[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

说明书

本申请披露了一种视杯视盘分割模型的确定方法，所述方法包括：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。

技术领域

本申请涉及图像处理领域，具体涉及一种眼底图像的视杯视盘分割模型的确定方法、装置、电子设备及存储介质。

背景技术

临床上，使用患者的眼底图像进行青光眼疾病(Glaucoma)筛查时，视盘与视杯的形态和杯盘比(Cup-to-disc-ratio,CDR)等参数，在相关病变(如青光眼等)的诊断中极其重要。视盘大小与视杯大小、盘沿大小息息相关，大的视杯伴有大的视盘可以是正常的，小的视杯伴有更小的视盘可能是病理性的。

临床上通常采用人工标注的方法，首先过程较繁琐，其次对于一些具有眼科病变情况的眼底图需要有经验的医师才能完成准确标注，会影响到后续的诊断效率。另外人工标注不易移植到眼底彩照自动诊断系统中。因此，眼底彩照中视盘与视杯的自动分割是近年来视网膜视神经疾病计算机辅助诊断相关研究的关键技术难题。

传统图像处理方法需要人工选取图像的特征，并且针对不同的数据集，人工调整参数，适用性较差。

目前大多利用全卷积网络进行视杯视盘语义分割算法的缺点是未考虑到全局空间信息(比如待分割目标的形状)的约束，所以算法分割结果往往比较粗糙、且边界不够合理甚至可能出现畸变。

发明内容

针对现有技术中的数据预测结果轮廓较差的问题，本申请实施例提出了一种视杯视盘分割模型的确定方法、装置、电子设备及计算机可读存储介质，以解决视杯视盘分割结果较粗糙的问题。

本申请实施例的第一方面提供了一种视杯视盘分割模型的确定方法，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。

在一些实施例中，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。

在一些实施例中，所述第一机器学习模型为全卷积神经网络模型。

在一些实施例中，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。