[发明专利]基于先验信息的眼部图像分割方法、装置、设备及介质

权利要求书

1.一种基于先验信息的眼部图像分割方法，其特征在于，所述方法包括：

获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；

构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；

获取待分割的目标图像，所述目标图像包括眼部；

将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。

2.根据权利要求1所述的方法，其特征在于，还包括：

将所述目标图像分割结果输入分类模型以得到所述分类模型输出的分类结果，所述分类模型通过基于所述先验信息训练联合学习模型而得到，所述联合学习模型包括所述机器学习模型和分类学习模型。

3.根据权利要求1或2所述的方法，其特征在于：

所述机器学习模型包括三个分支，第一个分支用于获取训练集中的图像，将所述图像输入特征提取器，在预设的显著性约束条件下，根据所述特征提取器的输出得到第一特征图集；

第二个分支用于获取训练集中的图像，将所述图像输入自分割网络以得到分割图像的掩膜集；

第三个分支用于输出与所述分割图像集适配的语义成分基；

所述分割图像的掩膜集与所述语义成分基经由预设的激励函数处理后得到第二特征图集，所述第一特征图集和所述第二特征图集得到的差值指向所述机器学习模型的第一损失函数。

4.根据权利要求3所述的方法，其特征在于，还包括构建第一损失函数的步骤，所述构建第一损失函数，包括：

构建中心损失分量，所述中心损失分量指向第二特征图集中产生的中心损失；

构建语义损失分量，所述语义损失分量指向第一特征图集中的特征图像与其对应的第二特征图集中的特征图像的差异所产生的损失；

构建先验损失分量，所述先验损失分量指向所述第二特征图集与所述先验信息的背离程度；

根据所述中心损失分量、语义损失分量、正交损失分量和先验损失分量构建第一损失函数。

5.根据权利要求4所述的方法，其特征在于，还包括构建第二损失函数，基于所述第二损失函数训练联合学习模型的步骤，所述构建第二损失函数包括：

构建分类学习模型产生的损失分量；

根据所述中心损失分量、语义损失分量、正交损失分量、先验损失分量和分类学习模型产生的损失分量构建第二损失函数。

6.根据权利要求4或5所述的方法，其特征在于，所述构建中心损失分量，包括：

获取所述第二特征图集中对应各个通道的的特征图像；

计算各个所述特征图像的质心位置；

根据所述各个特征图像的质心位置计算所述中心损失分量。

7.根据权利要求1或2所述的方法，其特征在于，所述根据所述眼底图像数据集计算先验信息，包括：

根据所述眼底图像数据集得到第一分割图像集、第二分割图像集和眼底小窝中心位置坐标点集，所述第一分割图像集包括多张眼底视盘分割图像，所述第二分割图像集包括多张眼底视杯分割图像；

根据所述第一分割图像集计算眼底视盘位置的空间概率分布结果，根据所述第二分割图像集计算眼底视杯位置的空间概率分布结果，根据眼底小窝中心位置坐标点集计算眼底小窝中心位置的空间概率分布结果。

8.一种基于先验信息的眼部图像分割装置，其特征在于，所述装置包括：

眼底图像数据集获取模块，用于获取眼底图像数据集，根据所述眼底图像数据集计算先验信息；

机器学习模型训练模块，用于构建机器学习模型，基于所述先验信息训练所述机器学习模型以得到图像分割模型；

目标图像获取模块，用于获取待分割的目标图像，所述目标图像包括眼部；

分割模块，用于将所述目标图像输入至所述图像分割模型以得到所述图像分割模型输出的目标图像分割结果。