[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

说明书

本发明公开了一种基于先验信息的眼部图像分割方法、装置、设备及介质，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。本发明通过引入先验信息训练图像分割模型，使得其对待分割目标图像的分割结果具有较强的解释性和准确性，还能够基于先验信息训练分类模型，并使用所述分类模型对待分割目标图像的分割结果进行分类，以得到可解释性强准确度高的分类结果，从而使本发明方案可以具备更为广阔的应用前景。

技术领域

本发明涉及图像处理领域，尤其涉及基于先验信息的眼部图像分割方法、装置、设备及介质。

背景技术

现有技术中基于机器学习进行眼部图像分类的方案主要有两种，第一种是基于深度学习模型MRNet进行眼部图像分类，第二种是基于循环注意卷积神经网络(RecurrentAttention Convolutional Neural Network)进行眼部图像分类。

如图1(a)所示，其示出了深度学习模型MRNet的结构示意图，MRNet基于卷积神经网络AlexNetAlexnet结构，以一个三维膝盖影像的相应的二维图像作为输入，将不同卷积层的输出通过最大池化操作最终可以给出所述三维膝盖影像指向某个目标对象的概率。然而MRNet的训练过程并未引入先验知识，使其无法对所述三维膝盖影像指向某个目标对象的概率进行解释。

如图1(b)所示，其示出了Recurrent Attention Convolutional Neural Network的结构示意图，Recurrent Attention Convolutional Neural Network是基于自然图像的分类技术。通过引入一个注意力分支，使得其在特征提取时，引入注意力权重，但注意力分支的训练无先验知识的限制，存在关注区域错误的风险，其准确率仍有待提升。

综上，这两种眼部图像分类方法均难以利用先验知识，因此图像分类结果存在可解释性差和指向性差的问题，从而限制了其眼底图像分割结果的应用前景。

发明内容

为了解决现有技术中眼部图像分类并未使用先验知识从而导致图像分割以及分类结果存在解释性差的技术问题，本发明实施例提供基于先验信息的眼部图像分割方法、装置、设备及介质。

一方面，本发明提供了一种基于先验信息的眼部图像分割方法，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。

另一方面，本发明提供一种基于先验信息的眼部图像分割装置，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。