地区的医生相关医学知识可能存在不足，从而导致玻璃体变性的诊断存在误诊的情况。
为解决上述问题，本公开实施例提供一种图像分类方法，已解决传统玻璃体变性诊断依赖医生自身经验和医学知识，造成玻璃体变性的诊断存在误诊的情况。
下面结合图1对本公开实施例的应用场景进行简单的介绍。
图1所示为本公开一实施例提供的应用场景示意图。如图1所示，该场景为对待处理眼底图像进行分类的场景。具体地，为对待处理眼底图像进行分类的场景包括，服务器110、与服务器110通信连接的用户终端120。服务器110用于执行本公开实施例提及的图像分类方法。
示例性地，在实际应用过程中，用户通过用户终端120发出对待处理眼底图像进行分类的指令，服务器110接收到该指令后，基于待处理估眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据；基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，分类结果用于表征待处理眼底图像是否存在玻璃体变性区域。服务器110将待处理眼底图像的分类结果输出至用户终端120，以便用户利用用户终端120查看待处理眼底图像对应的分类结果。
示例性地，上述提及的用户终端120包括但不限于台式电脑、笔记本电脑等计算机终端。
示例性地，上述提及的待处理眼底图像，可以是同一个或多个患者根据治疗需求拍摄的眼底图像，上传至服务器110的眼底图像，也可以是存储在存储设备中的与同一或多个患者相关的眼底图像，服务器110根据指令调取的对应的眼底图像。应当理解，上述提及的待处理眼底图像的数量可以是按照需求设定一张或多张。此外，上述提及的待处理眼底图像可以为45°的彩色眼底图像，也可以为60°眼底影像或者广角眼底图像，眼底图像可以以视盘为中心拍摄，也可以以黄斑中心为中心拍摄。
下面结合图2至图8对本公开实施例提供的图像分类方法进行简单的介绍。
图2所示为本公开一实施例提供的图像分类方法的流程示意图。如图2所示，本公开实施例提供的分类方法的包括如下步骤。
步骤S210，基于待处理眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据。
示例性地，通过对待处理眼底图像进行特征提取，获得待处理眼底图像对应的特征数据。待处理眼底图像的特征包括血管和视盘等。
示例性地，当待处理眼底图像为多幅时，可以根据需求，基于多幅待处理眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据。
示例性地，病灶位置数据能够体现病灶的位置，具体可以根据需求选取不同的坐标系，从而确定病灶的位置数据，例如以视盘或黄斑为中心的坐标系，确定病灶的具体位置，从而确定病灶位置数据。应当理解，此处提及的病灶为待处理眼底图像中的非正常眼底结构。
步骤S220，基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果。
分类结果用于表征待处理眼底图像是否存在玻璃体变性区域。
示例性地，当待处理眼底图像为多幅时，可以基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果。当待处理眼底图像为一幅时，可以基于待处理眼底图像对应的特征数据，利用机器学习分类模型，确定待处理眼底图像的分类结果。
本公开实施例基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶的位置数据，从而确定待处理眼底图像的分类结果，分类结果能够表征待处理眼底图像是否存在玻璃体变性区域。因此，根据分类结果可以知晓待处理眼底图像是否存在玻璃体变性区域，从而辅助医生进行玻璃体变性的诊断，能够减少因依赖医生医学知识和经验，造成玻璃体变性的误诊的情况。
图3所示为本公开一实施例提供的基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的流程示意图。
如图3所示，本公开实施例待处理眼底图像包括多幅待处理眼底图像，分类结果包括第一分类结果，本公开实施例提供的基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像包括如下步骤。
步骤S310，基于多幅待处理眼底图像各自对应的病灶位置数据，确定多幅待处理眼底图像之间的同一病灶位置变化数据。
多幅待处理眼底图像对应的待评估对象相同。
示例性地，发明人研究发现，玻璃体变性的病灶会随着眼球转动而变动，体现在眼底图像中，多幅眼底图像的病灶位置可能存在不同，因此可以基于多幅待处理眼底图像各自对应的病灶位置数据，确定同一病灶位置变化数据。从而可以根据同一病灶位置变化数据，确定眼底图像分类结果。
步骤S320，基于多幅待处理眼底图像之间的同一病灶位置变化数据，确定多幅待处理眼底图像各自的第一分类结果。
示例性地，确定同一病灶位置变化数据的方法可以以眼底图像固定特征的位置为基准，判断病灶与眼底固定特征（例如血管、视盘、黄斑）的距离及位置关系，判断同一病灶位置是否出现变化。在一些优选实施例中，以眼底血管为参考，由于眼底血管遍布眼底图像，无论是45°眼底图像还是广角眼底图像都能观测到眼底血管，因此，选择眼底血管为参考标准可以在眼底图像受到视场角的局限无法拍到视盘、或者黄斑的情况下，仍然能够判断同一病灶的位置变化情况。具体地，可选择眼底主血管（例如主动脉、主静脉或者主血管弓），或者具有代表性的眼底血管分叉点、眼底血管弯曲点为参考，判断同一病灶相对于眼底血管的位置变化情况。
示例性地，当多幅待处理眼底图像之间的同一病灶的位置发生了改变，可以确定多幅待处理眼底图像的分类结果均为包含玻璃体变性区域。当多幅待处理眼底图像之间的统一病灶的位置未发生改变，可以确定多幅眼底图像的分类结果均为不包含玻璃体变性区域。应当理解，由于多幅待处理眼底图像对应的评估对象相同，因此，多幅眼底待处理图像的分类结果可以一致。
本公开实施例基于多幅待处理眼底图像之间的同一病灶的位置变化数据，确定多幅待处理图像各自的分类结果，能够减少确定分类结果的计算量，简化计算过程，提高了计算效率，从而辅助医生提高进行相关诊断治疗的效率。
在一些实施例中，待处理眼底图像包括多幅待处理眼底图像，分类结果包括第二分类结果；其中，基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于多幅待处理眼底图像各自对应的特征数据，利用机器学习分类模型，确定多幅待处理眼底图像各自的第二分类结果；或者，待处理眼底图像包括一幅待处理眼底图像，分类结果包括第三分类结果；基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于待处理眼底图像对应的特征数据，利用机器学习分类模型，确定待处理眼底图像的第三分类结果。
示例性地，多幅待处理眼底图像对应的评估对象可以相同，例如同一患者的多幅眼底图像，多幅待处理眼底图像对应的评估对象也可以不同，例如不同患者的多幅眼底图像，本公开实施例不对多幅眼底图像对应的评估对象作进一步限定。
示例性地，机器学习分类模型可以是支持向量机（Support Vector Machines，SVM）模型、随机森林模型等模型。机器学习分类模型根据多幅待处理眼底图像各自对应的特征数据，能够确定多幅待处理眼底图像各自的第二分类结果。当多幅待处理眼底图像的对应同一评估对象时，获得多幅待处理眼底图像各自的第二分类结果后，可以根据不同时期的眼底图像的第二分类结果对比，辅助医生确定评估对象的眼底疾病发展情况。医生也可以对多幅待处理眼底图像各自的第二分类结果进行对比，从而，能够进一步降低医生误诊的概率。示例性地，当多幅待处理眼底图像对应的评估对象相同时，可以采取上述图3所示的步骤，获得第一分类结果，然后利用机器学习获得第二分类结果，以便医生将第一分类结果与第二分类结果进行对比，能够进一步提高分类结果的准确性，并降低医生误诊的概率。当多幅待处理眼底图像各自对应的评估对象不同时，可以利用机器学习分类模型获得多幅待处理眼底图像各自的第二分类结果，从而能够提高对眼底图像处理的效率，辅助医生提高诊断的效率。
示例性地，当待处理眼底图像为一幅待处理眼底图像时，机器学习分类模型可以根据一幅待处理眼底图像的特征数据，确定待处理眼底图像的第三分类结果。第三分类结果不需要待处理眼底图像的数量为多幅，因此适用范围更广，从而可以实现在更多场景下辅助医生诊断玻璃体变性，降低医生的误诊率。
本公开实施例通过一幅或多幅待处理眼底图像对应的特征数据，通过机器学习分类模型，获得分类结果，能够提高对眼底图像处理的效率，从而辅助医生提高诊断效率。此外，本公开实施例提供的分类方法，可以不受待处理眼底图像的数量限制，适用范围更广，从而在更多场景下辅助医生诊断，降低医生对玻璃体变性的误诊率。
如图4所示，本公开一实施例提供的基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果的流程示意图。
如图4所示，本公开实施例中待处理眼底图像对应的特征数据包括待处理眼底图像的视盘区域的特征数据和血管区域的特征数据，基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果包括如下步骤。
步骤S410，基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果。
视盘区域的遮挡结果用于表征视盘区域是否被遮挡。
示例性地，基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的视盘区域是否被遮挡。根据待处理眼底图像的视盘区域清晰度是否满足预设阈值，若不满足，则可以确定待处理眼底图像的视盘区域被遮挡，若满足，则可以确定待处理眼底图像的视盘区域没有被遮挡。若待处理眼底图像的视盘区域未被遮挡，则确定待处理眼底图像的分类结果为不包含玻璃体变性区域，若待处理眼底图像的视盘区域被遮挡，则继续执行步骤S420。
在一些实施例中，步骤S410的具体步骤如图9所述，此处不再赘述。
步骤S420，基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果。
血管区域的遮挡结果用于表征血管区域是否被遮挡。
示例性地，血管区域提取后，获得的血管断裂的比例，若血管断裂的比例高于预设断裂值，则可以确定待处理眼底图像的血管区域被遮挡，若血管断裂的比例低于预设断裂值，则可以确定待处理眼底图像的血管区域未被遮挡。应当理解，当待处理眼底图像的血管区域未被遮挡时，能够确定待处理眼底图像不包含玻璃体变性区域，确定待处理眼底图像的分类结果为不包含玻璃体变性区域。当待处理眼底图像的血管区域未被遮挡时，则继续执行步骤S430，以便确定分类结果。
应当理解，在本公开实施例中，步骤S410和步骤S420的顺序可以根据需求调整，也可以同时进行，本公开实施例不对步骤S410和步骤S420的执行顺序作进一步限定。
在一些实施例中，步骤S420的具体步骤如图6所述，此处不再赘述。
步骤S430，基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果。
示例性地，若视盘区域的遮挡结果和/或血管区域的遮挡结果为遮挡，则可以将待处理眼底图像继续进行分类，以便确定分类结果；若视盘区域的遮挡结果为不遮挡，或者血管区域的遮挡结果为不遮挡，或者视盘区域的遮挡结果和血管区域的遮挡结果均为不遮挡，可以确定待处理眼底图像为不包含玻璃体变性区域。当视盘区域的遮挡结果和/或血管区域的遮挡结果为不遮挡时，可以根据需求设置，待处理眼底图像的分类结果可以包括不包含白内障病变区域和不包含玻璃体变性区域。
本公开实施例通过，基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果，能够根据遮挡结果，将待处理眼底图像进行分类，可以降低待处理眼底图像分类的计算量，从而提高计算效率。
图5所示为本公开一实施例提供的基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果的流程示意图。在本公开图4所示实施例的基础上延伸出本公开图5所示实施例，下面着重叙述图5所示实施例与图4所示实施例的不同之处，相同之处不再赘述。
如图5所示，本公开一实施例提供的基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果的包括如下步骤。
步骤S510，判断视盘区域的遮挡结果和/或血管区域遮挡结果是否为被遮挡。
示例性地，若视盘区域的遮挡结果和/或血管区域遮挡结果为遮挡，则执行步骤S520，若视盘区域的遮挡结果和/或血管区域遮挡结果为未遮挡，则执行步骤S560。
步骤S520，对待处理眼底图像进行阈值分割，得到多个待处理区域；
示例性地，根据需求选取特征阈值，对待处理图像进行阈值分割，得到多个待处理区域。
步骤S530，对多个待处理区域进行膨胀处理，得到多个待处理区域各自对应的膨胀区域。
示例性地，可以根据需求，选择对一个或多个待处理区域进行膨胀处理，得到多个待处理区域各自对应的膨胀区域。
步骤S540，基于多个待处理区域各自对应的膨胀区域，进行特征提取，确定多维特征数据。
示例性地，可以根据需求，选择一个或多个膨胀区域进行特征提取，例如，对膨胀区域中的颜色特征数据、亮度特征数据进行提取。多维特征数据是根据多个特征数据组成获得。
在一些实施例中，通过对膨胀区域进行颜色空间转换，转换至HSV颜色空间，进行颜色特征提取，然后根据膨胀区域的前景区域特征和周围区域特征，前景区域特征指的是根据待处理区域提取的特征，周围区域特征指的是背景区域提取的特征。再对区域特征和周围区域特征进行对比，例如，亮度，颜色等，从而组合成多维特征向量。
在一些实施例中，为了获得更好的处理效果和处理效率，对待处理眼底图像进行预处理，包括但不限于，提取待处理眼底图像的感兴趣区域（Region Of Interest，ROI），对ROI区域进行裁剪，对裁剪后的待处理眼底图像分别依次进行亮度归一化处理、颜色归一化处理和图像增强处理。然后根据处理后的ROI区域图像进行血管区域和视盘区域的提取，然后再进行特征提取，以便确定多维特征数据。示例性地，提取待处理眼底图像的ROI区域包括：对图像通道进行分离，由于红色通道灰度值较高，因此可以选取红色通道灰度平均值进行阈值分割，再进行ROI区域特征分析和ROI区域特征选取，最后通过圆度拟合，从而确定ROI区域。应当理解，对待处理眼底图像的预处理方式可以根据需求选取，本公开不对待处理眼底图像的预处理方式作进一步限定。
步骤S550，基于多维特征数据，利用机器学习分类模型，确定待处理眼底图像的分类结果。
示例性地，将多维特征向量输入机器学习模型中，机器学习分类模型基于多维特征向量进行分类，从而确定待处理眼底图像的分类结果。应当理解，采用多维特征向量时，机器学习分类模型训练过程也采用待处理眼底图像样本对应的待处理样本区域的多维特征向量对机器学习模型进行训练。
步骤S560，确定待处理眼底图像的分类结果为不存在玻璃体变性区域。
示例性地，在视盘区域的遮挡结果和/或血管区域遮挡结果为未遮挡的情况下，能够直接确定待处理眼底图像的分类结果为不存在玻璃体变性区域。或者根据需求，确定待处理眼底图像的分类结果为不包含白内障病变区域和不包含玻璃体变性区域。
本公开实施例通过视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果，在被遮挡的情况下，通过机器学习分类模型计算分类结果，能够减少机器学习分类模型的计算量，从而提高分类效率。在视盘区域的遮挡结果和/或血管区域未被遮挡的情况下，能够直接获得分类结果，减少了图像分类时间，进一步提高了分类效率。此外，本公开实施例通过对待处理眼底图像进行预处理，可以提高待处理眼底图像的处理效果和处理效率，从而进一步辅助医生提高诊断效率。
图6所示为本公开一实施例提供的基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果的流程示意图，如图6所示，本公开实施例提供的基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果包括如下步骤。
步骤S610，基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管特征数据。
血管特征数据包括血管数量数据、血管密度数据、血管长度数据、血管灰度值数据中的至少一种。
示例性地，基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的血管数量数据、血管密度数据、血管长度数据、血管灰度值数据中的至少一种。血管的密度数据包括血管的线密度和血管的面密度，血管的面密度指的是血管的面积与待处理眼底图像的面积之比，优选地，血管的密度数据通过血管的面积与待处理眼底图像的ROI区域面积之比确定。血管的线密度是指血管中心线的面积与待处理眼底图像的面积之比，优选地，血管的密度数据通过血管中心线的面积与待处理眼底图像的ROI区域面积之比确定。
血管的长度数据包括血管的总长度数据以及最大血管的长度数据，血管的总长度数据指的是待处理眼底图像中所有血管的之和，最大血管长度可以是主血管的长度，即，主静脉或主动脉的长度数据。优选地，血管总长还包括血管总面积，可基于血管的总长度数据计算血管总面积数据，或者基于血管总面积数据计算血管总长度数据。
步骤S620，基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果。
示例性地，基于血管灰度值数据计算血管区域图像的清晰度，若血管数量数据、血管密度数据、血管长度数据、血管灰度值数据以及血管区域图像的清晰度中，有任意三者或以上的数据小于/等于预设阈值，则可以确定血管区域的遮挡结果为被遮挡。
示例性地，预设阈值条件可以根据需求设定，血管特征数据也可以根据需求选取血管数量数据、血管密度数据、血管长度数据、血管灰度值数据中的至少一种，确定血管区域的遮挡结果。
本公开实施例通过血管特征数据和预设阈值条件，确定血管区域的遮挡结果，提高了血管区域的遮挡结果的精确度，从而提高分类结果的精确度，能够进一步辅助医生降低玻璃体变性的诊断的误诊率。
图7所示为本公开一实施例提供的基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果的流程示意图。如图7所示，本公开实施例提供的基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果包括如下步骤。
在本公开实施例中，血管特征数据包括血管长度数据和血管灰度值数据，血管灰度值数据包括血管区域对应的多个像素各自的灰度值。
步骤S710，基于血管特征数据中的血管长度数据，确定血管总长度和血管最大长度。
血管总长度用于表征待处理眼底图像包括的多条血管各自的长度之和，血管最大长度用于表征待处理眼底图像包括的多条血管各自的长度中的最大长度。
示例性地，血管最大长度待处理眼底图像中包括的多条血管各自的长度中的最大长度，通常指的是待处理眼底图像中主动脉或主静脉的长度，即，主血管的长度。
步骤S720，基于血管特征数据中的血管灰度值数据，计算血管区域对应的多个像素各自的灰度值的平均值，得到血管区域的平均灰度值，基于血管区域的平均灰度值确定血管清晰度。
血管清晰度用于表征待处理眼底图像中的血管图像边界的清晰程度。
示例性地，血管特征数据中的血管灰度数据可以通过待处理眼底图像的血管区域的梯度图像确定。血管区域的平均灰度值能够用于评价血管的清晰度，即，待处理眼底图像中的血管的清晰度，因此，可以将血管区域的平均灰度值确定为血管清晰度。
在一些实施例中，血管的清晰度还可以基于血管区域的平均灰度值，得到血管区域的锐利度或梯度值，基于血管区域的锐利度或梯度值确定血管清晰度。
在一些实施例中，步骤S720的具体步骤如图8所示，此处不再赘述。
步骤S730，基于血管总长度、血管最大长度、血管清晰度和预设阈值条件，确定血管区域遮挡结果。
预设阈值条件包括血管总长度阈值、血管最大长度阈值和血管清晰度阈值。
示例性地，当血管总长度、血管最大长度和血管清晰度均小于/等于预设阈值时，确定血管区域的遮挡结果为被遮挡。当血管总长度、血管最大长度和血管清晰度均大于预设阈值时，则可以确定血管区域的遮挡结果为未被遮挡。
本公开实施例通过血管总长度、血管最大长度、血管清晰度和预设阈值条件，确定血管区域遮挡结果，能过进一步提高血管区域遮挡结果的精确度，从而提高分类结果的精确度，能够进一步辅助医生提高玻璃体变性诊断的精确度，降低误诊的可能性。
图8所示为本公开另一实施例提供的图像分类方法的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图8所示实施例，下面着重叙述图8所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
如图8所示，本公开另一实施例提供的另一图像分类方法还包括如下步骤。
步骤S810，对血管区域进行颜色通道提取，确定血管区域对应的单通道图像。
示例性地，由于在眼底图像中，血管区域使用绿色通道进行提取可以更好地将血管识别出来，也可以更好地保留血管的形态和细节，提高准确性和精确度。因此对血管区域的绿色通道进行提取，确定血管区域对应的单通道图像。应当理解，可以根据需求选取颜色通道进行提取，但采用绿色通道效果更佳。
步骤S820，对血管区域进行卷积计算，获得血管区域的卷积图像。
示例性地，利用梯度方向上的方向导数，与高斯函数的导数进行卷积，从而对血管区域的血管边缘进行检测，从而获得血管区域的梯度图像，血管在待处理眼底图像上越清楚，得到的梯度图像中血管区域边界值越大。基于血管区域的梯度图像，计算血管区域对应的多个像素各自的灰度值的平均值，得到血管的平均灰度值。
步骤S830，基于血管区域的卷积图像，确定血管区域对应的多个像素各自的灰度值。
示例性地，将血管区域的梯度值映射到灰度范围内，确定血管区域内对应的多个像素各自的灰度值。
步骤S840，将血管区域对应的多个像素各自的灰度值，确定为血管特征数据中的血管灰度值数据。
示例性地，血管特征数据中的血管灰度值数据包含血管区域内所有的像素各自的灰度值。
本公开实施例通过血管区域对应的多个像素各自的灰度值，确定血管特征数据中的血管灰度值数据，能够定量化检测待处理眼底图像的血管区域，客观评价待处理眼底图像，从而辅助医生诊断玻璃体变性，实现了减少医生误诊概率的目的。
图9所示为本公开一实施例提供的基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果的流程示意图。如图9所示，本公开一实施例提供的基于待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果包括如下步骤。
步骤S910，基于待处理眼底图像的视盘区域的特征数据，确定视盘区域中的视盘边界区域。
视盘边界区域用于表征包含视盘边界的区域。
示例性地，根据待处理眼底图像，对视盘区域进行提取，通过提取出来的待处理眼底图像的视盘区域，确定视盘的边缘区域，即，包含视盘边界的区域。也可以根据待处理眼底图像，进行视盘的识别，根据识别结果，确定是视盘的边缘区域。
步骤S920，确定视盘边界区域中的血管数量。
示例性地，通过检测，确定视盘边界区域中的血管，并计算血管的数量，确定视盘边界区域中的血管的数量。此外，还可以直接通过检测算法，确定视盘边界区域中的血管的数量。
步骤S930，基于视盘边界区域中的血管数量和预设数量阈值，确定视盘区域的遮挡结果。
示例性地，当视盘边界区域中的血管数量小于或等于预设数量阈值时，可以确定视盘区域的遮挡结果为被遮挡。如果视盘区域中的血管数量大于预设数量阈值，则可以确定视盘区域的遮挡结果为未被遮挡。
本公开实施例通过视盘边界区域中的数量和预设数量阈值，确定视盘区域的遮挡结果，能够定量化检测待处理眼底图像的视盘区域的血管，从而实现更精确地确定视盘区域的遮挡结果。因此，本公开实施例提供的分类方法，能够进一步提高图像分类的精确度和准确性。
下面结合图10对本公开实施例提供的装置进行简单的介绍。如图10所示，本公开实施例提供的图像分类装置1000包括确定模块1010和分类模块1020。具体地，确定模块1010，用于基于待处理眼底图像，确定待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据；分类模块1020，用于基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，分类结果用于表征待处理眼底图像是否存在玻璃体变性区域。
在一些实施例中，待处理眼底图像包括多幅待处理眼底图像，分类结果包括第一分类结果，分类模块1020还用于，基于多幅待处理眼底图像各自对应的病灶位置数据，确定多幅待处理眼底图像之间的同一病灶位置变化数据，其中，多幅待处理眼底图像对应的待评估对象相同；基于多幅待处理眼底图像之间的同一病灶位置变化数据，确定多幅待处理眼底图像各自的第一分类结果。
在一些实施例中，待处理眼底图像包括多幅待处理眼底图像，分类结果包括第二分类结果，分类模块1020还用于，基于多幅待处理眼底图像各自对应的特征数据，利用机器学习分类模型，确定多幅待处理眼底图像各自的第二分类结果；或者，待处理眼底图像包括一幅待处理眼底图像，分类结果包括第三分类结果；基于待处理眼底图像对应的特征数据或待处理眼底图像对应的病灶位置数据，确定待处理眼底图像的分类结果，包括：基于待处理眼底图像对应的特征数据，利用机器学习分类模型，确定待处理眼底图像的第三分类结果。
在一些实施例中，分类模块1020还用于，基于所述待处理眼底图像的视盘区域的特征数据，确定待处理眼底图像的视盘区域的遮挡结果，其中，视盘区域的遮挡结果用于表征视盘区域是否被遮挡；基于待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管区域的遮挡结果，其中，血管区域的遮挡结果用于表征血管区域是否被遮挡；基于视盘区域的遮挡结果和/或血管区域的遮挡结果，确定待处理眼底图像的分类结果。
在一些实施例中，分类模块1020还用于，在视盘区域的遮挡结果和/或血管区域被遮挡的情况下，对待处理眼底图像进行阈值分割，得到多个待处理区域；对多个待处理区域进行膨胀处理，得到多个待处理区域各自对应的膨胀区域；基于多个待处理区域各自对应的膨胀区域，进行特征提取，确定多维特征数据；基于多维特征数据，利用机器学习分类模型，确定待处理眼底图像的分类结果；在视盘区域的遮挡结果和/或血管区域未被遮挡的情况下，确定待处理眼底图像的分类结果为不存在玻璃体变性区域。
在一些实施例中，确定模块1010还用于，基于所述待处理眼底图像的血管区域的特征数据，确定待处理眼底图像的血管特征数据，血管特征数据包括血管数量数据、血管密度数据、血管长度数据、血管灰度值数据中的至少一种；基于血管特征数据和预设阈值条件，确定血管区域的遮挡结果。
在一些实施例中，血管特征数据包括血管长度数据和血管灰度值数据，血管灰度值数据包括血管区域对应的多个像素各自的灰度值，确定模块1010还用于，基于血管特征数据中的血管长度数据，确定血管总长度和血管最大长度，其中，血管总长度用于表征待处理眼底图像包括的多条血管各自的长度之和，血管最大长度用于表征待处理眼底图像包括的多条血管各自的长度中的最大长度；基于血管特征数据中的血管灰度值数据，计算血管区域对应的多个像素各自的灰度值的平均值，得到血管区域的平均灰度值，基于血管区域的平均灰度值确定血管清晰度，其中，血管清晰度用于表征待处理眼底图像中的血管图像边界的清晰程度；基于血管总长度、血管最大长度、血管清晰度和预设阈值条件，确定血管区域遮挡结果，预设阈值条件包括血管总长度阈值、血管最大长度阈值和血管清晰度阈值。
在一些实施例中，确定模块1010还用于，对血管区域进行颜色通道提取，确定血管区域对应的单通道图像；对血管区域进行卷积计算，获得血管区域的卷积图像；基于血管区域的卷积图像，确定血管区域对应的多个像素各自的灰度值；将血管区域对应的多个像素各自的灰度值，确定为血管特征数据中的血管灰度值数据。
在一些实施例中，确定模块1010还用于，基于所述待处理眼底图像的视盘区域的特征数据，确定视盘区域中的视盘边界区域，视盘边界区域用于表征包含视盘边界的区域；确定视盘边界区域中的血管数量；基于视盘边界区域中的血管数量和预设数量阈值，确定视盘区域的遮挡结果。
图11所示为本公开一实施例提供的电子设备的结构示意图。图11所示的电子设备1100（该电子设备1100具体可以是一种计算机设备）包括存储器1101、处理器1102、通信接口1103以及总线1104。其中，存储器1101、处理器1102、通信接口1103通过总线1104实现彼此之间的通信连接。
存储器1101可以是只读存储器（Read Only Memory，ROM），静态存储设备，动态存储设备或者随机存取存储器（Random Access Memory，RAM）。存储器1101可以存储程序，当存储器1101中存储的程序被处理器1102执行时，处理器1102和通信接口1103用于执行本公开实施例的图像分类方法中的各个步骤。
处理器1102可以采用通用的中央处理器（Central Processing Unit，CPU），微处理器，应用专用集成电路（Application SpecificIntegrated Circuit，ASIC），图形处理器（GraphicsProcessing Unit，GPU）或者一个或多个集成电路，用于执行相关程序，以实现本公开实施例的图像分类装置的各个单元所需执行的功能。
处理器1102还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本公开的图像分类方法的各个步骤可以通过处理器1102中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1102还可以是通用处理器、数字信号处理器（DigitalSignal Processing，DSP）、专用集成电路（ASIC）、现场可编程门阵列（Field ProgrammableGateArray，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。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。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。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1101，处理器1102读取存储器1101中的信息，结合其硬件完成本公开实施例的图像分类装置中包括的单元所需执行的功能，或者执行本公开实施例的图像分类方法。
通信接口1103使用例如但不限于收发器一类的收发装置，来实现电子设备1100与其他设备或通信网络之间的通信。例如，可以通过通信接口1103获取待处理眼底图像。
总线1104可包括在电子设备1100各个部件（例如，存储器1101、处理器1102、通信接口1103）之间传送信息的通路。
应注意，尽管图11所示的电子设备1100仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，电子设备1100还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，电子设备1100还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，电子设备1100也可仅仅包括实现本公开实施例所必须的器件，而不必包括图11中所示的全部器件。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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公开的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种图像分类方法，其特征在于，包括：
基于待处理眼底图像，确定所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据；
基于所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据，确定所述待处理眼底图像的分类结果，所述分类结果用于表征所述待处理眼底图像是否存在玻璃体变性区域。
2.根据权利要求1所述的方法，其特征在于，所述待处理眼底图像包括多幅待处理眼底图像，所述分类结果包括第一分类结果；
其中，所述基于所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据，确定所述待处理眼底图像的分类结果，包括：
基于所述多幅待处理眼底图像各自对应的病灶位置数据，确定所述多幅待处理眼底图像之间的同一病灶位置变化数据，其中，所述多幅待处理眼底图像对应的待评估对象相同；
基于所述多幅待处理眼底图像之间的同一病灶位置变化数据，确定所述多幅待处理眼底图像各自的第一分类结果。
3.根据权利要求1所述的方法，其特征在于，所述待处理眼底图像包括多幅待处理眼底图像，所述分类结果包括第二分类结果；
其中，所述基于所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据，确定所述待处理眼底图像的分类结果，包括：
基于所述多幅待处理眼底图像各自对应的特征数据，利用机器学习分类模型，确定所述多幅待处理眼底图像各自的第二分类结果；
或者，所述待处理眼底图像包括一幅待处理眼底图像，所述分类结果包括第三分类结果；
所述基于所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据，确定所述待处理眼底图像的分类结果，包括：
基于所述待处理眼底图像对应的特征数据，利用所述机器学习分类模型，确定所述待处理眼底图像的第三分类结果。
4.根据权利要求1所述的方法，其特征在于，所述待处理眼底图像对应的特征数据包括所述待处理眼底图像的视盘区域的特征数据和血管区域的特征数据，所述基于所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据，确定所述待处理眼底图像的分类结果，包括：
基于所述待处理眼底图像的视盘区域的特征数据，确定所述待处理眼底图像的视盘区域的遮挡结果，其中，所述视盘区域的遮挡结果用于表征所述视盘区域是否被遮挡；
基于所述待处理眼底图像的血管区域的特征数据，确定所述待处理眼底图像的血管区域的遮挡结果，其中，所述血管区域的遮挡结果用于表征所述血管区域是否被遮挡；
基于所述视盘区域的遮挡结果和/或所述血管区域的遮挡结果，确定所述待处理眼底图像的分类结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述视盘区域的遮挡结果和/或所述血管区域的遮挡结果，确定所述待处理眼底图像的分类结果包括：
在所述视盘区域的遮挡结果和/或所述血管区域被遮挡的情况下，对所述待处理眼底图像进行阈值分割，得到多个待处理区域；
对所述多个待处理区域进行膨胀处理，得到所述多个待处理区域各自对应的膨胀区域；
基于所述多个待处理区域各自对应的膨胀区域，进行特征提取，确定多维特征数据；
基于所述多维特征数据，利用机器学习分类模型，确定所述待处理眼底图像的分类结果；
在所述视盘区域的遮挡结果和/或所述血管区域未被遮挡的情况下，确定所述待处理眼底图像的分类结果为不存在玻璃体变性区域。
6.根据权利要求4所述的方法，其特征在于，所述基于所述待处理眼底图像的血管区域的特征数据，确定所述待处理眼底图像的血管区域的遮挡结果，包括：
基于所述待处理眼底图像的血管区域的特征数据，确定所述待处理眼底图像的血管特征数据，所述血管特征数据包括血管数量数据、血管密度数据、血管长度数据、血管灰度值数据中的至少一种；
基于所述血管特征数据和预设阈值条件，确定所述血管区域的遮挡结果。
7.根据权利要求6所述的方法，其特征在于，所述血管特征数据包括所述血管长度数据和所述血管灰度值数据，所述血管灰度值数据包括所述血管区域对应的多个像素各自的灰度值，所述基于所述血管特征数据和预设阈值条件，确定所述血管区域的遮挡结果，包括：
基于所述血管特征数据中的血管长度数据，确定血管总长度和血管最大长度，其中，所述血管总长度用于表征所述待处理眼底图像包括的多条血管各自的长度之和，所述血管最大长度用于表征所述待处理眼底图像包括的多条血管各自的长度中的最大长度；
基于所述血管特征数据中的血管灰度值数据，计算所述血管区域对应的多个像素各自的灰度值的平均值，得到所述血管区域的平均灰度值，基于所述血管区域的平均灰度值确定血管清晰度，其中，所述血管清晰度用于表征所述待处理眼底图像中的血管图像边界的清晰程度；
基于所述血管总长度、所述血管最大长度、所述血管清晰度和所述预设阈值条件，确定所述血管区域遮挡结果，所述预设阈值条件包括血管总长度阈值、血管最大长度阈值和血管清晰度阈值。
8.根据权利要求7所述的方法，其特征在于，还包括：
对所述血管区域进行颜色通道提取，确定所述血管区域对应的单通道图像；
对所述血管区域进行卷积计算，获得所述血管区域的卷积图像；
基于所述血管区域的卷积图像，确定所述血管区域对应的多个像素各自的灰度值；
将所述血管区域对应的多个像素各自的灰度值，确定为所述血管特征数据中的血管灰度值数据。
9.根据权利要求4至8任一项所述的方法，其特征在于，所述基于所述待处理眼底图像的视盘区域的特征数据，确定所述待处理眼底图像的视盘区域的遮挡结果，包括：
基于所述待处理眼底图像的视盘区域的特征数据，确定所述视盘区域中的视盘边界区域，所述视盘边界区域用于表征包含视盘边界的区域；
确定所述视盘边界区域中的血管数量；
基于所述视盘边界区域中的血管数量和预设数量阈值，确定所述视盘区域的遮挡结果。
10.一种图像分类装置，其特征在于，包括：
确定模块，用于基于待处理眼底图像，确定所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据；
分类模块，用于基于所述待处理眼底图像对应的特征数据或所述待处理眼底图像对应的病灶位置数据，确定所述待处理眼底图像的分类结果，所述分类结果用于表征所述待处理眼底图像是否存在玻璃体变性区域。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器，
其中，所述处理器用于执行上述权利要求1至9任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至9任一项所述的方法。
CN202310659822.XA 2023-06-06 2023-06-06 图像分类方法及装置、电子设备及存储介质 Active CN116385812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310659822.XA CN116385812B (zh) 2023-06-06 2023-06-06 图像分类方法及装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310659822.XA CN116385812B (zh) 2023-06-06 2023-06-06 图像分类方法及装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116385812A true CN116385812A (zh) 2023-07-04
CN116385812B CN116385812B (zh) 2023-08-25

Family

ID=86967913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310659822.XA Active CN116385812B (zh) 2023-06-06 2023-06-06 图像分类方法及装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116385812B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109993731A (zh) * 2019-03-22 2019-07-09 依未科技(北京)有限公司 一种眼底病变分析方法及装置
WO2020140370A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 眼底出血点的自动检测方法、装置及计算机可读存储介质
WO2020259209A1 (zh) * 2019-06-26 2020-12-30 平安科技（深圳）有限公司 眼底图像识别方法、装置、设备和存储介质
CN112927228A (zh) * 2021-04-14 2021-06-08 依未科技(北京)有限公司 图像评估方法和装置、模型训练方法和装置
WO2022088665A1 (zh) * 2020-10-30 2022-05-05 平安科技（深圳）有限公司 病灶分割方法、装置及存储介质
US20220165418A1 (en) * 2019-03-29 2022-05-26 Ai Technologies Inc. Image-based detection of ophthalmic and systemic diseases
US20220319708A1 (en) * 2021-03-31 2022-10-06 Welch Allyn, Inc. Automated disease identification based on ophthalmic images
CN115191930A (zh) * 2021-04-14 2022-10-18 依未科技(北京)有限公司 糖尿病评估装置和糖尿病评估方法
CN115670370A (zh) * 2022-12-29 2023-02-03 汕头大学·香港中文大学联合汕头国际眼科中心 一种去除眼底图像玻璃体混浊斑的视网膜成像方法和装置
CN115984206A (zh) * 2022-12-23 2023-04-18 依未科技(北京)有限公司 图像分类方法、装置和电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020140370A1 (zh) * 2019-01-04 2020-07-09 平安科技（深圳）有限公司 眼底出血点的自动检测方法、装置及计算机可读存储介质
CN109993731A (zh) * 2019-03-22 2019-07-09 依未科技(北京)有限公司 一种眼底病变分析方法及装置
US20220165418A1 (en) * 2019-03-29 2022-05-26 Ai Technologies Inc. Image-based detection of ophthalmic and systemic diseases
WO2020259209A1 (zh) * 2019-06-26 2020-12-30 平安科技（深圳）有限公司 眼底图像识别方法、装置、设备和存储介质
WO2022088665A1 (zh) * 2020-10-30 2022-05-05 平安科技（深圳）有限公司 病灶分割方法、装置及存储介质
US20220319708A1 (en) * 2021-03-31 2022-10-06 Welch Allyn, Inc. Automated disease identification based on ophthalmic images
CN112927228A (zh) * 2021-04-14 2021-06-08 依未科技(北京)有限公司 图像评估方法和装置、模型训练方法和装置
CN115191930A (zh) * 2021-04-14 2022-10-18 依未科技(北京)有限公司 糖尿病评估装置和糖尿病评估方法
CN115984206A (zh) * 2022-12-23 2023-04-18 依未科技(北京)有限公司 图像分类方法、装置和电子设备
CN115670370A (zh) * 2022-12-29 2023-02-03 汕头大学·香港中文大学联合汕头国际眼科中心 一种去除眼底图像玻璃体混浊斑的视网膜成像方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张九妹;杜建军;程霞;曹洪亮;: "基于CBIR技术的眼底图像自动分类检索系统", 生物医学工程学杂志, no. 02, pages 193 - 198 *

Also Published As

Publication number Publication date
CN116385812B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US20220076420A1 (en) Retinopathy recognition system
US11666210B2 (en) System for recognizing diabetic retinopathy
CN109544540B (zh) 一种基于图像分析技术的糖尿病视网膜图像质量检测方法
Medhi et al. An effective fovea detection and automatic assessment of diabetic maculopathy in color fundus images
CN111340789A (zh) 眼底视网膜血管识别及量化方法、装置、设备及存储介质
CN112017185B (zh) 病灶分割方法、装置及存储介质
CN110930446B (zh) 一种眼底图像定量分析的前置处理方法及存储设备
US20220164947A1 (en) Image processing system and image processing method
CN111986202A (zh) 青光眼辅助诊断装置、方法及存储介质
Uribe-Valencia et al. Automated Optic Disc region location from fundus images: Using local multi-level thresholding, best channel selection, and an Intensity Profile Model
CN110610480B (zh) 基于Attention机制的MCASPP神经网络眼底图像视杯视盘分割模型
JP2008073280A (ja) 眼底画像処理装置
CN116385812B (zh) 图像分类方法及装置、电子设备及存储介质
CN115908405B (zh) 确定眼底特征的方法、装置和电子设备
Giancardo et al. Quality assessment of retinal fundus images using elliptical local vessel density
Raman et al. The effects of spatial resolution on an automated diabetic retinopathy screening system's performance in detecting microaneurysms for diabetic retinopathy
Athab et al. Disc and Cup Segmentation for Glaucoma Detection
CN112734701A (zh) 眼底病灶检测方法、检测装置及终端设备
Tascini et al. Retina vascular network recognition
CN116523862A (zh) 图像评估方法及装置、存储介质及电子设备
Diaz-Pinto et al. Computer-aided glaucoma diagnosis using stochastic watershed transformation on single fundus images
CN117437231B (zh) 近视眼底结构改变的定位方法及装置、图像处理方法
CN116503405B (zh) 近视眼底改变可视化方法、装置、存储介质及电子设备
Makala et al. Survey on automatic detection of diabetic retinopathy screening
WO2010134889A1 (en) Methods and systems for pathological myopia detection

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