[发明专利]眼底图像识别方法、装置、设备、存储介质以及程序产品

权利要求书

1.一种眼底图像识别方法，包括：

获取眼底图像中的眼底病灶的位置、黄斑中心凹的位置、视网膜的病变等级和黄斑区的病变概率值；

基于所述眼底病灶的位置、所述黄斑中心凹的位置、所述视网膜的病变等级和所述黄斑区的病变概率值，建立每个特征与黄斑区病变类型的相关性；

基于每个特征与黄斑区病变类型的相关性进行特征筛选；

将筛选出的特征输入至预先训练出的黄斑区分类决策树，得到所述黄斑区的类别；

其中，所述黄斑区分类决策树通过如下步骤训练：

获取标注训练数据，其中，所述标注训练数据标注有黄斑区的类别；

计算所述标注训练数据的每个特征的熵；

计算所述标注训练数据的熵与每个特征的熵的差值，作为每个特征的信息增益；

选取信息增益最大的特征作为当前节点；

排除当前节点，递归的计算每个特征的信息增益和选取当前节点，直至满足停止条件，生成所述黄斑区分类决策树。

2.根据权利要求1所述的方法，其中，所述获取眼底图像中的眼底病灶的位置，包括：

将所述眼底图像输入至预先训练的目标检测模型，输出所述眼底病灶的位置。

3.根据权利要求2所述的方法，其中，所述将所述眼底图像输入至预先训练的目标检测模型，输出所述眼底病灶的位置，包括：

将所述眼底图像输入至卷积神经网络，以及前向传播至共享卷积层，得到特征图；

将所述特征图输入至区域建议网络，得到区域建议和区域得分，以及对所述区域得分进行非极大值抑制，选取区域得分排在前预设位的区域建议；

将所述特征图继续前向传播至特有卷积层，得到高维特征图；

将所选取的区域建议和所述高维特征图输入至感兴趣区域池化层，提取所选取的区域建议的特征；

将所选取的区域建议的特征输入至全连接层，输出所选取的区域建议的分类得分和回归后的边框，作为所述眼底病灶的位置。

4.根据权利要求1所述的方法，其中，所述获取眼底图像中的黄斑中心凹的位置，包括：

将所述眼底图像输入至预先训练的深度学习分割模型，输出所述眼底图像的黄斑中心凹区域；

计算所述黄斑中心凹区域的重心点位置，作为所述黄斑中心凹的位置。

5.根据权利要求4所述的方法，其中，所述将所述眼底图像输入至预先训练的深度学习分割模型，输出所述眼底图像的黄斑中心凹区域，包括：

将所述眼底图像输入至特征提取网络；

将所述特征提取网络的输出前向传播至上采样反卷积层和共享卷积层；

将所述共享卷积层的输出融合进所述上采样反卷积层；

将所述上采样反卷积层的输出输入至像素分类卷积层，输出所述眼底图像的像素分类得分图，其中，所述像素分类得分图中的得分表征对应的像素点属于黄斑中心凹的分数；

对所述像素分类得分图进行阈值化分割，得到所述黄斑中心凹区域。

6.根据权利要求1所述的方法，其中，所述获取眼底图像中的视网膜的病变等级，包括：

将所述眼底图像输入至预先训练的第一深度学习分类模型，输出所述视网膜的病变等级。

7.根据权利要求6所述的方法，其中，所述将所述眼底图像输入至预先训练的第一深度学习分类模型，输出所述视网膜的病变等级，包括：

将所述眼底图像输入至第一卷积神经网络，提取所述眼底图像的高层次特征；

将所述高层次特征输入至第一全连接层，输出所述视网膜的病变等级。

8.根据权利要求1所述的方法，其中，所述获取眼底图像中的黄斑区的病变概率值，包括：

将所述眼底图像输入至预先训练的第二深度学习分类模型，输出所述黄斑区的病变概率值。