[发明专利]一种视杯视盘分割模型的确定方法、装置及存储介质

权利要求书

1.一种视杯视盘分割模型的确定方法，其特征在于，包括：

执行前向传播，所述前向传播为，将样本输入图像输入至第一机器学习模型，确定分割结果；

基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，所述联合损失包括形状损失和分类损失；

执行反向传播，所述反向传播为，基于所述分割结果的联合损失，更新所述第一机器学习模型的参数；

迭代执行所述前向传播和反向传播，训练所述第一机器学习模型。

2.如权利要求1所述的方法，其特征在于：

所述样本输入图像为眼底图像或者视盘ROI区域图像，所述视盘ROI区域图像基于所述眼底图像获得；

所述获得方式为人工标注眼底图像获得视盘ROI区域图像，或者将眼底图像输入至第二机器学习模型中，确定视盘ROI区域图像。

3.如权利要求1或2所述的方法，其特征在于所述第一机器学习模型为全卷积神经网络模型。

4.如权利要求1所述的方法，其特征在于，所述基于双类圆金标准和双类圆空间约束，确定所述分割结果的联合损失，包括：

从所述分割结果中确定预测结果为视杯区域的待处理像素点集和预测结果为视盘区域的待处理像素点集；

基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，并基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓；

基于理想视杯轮廓和预测结果为视杯区域的待处理像素点集，确定视杯待惩罚点集，并基于理想视盘轮廓和预测结果为视盘区域的待处理像素点集，确定视盘待惩罚点集；

基于所述视杯待惩罚点集和视杯类圆金标准，确定视杯惩罚点集，并基于所述视盘待惩罚点集和视盘类圆金标准，确定视盘惩罚点集；

基于惩罚点集，构建惩罚权重矩阵，所述惩罚点集包括视杯惩罚点集和视盘惩罚点集；

基于所述惩罚权重矩阵，确定所述分割结果中所有像素点的联合损失。

5.如权利要求4所述的方法，其特征在于，所述基于所述视杯区域内边缘的待处理像素点集，构建理想视杯轮廓，包括：

基于所述视杯区域内边缘的待处理像素点集，确定所述视杯区域内边缘的重心；

确定所述视杯区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；

基于所述距离，对所述视杯区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；

基于所述保留的像素点，拟合确定所述理想视杯轮廓。

6.如权利要求4所述的方法，其特征在于，所述基于所述视盘区域内边缘的待处理像素点集，构建理想视盘轮廓，包括：

基于所述视盘区域内边缘的待处理像素点集，确定所述视盘区域内边缘的重心；

确定所述视盘区域内边缘的待处理像素点集中每个像素点与所述重心点的距离；

基于所述距离，对所述视盘区域内边缘的待处理像素点集中的像素点按照从近至远排序，保留排序靠前一定比例的像素点；

基于所述保留的像素点，拟合确定所述理想视盘轮廓。

7.如权利要求5或6所述的方法，其特征在于，所述一定比例为60％～70％。

8.如权利要求4所述的方法，其特征在于，所述惩罚权重矩阵为：

其中，m*n为分割结果的所有像素点对应的图像的尺寸，x_i为该m*n尺寸的图像中的第i个像素点，f(x_i)为第i个像素点对应的形状合理判断函数，所述形状合理判断函数的值表示第i个像素点是否需要惩罚，f(x_i)＝1时，表示第i个像素点需要惩罚，f(x_i)＝0则不需要惩罚，λ表示需要惩罚的像素点的权重值，λ为大于1的整数。