CN116523862A - 图像评估方法及装置、存储介质及电子设备 - Google Patents
图像评估方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116523862A CN116523862A CN202310449792.XA CN202310449792A CN116523862A CN 116523862 A CN116523862 A CN 116523862A CN 202310449792 A CN202310449792 A CN 202310449792A CN 116523862 A CN116523862 A CN 116523862A
- Authority
- CN
- China
- Prior art keywords
- fundus image
- image
- evaluated
- focus
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 136
- 230000011218 segmentation Effects 0.000 claims abstract description 74
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 18
- 206010048843 Cytomegalovirus chorioretinitis Diseases 0.000 claims description 46
- 208000001763 cytomegalovirus retinitis Diseases 0.000 claims description 46
- 230000003902 lesion Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 36
- 210000004204 blood vessel Anatomy 0.000 claims description 35
- 206010038910 Retinitis Diseases 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 18
- 210000002189 macula lutea Anatomy 0.000 claims description 15
- 210000001525 retina Anatomy 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 201000010099 disease Diseases 0.000 abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 34
- 230000002207 retinal effect Effects 0.000 description 33
- 206010025421 Macule Diseases 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 230000002792 vascular Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 7
- 230000001338 necrotic effect Effects 0.000 description 7
- 206010030113 Oedema Diseases 0.000 description 6
- 210000001508 eye Anatomy 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 5
- 208000037111 Retinal Hemorrhage Diseases 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 241000725303 Human immunodeficiency virus Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 239000008187 granular material Substances 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 208000030507 AIDS Diseases 0.000 description 2
- 206010038915 Retinitis viral Diseases 0.000 description 2
- 210000003161 choroid Anatomy 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000003733 optic disk Anatomy 0.000 description 2
- 210000001328 optic nerve Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010061598 Immunodeficiency Diseases 0.000 description 1
- 208000035719 Maculopathy Diseases 0.000 description 1
- 208000001388 Opportunistic Infections Diseases 0.000 description 1
- 208000003435 Optic Neuritis Diseases 0.000 description 1
- 206010038848 Retinal detachment Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 230000004264 retinal detachment Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000037380 skin damage Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/70—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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本公开披露了一种图像评估方法及装置、存储介质及电子设备,涉及图像处理技术。该图像评估方法包括:确定待评估对象对应的待评估眼底图像;对待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,病灶分割结果图像包括病灶区域;基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。基于病灶分割结果图像,能够获得病灶的特征数据,例如数量、面积,位置数据,确定待评估眼底图像对应的等级评估结果。由于病灶的特征数据与患病程度关系密切,如,面积越大数量越多,等级评估越高,因此,本公开实施例提供的图像评估方法实现了通过无创的方式确定待评估眼底图像对应的等级评估结果,从而帮助医生了解待评估对象的眼底情况。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及一种图像评估方法及装置、存储介质及电子设备。
背景技术
由于很多眼底疾病无法通过肉眼观察发现,眼底检查成为了帮助医生诊断眼底疾病的重要手段。在眼底检查中,医生根据眼底图像能够对很多眼底疾病进行了解,眼底图像是眼底检查的重要组成部分,是辅助医生诊断眼底疾病主要的手段,其重要程度不言而喻。
然而,传统的针对眼底图像的处理技术无法帮助医生了解相关眼底疾病的情况,通常需要结合其他检查,例如抽血,医生才能了解相关眼底疾病的情况。对于一些免疫力低下的患者,抽血后容易造成感染,导致病情恶化。因此,亟需一种帮助医生在无创条件下了解眼底疾病的情况的方法。
发明内容
有鉴于此,本公开提供一种图像评估方法及装置、存储介质及电子设备,以实现帮助医生在无创的条件下了解相关眼底疾病的情况的目的。
第一方面,本公开一实施例提供的一种图像评估方法,包括:确定待评估对象对应的待评估眼底图像;对待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,病灶分割结果图像包括病灶区域;基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。
结合第一方面,在第一方面的某些实现方式中,在对待评估眼底图像进行分割提取,得到病灶分割结果图像之前还包括:确定待评估眼底图像的基本特征的位置数据,待评估眼底图像的基本特征包括血管和黄斑;基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果,包括:确定病灶区域的位置数据、面积数据、颜色数据;根据基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,确定待评估眼底图像对应的等级评估结果。
结合第一方面,在第一方面的某些实现方式中,待评估眼底图像对应的等级评估结果包括重度、中度、轻度,等级评估条件包括病灶区域相对于黄斑中心的距离阈值、病灶区域面积阈值、病灶区域预设色值范围和病灶区域相对于血管距离阈值;根据基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,确定待评估眼底图像对应的等级评估结果,包括:确定基本特征中黄斑中心的位置数据和血管的位置数据;基于病灶区域的位置数据和黄斑中心的位置数据,确定病灶区域与黄斑中心的第一距离;基于病灶区域的位置数据和血管的位置数据,确定病灶区域与所述血管的第二距离;或者,在第一距离小于或等于第一距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为重度;在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果病灶区域的面积数据大于病灶区域面积阈值和/或病灶区域的颜色数据满足病灶区域预设色值的范围,确定待评估眼底图像对应的等级评估结果为重度;在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果第二距离数据大于病灶区域相对于血管距离阈值,确定待评估眼底图像对应的等级评估结果为中度;在第一距离大于第二距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为轻度。
结合第一方面,在第一方面的某些实现方式中,确定待评估对象对应的待评估眼底图像,包括:确定待评估对象对应的有效区域眼底图像;利用视网膜炎的分类模型,对有效区域眼底图像进行分类,确定有效区域眼底图像的分类结果,分类结果包括有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像或有效区域眼底图像不是巨细胞病毒性视网膜炎的眼底图像;如果有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像,将有效区域眼底图像确定为待评估眼底图像。
结合第一方面,在第一方面的某些实现方式中,在利用视网膜炎的分类模型,对原始待评估眼底图像进行分类之前,该方法还包括:确定视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果;建立初始网络模型,并利用视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果训练初始网络模型,以生成视网膜炎的分类模型。
结合第一方面,在第一方面的某些实现方式中,确定待评估对象对应的有效区域眼底图像,包括:确定待评估对象对应的原始眼底图像;对原始眼底图像进行颜色通道提取,确定原始眼底图像对应的单通道图像;基于原始眼底图像对应的单通道图像,进行阈值分割处理,获得原始眼底图像对应的二值化图像;基于原始眼底图像对应的二值化图像,进行眼底特征的特征提取,获得眼底特征区域;对眼底特征区域进行圆度拟合,确定待评估对象对应的有效区域眼底图像。
结合第一方面,在第一方面的某些实现方式中,对待评估眼底图像进行分割提取,得到病灶分割结果图像,包括:对待评估眼底图像进行颜色通道提取,确定待评估眼底图像对应的单通道图像;对单通道图像进行二值化处理,获得单通道图像对应的二值化图像;基于二值化图像,对待评估眼底图像进行分割,得到病灶分割结果图像。
第二方面,本公开一实施例提供一种图像评估装置,包括:确定模块,用于确定待评估对象对应的待评估眼底图像;分割模块,用于对待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,病灶分割结果图像包括病灶区域;评估模块,基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。
第三方面,本公开一实施例提供的一种电子设备,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。
本公开实施例通过对待评估的眼图像进行分割提取,获得病灶分割结果图像,其中,病灶分割结果图像包括病灶区域,基于病灶分割结果图像,能够获得病灶的特征数据,例如,数量、面积、位置数据,确定待评估眼底图像对应的等级评估结果。由于病灶的特征数据与患病程度关系密切,如,面积越大数量越多,患病程度越高,等级评估越高,或者,病灶位置与病灶类型有关,根据病灶位置数据确定病灶的类型,不同类型病灶对患病程度影响不同,等级评估结果不同。因此,本公开实施例提供的图像评估方法能够实现通过无创的方式,确定待评估眼底图像对应的等级评估结果,从而帮助医生了解待评估对象的眼底情况。
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所示为本公开的一实施例提供的应用场景示意图。
图2所示为本公开的一实施例提供的图像评估方法的流程示意图。
图3所示为本公开的另一实施例提供的另一图像评估方法的流程示意图。
图4所示为本公开的一实施例提供的确定待评估对象对应的待评估眼底图像的流程示意图。
图5所示为本公开的另一实施例提供的图像评估方法的流程示意图。
图6所示为本公开的一实施例提供的确定待评估对象对应的有效区域眼底图像的流程示意图。
图7所示为本公开的一实施例提供的对待评估眼底图像进行分割提取,得到病灶分割结果图像的流程示意图。
图8所示为本公开的一实施例提供的图像评估装置的结构示意图。
图9所示为本公开一实施例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。
眼底由视网膜、视神经乳头、视神经纤维以及视网膜后的脉络膜等构成,由于视网膜、视神经乳头、视神经纤维以及视网膜后的脉络膜等均位于眼球眼后节的底部,造成很多眼底疾病无法通过肉眼观察发现,因此,针对眼底疾病,通常需要进行眼底检查,从而辅助医生诊断,眼底检查是医生诊断眼底疾病的重要辅助手段。
在眼底检查中,医生根据眼底图像能够对很多眼底疾病进行了解,例如视网膜脱落、视神经炎或者黄斑病变等疾病。眼底图像是眼底检查的重要组成部分,是辅助医生诊断眼底疾病主要的手段,其重要程度不言而喻。
然而,传统的针对眼底图像的技术无法帮助医生了解相关眼底疾病的情况,如果医生想要了解相关眼底疾病的发展程度和严重程度,通常需要结合其他检查,例如抽血。然而,对于一些免疫力低下的患者,尤其是针对巨细胞病毒性视网膜炎的患者,抽血后容易造成感染,导致病情恶化。因为,巨细胞病毒性视网膜炎患者是人类免疫缺陷病毒(HumanImmunodeficiency Virus,HIV)感染/获得性免疫缺陷综合征(AcquiredImmureDeficiencySyndrome,AIDS)患者的常见眼部机会感染疾病,患者本身免疫力较低,抽血会造成皮肤破损,伤口难以愈合造成感染,可能会造成病情恶化。因此,亟需一种帮助医生在无创条件下了解眼底的情况的方法。
下面结合图1对本公开一实施例的应用场景进行简单的介绍。
图1所示本公开一实施例的应用场景示意图。如图1所示,该场景为针对患者A的眼底图像评估场景。具体而言,对针对患者A的眼底图像评估场景包括服务器110、分别与服务器110通信连接的用户终端120和数据存储设备130,服务器110用于执行本公开实施例提及的方法。
示例性地,在实际应用过程中,用户利用用户终端120向服务器发出针对患者A(待评估对象)的眼底图像进行评估的指令。服务器110在接收到该指令后,从数据存储设备130中,调取患者A对应的待评估眼底图像,对待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,病灶分割结果图像包括病灶区域和黄斑中心,基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。继而服务器110将待评估眼底图像对应的等级评估结果发送至用户终端120,以便用户终端120向用户展示该评估结果。
示例性地,上述提及的数据存储设备130存储的数据包括但不限于患者A治疗期间医疗机构保存的所有图像数据、用户输入的患者A的相关眼底图像数据,患者A在就诊期间根据需求拍摄的眼底图像数据。
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及平板电脑、手机等移动终端。
图2所示为本公开的一实施例提供的图像评估方法的流程示意图。如图2所示,本公开实施例提供的图像评估方法包括如下步骤。
步骤S210,确定待评估对象对应的待评估眼底图像。
示例性地,待评估对象可以是巨细胞病毒性视网膜炎患者或者其他视网膜炎患者。待评估对象对应的待评估眼底图像是巨细胞病毒性视网膜炎患者的眼底图像或其他视网膜炎患者的眼底图像。
步骤S220,对待评估眼底图像进行分割提取,得到病灶分割结果图像。
病灶分割结果图像包括病灶区域。
示例性地,通过训练好的深度学习网络分割模型,对病灶进行分割,获得病灶分割结果图像。或者,根据传统的图像分割方法,如阈值分割,边缘检测等方法,对病灶进行分割,获得病灶分割结果图像。
步骤S230,基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。
示例性地,根据病灶分割结果图像中的病灶区域,获得病灶的特征数据,例如,数量、面积、位置数据,根据病灶的特征数据,确定待评估眼底图像对应的等级评估结果;或者根据病灶图像的其他特征,例如,病灶距离黄斑中心的距离,确定待评估眼底图像对应的等级评估结果,例如,面积越大和/或数量越多,患病程度可能越大,等级评估越高,或者,根据病灶位置数据确定病灶的类型,由于病灶位置与病灶类型有关,不同类型病灶对应的患病程度不同,等级评估结果也不同。
本公开实施例提供的评估方法对待评估眼底图像的分割提取,获得病灶分割结果图像,其中病灶分割图像包括病灶区域,然后根据病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。基于病灶分割结果图像,能够获得病灶的特征数据,例如数量、面积,位置数据,根据病灶的特征数据,确定待评估眼底图像对应的等级评估结果。由于病灶的特征数据与患病程度关系密切,如,面积越大数量越多,患病程度可能越大,等级评估越高,或者,病灶位置与病灶类型有关,根据病灶位置数据确定病灶的类型,不同类型病灶对患病程度影响不同,等级评估结果也不同,因此,本公开实施例实现了通过无创的方式,确定待评估眼底图像对应的等级评估结果,从而帮助医生了解待评估对象的眼底情况。
图3所示为本公开的另一实施例提供的另一图像评估方法的流程示意图。在图2所示实施例基础上延伸出图3所示实施例,下面着重叙述图3所示实施例与图2所示实施例的不同之处,相同之处不再赘述。
如图3所示,本公开实施例另一实施例提供的图像评估方法,在对待评估眼底图像进行分割提取,得到病灶分割结果图像之前,该图像评估方法还包括如下步骤。
步骤S310,确定待评估眼底图像的基本特征的位置数据。
待评估眼底图像的基本特征包括血管和黄斑。
示例性地,根据自定义的坐标系,确定待评估眼底图像中血管的位置数据和黄斑的位置数据,黄斑的位置数据可以选取黄斑中心的位置坐标确定为黄斑的位置数据。自定义的坐标系根据需求,可以是以视盘中心或黄斑中心为原点,确定坐标系,也可以是与视盘中心和黄斑中心的连接线作为X轴,垂线为Y轴的坐标系,也可以是以视盘中心和黄斑中心连线的中点作为原点,确定坐标系,或其他根据需求确定的坐标系。
步骤S320,对病灶区域的面积进行计算,确定病灶区域的面积数据。
示例性地,通过病灶区域的图像,对病灶区域的面积所占像素数量进行计算,确定病灶区域的面积数据。
在一些实施例中,上述步骤S230的具体实施方式包括:确定病灶区域的位置数据、面积数据、颜色数据;根据基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,确定待评估眼底图像对应的等级评估结果。示例性地,根据不同的眼底疾病的特征,选择等级评估条件,确定待评估眼底图像对应的评估结果。例如按照巨细胞视网膜炎的病灶特征,选择病灶与黄斑中心的位置作为等级评估条件,即根据病灶区域的位置数据确定等级评估结果,或者根据病灶区域的位置数据结合病灶区域的面积数据和/或病灶区域的颜色数据,确定等级评估结果。也可以是按照巨细胞视网膜炎的病灶特征,选择病灶的面积大小作为等级评估条件,即根据病灶的面积数据确定等级评估结果,或者,根据病灶区域的面积数据结合病灶区域的位置数据和/或病灶区域的颜色数据,确定等级评估结果。也可以是按照巨细胞视网膜炎的病灶特征,选取病灶的种类作为等级评估条件,巨细胞视网膜炎的病灶包括:黄白色坏死性视网膜病灶、视网膜出血、视网膜血管鞘和颗粒状视网膜混浊斑,根据病灶的颜色数据,确定病灶的种类,根据病灶种类,确定等级评估结果,或者,根据病灶的颜色数据结合病灶区域的位置数据和/或病灶区域的面积数据,确定等级评估结果。
在一些实施例中,待评估眼底图像对应的等级评估结果包括重度、中度、轻度,等级评估条件包括病灶区域相对于黄斑中心的距离阈值、病灶区域面积阈值、病灶区域预设色值范围和病灶区域相对于血管距离阈值,根据基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,确定待评估眼底图像对应的等级评估结果的具体实施方式包括:确定基本特征中黄斑中心的位置数据和血管的位置数据;基于病灶区域的位置数据和黄斑中心的位置数据,确定病灶区域与黄斑中心的第一距离;基于病灶区域的位置数据和血管的位置数据,确定病灶区域与所述血管的第二距离;或者,在第一距离小于或等于第一距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为重度;在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果病灶区域的面积数据大于病灶区域面积阈值和/或病灶区域的颜色数据满足病灶区域预设色值的范围,确定待评估眼底图像对应的等级评估结果为重度;在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果第二距离数据大于病灶区域相对于血管距离阈值,确定待评估眼底图像对应的等级评估结果为中度;在第一距离大于第二距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为轻度。
示例性地,病灶区域相对于黄斑中心距离阈值可以是视盘长轴直径值,或者根据实际需求选取的其他距离值。病灶区域的面积阈值可以根据实际需求进行设置,本公开实施例不对面积阈值的数值做具体限定。示例性地,病灶区域预设色值范围可以是根据需求设置的色值范围。
示例性地,当待评估眼底图像为巨细胞病毒性视网膜炎的眼底图像时,根据基本特征中黄斑中心的位置数据和病灶区域位置数据,确定病灶区域与黄斑中心的第一距离;基于血管的位置数据和病灶区域位置数据,确定病灶区域与血管的位置数据的第二距离。当第一距离小于或等于第一距离阈值时,即,病灶区域与黄斑中心的的距离小于或等于预设阈值时,病灶对视力的影响较大,患者的患病程度较重。因此,可以确定待评估眼底图像对应的等级评估结果为重度。应当理解,第一距离阈值可以根据需求选取,例如选取离黄斑中心1个视盘长轴直径的距离为第一距离阈值,本公开实施例不对第一阈值的数值作具体限定。
示例性地,当第一距离大于第一距离阈值且小于第二距离阈值的情况下,即,病灶区域距离黄斑中心的距离大于第一阈值,且小于第二阈值下,病灶对视力的影响因素主要包括:病灶的种类及病灶的面积。因此,当病灶区域的面积数据大于病灶区域面积,病灶区域的面积较大,对患者的视力影响较大,患者的患病程度较重。因此,可以确定待评估眼底图像对应的等级评估结果为重度。
或者,当病灶区域的颜色数据满足预设色值范围时,例如预设色值范围为RGB(255,255,255)即白色,和RGB(255,255,0)即黄色,颜色数据体现病灶区域发白发黄,可以确定病灶的种类为黄白色坏死视网膜病灶,在巨细胞病毒性视网膜炎的病灶中,黄白色坏死视网膜病灶对患者的视力影响较大,患者的患病程度较重。因此,可以确定待评估眼底图像对应的等级评估结果为重度。
或者,在病灶区域的面积数据大于病灶区域面积阈值时,且病灶区域的颜色数据满足病灶区域预设色值的情况下,即,病灶类型为黄白色坏死视网膜,病灶面积较大,对患者的视力影响较大,患者的患病程度较重。因此可以确定待评估眼底图像对应的等级评估结果为重度。
示例性地,当待评估眼底图像为巨细胞病毒性视网膜炎视网膜炎患者的眼底图像时,在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果第二距离数据大于病灶区域相对于血管距离阈值,即,病灶区域的的位置距离血管的位置较远,可以确定病灶的类型可以是视网膜出血病灶,视网膜出血病灶相对于黄白色坏死视网膜病灶对患者的视力影响较小,但相对于其他类型病灶如视网膜血管鞘病灶和颗粒状视网膜混浊斑对患者视力影响较大。因此可以确定待评估眼底图像对应的等级评估结果为中度。
示例性地,当待评估眼底图像为巨细胞病毒性视网膜炎视网膜炎患者的眼底图像时,在第一距离大于第二距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为轻度。其中,当第一距离大于第二阈值的情况下,由于病灶距离黄斑中心的位置较远,对患者是视力影响有所降低,可以确定待评估眼底图像对应的等级评估结果为轻度。其中,轻度情况下,不同病灶类型对应不同的患病程度,患病程度由大到小分别为:黄白色坏死性视网膜病灶、视网膜出血病灶、视网膜血管鞘病灶和颗粒状视网膜混浊斑。可以根据第一距离和第二阈值,以及第一阈值和第二阈值分别对应的距离阈值,确定病灶的类型,从而在评估结果为轻度时,结合病灶类型,确定轻度中的严重程度,患者患病的程度大小,以便辅助医生确定患者的治疗方案。
在一些实施例中,如果病灶区域的面积数据大于面积阈值,此时,面积阈值按照需求,可以选取对患病程度影响较小的面积阈值范围,并计算待评估的眼底图像的灰度平均值和病灶区域的灰度值,当病灶区域的灰度值大于待评估的眼底图像的灰度平均值时,病灶区域相对于血管距离大于预设病灶区域与血管的距离时,可以确定病灶区域的面积较大,灰度值较大,距离血管的位置较远,根据巨细胞病毒性视网膜炎的病灶特征,可以被认定为是黄白色坏死视网膜病灶,也可以确定待评估眼底图像对应的等级评估结果为重度。或者,在病灶区域的面积数据大于面积阈值时,病灶区域的灰度值小于待评估的眼底图像的灰度平均值,且颜色数据满足预设色值范围,例如红色,则可以确定病灶区域面积较大,灰度值较小,颜色发红,根据巨细胞病毒性视网膜炎的病灶特征,可以被认定为是视网膜出血病灶,也可以确定待评估眼底图像对应的等级评估结果为中度。
在一些实施例中,根据病灶区域的形态数据,结合病灶的其他数据,例如面积数据、位置数据、颜色数据等,确定待评估眼底图像对应的等级评估结果,形态数据能够体现病灶的形态和/或形状,根据形态数据,能够确定病灶的类型。示例性地,视网膜血管鞘病灶的特征包括:沿血管边界分布、在血管两边呈线性分布、形状呈长条状,颜色发黄;根据病灶区域的形态数据结合位置数据和/或颜色数据,能够确定病灶是否为视网膜血管鞘病灶。如果是视网膜血管鞘病灶,由于在相同条件下,视网膜血管鞘病灶的患病程度相对于黄白色坏死性视网膜病灶及视网膜出血病灶轻,在预设距离范围内,视网膜血管鞘病灶对应的等级评估结果可以为轻度,预设距离范围是根据需求选取,例如选取大于第二阈值范围。应当理解,在预设距离范围内,等级评估结果对应轻度时,轻度中也能够区分严重程度,例如,视网膜血管鞘病灶属于轻度等级结果中较重的情况,颗粒状视网膜混浊斑病灶相较视网膜血管鞘病灶较轻,可以属于轻度等级结果中较轻的情况。颗粒状视网膜混浊斑病灶的特征包括:在待评估眼底图像中分散分布,单个混浊斑面积较小,边界清晰呈颗粒状,颜色发白发黄;假设根据位置数据能够确定病灶的分布呈分散分布,根据面积数据确定单个病灶面积较小,根据形态数据确定病灶形态呈颗粒状以及根据颜色数据确定病灶区域颜色发白发黄,从而可以确定病灶类型是属于颗粒状视网膜混浊斑病灶,因此,确定等级评估结果为轻度,属于轻度等级结果中较轻的情况。
本公开实施例通过病灶区域相对于黄斑中心的的位置数据、病灶区域黄斑中心的位置数据、病灶区域预设色值范围和病灶区域相对于血管距离阈值,确定待评估眼底图像对应的等级评估结果,等级评估结果根据病灶患者视力的影响程度确定,能够更加精确的获得等级评估结果。此外,本公开实施例通过基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,对评估等级进行划分,以便确定待评估眼底图像对应的等级评估结果。由于结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据确定评估结果,进一步地提高了等级评估结果的精确度。本公开实施例还可以结合病灶区域的灰度值数据和形态数据,确定等级评估结果,能够更准确地获得等级评估结果,以便辅助医生根据精确的等级评估结果,确定相关治疗方案。
图4所示为本公开的一实施例提供的确定待评估对象对应的待评估眼底图像的流程示意图。如图4所示,本公开实施例提供的确定待评估对象对应的待评估眼底图像包括如下步骤。
步骤S410,确定待评估对象对应的有效区域眼底图像。
示例性地,确定待评估对象对应的眼底图像中的感兴趣区域(Region ofInterest,ROI)区域,将ROI区域确定为待评估对象对用的有效区域。
步骤S420,利用视网膜炎的分类模型,对有效区域眼底图像进行分类,确定有效区域眼底图像的分类结果。
分类结果包括有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像或有效区域眼底图像不是巨细胞病毒性视网膜炎的眼底图像。
示例性地,视网膜炎的分类模型,能够对巨细胞病毒性视网膜炎的眼底图像和非巨细胞病毒性视网膜炎的眼底图像进行分类,即,确定有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像或有效区域眼底图像不是巨细胞病毒性视网膜炎的眼底图像,还可以确定巨细胞病毒性视网膜炎的眼底图像的类型,即在有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像的情况下,确定有效区域图像是爆发型(水肿型)巨细胞病毒性视网膜炎的眼底图像和懒惰型(颗粒型)巨细胞病毒性视网膜炎的眼底图像。
步骤S430,判断有效区域眼底图像是否为巨细胞病毒性视网膜炎的眼底图像。
示例性地,如果有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像,则执行步骤S440,如果有效区域眼底图像不是巨细胞病毒性视网膜炎的眼底图像,则执行步骤S450。
步骤S440,将有效区域眼底图像确定为待评估眼底图像。
示例性地,通过上述分类,待评估眼底图像为爆发型(水肿型)巨细胞病毒性视网膜炎的眼底图像或懒惰型(颗粒型)巨细胞病毒性视网膜炎的眼底图像,并在确定为待评估眼底图像后,能够输出巨细胞病毒性视网膜炎的眼底图像是爆发型(水肿型)巨细胞病毒性视网膜炎的眼底图像还是懒惰型(颗粒型)巨细胞病毒性视网膜炎的眼底图像。
步骤S450,结束图像评估的任务。
本公开实施例利用视网膜炎的分类模型,确定有效区域眼底图像是不是巨细胞病毒性视网膜炎的眼底图像,如果是,则将巨细胞病毒性视网膜炎的眼底图像作为后续的待评估图像,能够针对巨细胞病毒性视网膜炎的眼底图像进行评估,减少计算量,并且通过分类的方式,能够使得后续获得的等级评估结果更加准确。
图5所示为本公开的另一实施例提供的图像评估方法的流程示意图。在图4所示实施例基础上延伸出图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。
图5所示,本公开的另一实施例提供的另一图像评估方法,在利用视网膜炎的分类模型,对原始待评估眼底图像进行分类之前,还包括如下步骤。
步骤S510,确定视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果。
示例性地,视网膜眼底图像样本可以为爆发型(水肿型)巨细胞病毒性视网膜炎的眼底图像、懒惰型(颗粒型)巨细胞病毒性视网膜炎的眼底图像和非巨细胞病毒性视网膜炎的眼底图像。
步骤S520,建立初始网络模型,并利用视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果训练初始网络模型,以生成视网膜炎的分类模型。
示例性地,初始网络模型可以是深度学习分类模型,例如Resnet 50模型或其他深度学习网络分类模型。
本公开实施例通过利用视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果训练初始网络模型,生成视网膜炎的分类模型,使得分类模型的分类结果更加精确。此外,视网膜眼底图像样本包括爆发型(水肿型)巨细胞病毒性视网膜炎的眼底图像、懒惰型(颗粒型)巨细胞病毒性视网膜炎的眼底图像,实现了通过分类模型对爆发型(水肿型)巨细胞病毒性视网膜炎的眼底图像和懒惰型(颗粒型)巨细胞病毒性视网膜炎的眼底图像两种图像分类的目的,能够帮助医生根据分类结果,确定巨细胞病毒性视网膜炎的类型,帮助医生进一步了解眼底的情况。
图6所示为本公开的一实施例提供的确定待评估对象对应的有效区域眼底图像的流程示意图。如图6所示,本公开实施例提供的确定待评估对象对应的有效区域眼底图像包括如下步骤。
步骤S610,确定待评估对象对应的原始眼底图像。
步骤S620,对原始眼底图像进行颜色通道提取,确定原始眼底图像对应的单通道图像。
示例性地,对原始眼底图像进行红色通道提取,确定原始眼底图像对应的单通道图像。或者对原始眼底图像的三个通道进行平均提取,获得灰度图。
步骤S630,基于原始眼底图像对应的单通道图像,进行阈值分割处理,获得原始眼底图像对应的二值化图像。
示例性地,基于原始眼底图像对应的单通道图像,根据实际的需求,例如,红色通道灰度的平均值或通过计算确定最佳阈值,大于这个阈值的设置为255,小于这个阈值的设置为0,获得原始眼底图像对应的二值化图像。
步骤S640,基于原始眼底图像对应的二值化图像,进行眼底特征的特征提取,获得眼底特征区域。
步骤S650,对眼底特征区域进行圆度拟合,确定待评估对象对应的有效区域眼底图像。
示例性地,通过眼底特征区域的外接圆形,对眼底特征区域进行圆度拟合,确定待评估对象对应的有效区域眼底图像。
本公开实施例对眼底图像进行处理,通过颜色通道分离、二值化处理等操作,使得眼底图像的特征的轮廓更加清晰,能够使得后续的病灶区域分割提取的效果更好,最终获得的等级评估结果更准确。
图7所示为本公开的一实施例提供的对待评估眼底图像进行分割提取,得到病灶分割结果图像的流程示意图。如图7所示为本公开实施例提供的对待评估眼底图像进行分割提取,得到病灶分割结果图像包括如下步骤。
步骤S710,对待评估眼底图像进行颜色通道提取,确定待评估眼底图像对应的单通道图像。
示例性地,根据实际需求,选取颜色通道,确定待评估眼底图像对应的单通道图像。
步骤S720,对单通道图像进行二值化处理,获得单通道图像对应的二值化图像。
步骤S730,基于二值化图像,对待评估眼底图像进行分割,得到病灶分割结果图像。
示例性地,病灶分割结果图像可以结合原始眼底图像,最终获得的病灶区域图像的颜色数据根据原始眼底图像获取,以便后续对病灶分割结果图像进行处理。
本公开实施例对病灶区域进行处理,通过颜色通道分离、二值化处理等操作,使得病灶区域的轮廓清晰,对待评估眼底图像进行分割,得到的病灶分割结果图像更加准确,进一步提高了等级评估结果的准确性。
上文结合图2至图7,详细描述了本公开的方法实施例,下面结合图8和图9,详细描述本公开的装置实施例。此外,应理解,方法实施例的描述与装置实施例的描述相互对应,因此,未详细描述的部分可以参见前面方法实施例。
图8所示为本公开的一实施例提供的图像评估装置的结构示意图。
如图8所示,本公开实施例提供的图像评估装置包括:确定模块801,分割模块802,评估模块803。具体地,确定模块801,用于确定待评估对象对应的待评估眼底图像;分割模块802,用于对待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,所述病灶分割结果图像包括病灶区域;评估模块803,基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果。
在一些实施例中,评估模块803还用于,确定待评估眼底图像的基本特征的位置数据,基本特征包括血管和黄斑;对病灶区域的面积进行计算,确定病灶区域的面积数据;基于病灶分割结果图像,确定待评估眼底图像对应的等级评估结果,包括:确定病灶区域的位置数据、面积数据、颜色数据;根据基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,确定待评估眼底图像对应的等级评估结果。
在一些实施例中,待评估眼底图像对应的等级评估结果包括重度、中度、轻度,等级评估条件包括病灶区域相对于黄斑中心的距离阈值、病灶区域面积阈值、病灶区域预设色值范围和病灶区域相对于血管距离阈值;评估模块803还用于,根据基本特征的位置数据,结合病灶区域的位置数据、病灶区域的面积数据、病灶区域的颜色数据中的至少一个,确定待评估眼底图像对应的等级评估结果,包括:确定基本特征中黄斑中心的位置数据和血管的位置数据;基于病灶区域的位置数据和黄斑中心的位置数据,确定病灶区域与黄斑中心的第一距离;基于病灶区域的位置数据和血管的位置数据,确定病灶区域与所述血管的第二距离;或者,在第一距离小于或等于第一距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为重度;在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果病灶区域的面积数据大于病灶区域面积阈值和/或病灶区域的颜色数据满足病灶区域预设色值的范围,确定待评估眼底图像对应的等级评估结果为重度;在第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果第二距离数据大于病灶区域相对于血管距离阈值,确定待评估眼底图像对应的等级评估结果为中度;在第一距离大于第二距离阈值的情况下,确定待评估眼底图像对应的等级评估结果为轻度。
在一些实施例中,确定模块801还用于,确定待评估对象对应的有效区域眼底图像;利用视网膜炎的分类模型,对有效区域眼底图像进行分类,确定有效区域眼底图像的分类结果,分类结果包括有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像或有效区域眼底图像不是巨细胞病毒性视网膜炎的眼底图像;如果有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像,将有效区域眼底图像确定为待评估眼底图像。
在一些实施例中,确定模块801还用于,确定视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果;建立初始网络模型,并利用视网膜眼底图像样本和视网膜眼底图像样本对应的分类结果训练初始网络模型,以生成视网膜炎的分类模型。
在一些实施例中,确定模块801还用于,确定待评估对象对应的原始眼底图像;对原始眼底图像进行颜色通道提取,确定原始眼底图像对应的单通道图像;基于原始眼底图像对应的单通道图像,进行阈值分割处理,获得原始眼底图像对应的二值化图像;基于原始眼底图像对应的二值化图像,进行眼底特征的特征提取,获得眼底特征区域;对眼底特征区域进行圆度拟合,确定待评估对象对应的有效区域眼底图像。
在一些实施例中,确定模块801还用于,对待评估眼底图像进行颜色通道提取,确定待评估眼底图像对应的单通道图像;对单通道图像进行二值化处理,获得单通道图像对应的二值化图像;基于二值化图像,对待评估眼底图像进行分割,得到病灶分割结果图像。
图9所示为本公开一示例性实施例提供的电子设备的结构示意图。电子设备900(该电子设备900具体可以是一种计算机设备)包括存储器901、处理器902、通信接口903以及总线904。其中,存储器901、处理器902、通信接口903通过总线904实现彼此之间的通信连接。
存储器901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15301可以存储程序,当存储器901中存储的程序被处理器902执行时,处理器902和通信接口903用于执行本公开实施例的图像评估方法中的各个步骤。
处理器902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 Specific Integrated Circuit,ASIC),图形处理器(Graphics Processing 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评估方法中的各个单元所需执行的功能。
处理器902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,本公开的图像评估方法的各个步骤可以通过处理器902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902还可以是通用处理器、数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(ASIC)、现场可编程门阵列(Field Programmable GateArray,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901,处理器902读取存储器901中的信息,结合其硬件完成本公开实施例的图像评估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评估方法。
通信接口903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900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903获取待评估对象对应的待评估眼底图像。
总线904可包括在电子设备900各个部件(例如,存储器901、处理器902、通信接口903)之间传送信息的通路。
应注意,尽管图9所示的电子设备900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900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900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900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9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。
本公开的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的方法中的步骤。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。所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。
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 (10)
1.一种图像评估方法,其特征在于,包括:
确定待评估对象对应的待评估眼底图像;
对所述待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,所述病灶分割结果图像包括病灶区域;
基于所述病灶分割结果图像,确定所述待评估眼底图像对应的等级评估结果。
2.根据权利要求1所述的方法,其特征在于,在基于所述病灶分割结果图像,确定所述待评估眼底图像对应的等级评估结果之前,还包括:
确定所述待评估眼底图像的基本特征的位置数据,所述待评估眼底图像的基本特征包括血管和黄斑;
所述基于所述病灶分割结果图像,确定所述待评估眼底图像对应的等级评估结果,包括:
确定所述病灶区域的位置数据、面积数据、颜色数据;
根据所述基本特征的位置数据,结合所述病灶区域的位置数据、所述病灶区域的面积数据、所述病灶区域的颜色数据中的至少一个,确定所述待评估眼底图像对应的等级评估结果。
3.根据权利要求2所述的方法,其特征在于,所述待评估眼底图像对应的等级评估结果包括重度、中度、轻度,所述等级评估条件包括病灶区域相对于黄斑中心的距离阈值、病灶区域面积阈值、病灶区域预设色值范围和病灶区域相对于血管距离阈值;所述根据所述基本特征的位置数据,结合所述病灶区域的位置数据、所述病灶区域的面积数据、所述病灶区域的颜色数据中的至少一个,确定所述待评估眼底图像对应的等级评估结果,包括:
确定所述基本特征中黄斑中心的位置数据和血管的位置数据;
基于所述病灶区域的位置数据和所述黄斑中心的位置数据,确定所述病灶区域与所述黄斑中心的第一距离;
基于所述病灶区域的位置数据和所述血管的位置数据,确定所述病灶区域与所述血管的第二距离;
在所述第一距离小于或等于第一距离阈值的情况下,确定所述待评估眼底图像对应的等级评估结果为重度;或者,在所述第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果所述病灶区域的面积数据大于所述病灶区域面积阈值和/或所述病灶区域的颜色数据满足所述病灶区域预设色值的范围,确定所述待评估眼底图像对应的等级评估结果为重度;
在所述第一距离大于第一距离阈值且小于第二距离阈值的情况下,如果所述第二距离数据大于所述病灶区域相对于血管距离阈值,确定所述待评估眼底图像对应的等级评估结果为中度;
在所述第一距离大于第二距离阈值的情况下,确定所述待评估眼底图像对应的等级评估结果为轻度。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述确定待评估对象对应的待评估眼底图像,包括:
确定所述待评估对象对应的有效区域眼底图像;
利用视网膜炎的分类模型,对所述有效区域眼底图像进行分类,确定所述有效区域眼底图像的分类结果,所述分类结果包括所述有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像或所述有效区域眼底图像不是巨细胞病毒性视网膜炎的眼底图像;
如果所述有效区域眼底图像是巨细胞病毒性视网膜炎的眼底图像,将所述有效区域眼底图像确定为所述待评估眼底图像。
5.根据权利要求4所述的方法,其特征在于,在所述利用视网膜炎的分类模型,对原始待评估眼底图像进行分类之前,还包括:
确定视网膜眼底图像样本和所述视网膜眼底图像样本对应的分类结果;
建立初始网络模型,并利用视网膜眼底图像样本和所述视网膜眼底图像样本对应的分类结果训练所述初始网络模型,以生成所述视网膜炎的分类模型。
6.根据权利要求4所述的方法,其特征在于,所述确定所述待评估对象对应的有效区域眼底图像,包括:
确定所述待评估对象对应的原始眼底图像;
对所述原始眼底图像进行颜色通道提取,确定所述原始眼底图像对应的单通道图像;
基于所述原始眼底图像对应的单通道图像,进行阈值分割处理,获得所述原始眼底图像对应的二值化图像;
基于原始眼底图像对应的二值化图像,进行眼底特征的特征提取,获得眼底特征区域;
对所述眼底特征区域进行圆度拟合,确定所述待评估对象对应的有效区域眼底图像。
7.根据权利要求1至3任一项所述的方法,其特征在于,所述对所述待评估眼底图像进行分割提取,得到病灶分割结果图像,包括:
对所述待评估眼底图像进行颜色通道提取,确定所述待评估眼底图像对应的单通道图像;
对所述单通道图像进行二值化处理,获得所述单通道图像对应的二值化图像;
基于所述二值化图像,对所述待评估眼底图像进行分割,得到所述病灶分割结果图像。
8.一种图像评估装置,其特征在于,包括:
确定模块,用于确定待评估对象对应的待评估眼底图像;
分割模块,用于对所述待评估眼底图像进行分割提取,得到病灶分割结果图像,其中,所述病灶分割结果图像包括病灶区域;
评估模块,基于所述病灶分割结果图像,确定所述待评估眼底图像对应的等级评估结果。
9.一种电子设备,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7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7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449792.XA CN116523862A (zh) | 2023-04-24 | 2023-04-24 | 图像评估方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449792.XA CN116523862A (zh) | 2023-04-24 | 2023-04-24 | 图像评估方法及装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523862A true CN116523862A (zh) | 2023-08-01 |
Family
ID=87391504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449792.XA Pending CN116523862A (zh) | 2023-04-24 | 2023-04-24 | 图像评估方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523862A (zh) |
-
2023
- 2023-04-24 CN CN202310449792.XA patent/CN116523862A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784337B (zh) | 一种黄斑区识别方法、装置及计算机可读存储介质 | |
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 | |
Kauppi et al. | DIARETDB0: Evaluation database and methodology for diabetic retinopathy algorithms | |
US20140314288A1 (en) | Method and apparatus to detect lesions of diabetic retinopathy in fundus images | |
CN109697719B (zh) | 一种图像质量评估方法、装置及计算机可读存储介质 | |
US20200320692A1 (en) | Predicting a pathological condition from a medical image | |
Neofytou et al. | Computer-aided diagnosis in hysteroscopic imaging | |
Hatanaka et al. | Improvement of automatic hemorrhage detection methods using brightness correction on fundus images | |
CN116491893B (zh) | 高度近视眼底改变评估方法及装置、电子设备及存储介质 | |
CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
CN116523862A (zh) | 图像评估方法及装置、存储介质及电子设备 | |
WO2023103609A1 (zh) | 用于眼前节octa的眼动追踪方法、装置、设备和存储介质 | |
Septiarini et al. | Peripapillary atrophy detection in fundus images based on sectors with scan lines approach | |
CN116385812B (zh) | 图像分类方法及装置、电子设备及存储介质 | |
CN114255201A (zh) | 一种图像分类方法、装置、设备及计算机存储介质 | |
CN117437231B (zh) | 近视眼底结构改变的定位方法及装置、图像处理方法 | |
Ahmed et al. | Optic disc segmentation using manual thresholding technique | |
CN116503405B (zh) | 近视眼底改变可视化方法、装置、存储介质及电子设备 | |
Reddy et al. | Optic Disk Segmentation through Edge Density Filter in Retinal Images | |
Satyananda et al. | Exudate extraction from fundus images | |
CN117408945A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
CN116524257A (zh) | 眼底图像分类方法及装置、图像处理方法 | |
CN117333433A (zh) | 图像处理方法及装置、电子设备及存储介质 | |
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 |