[发明专利]杯盘比确定方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种杯盘比确定方法、装置、设备及存储介质，该方法包括：获取并检测眼底图像，得到视盘区域；将视盘区域输入图像分割模型的编码网络提取图像特征，得到第一特征图；将第一特征图输入解码网络的位置校正网络，得到位置校正的第二特征图；通过解码网络中的分割网络对第一特征图进行卷积操作，得到第三特征图；通过连接层，拼接第二特征图和第三特征图，得到图像分割结果；根据图像分割结果，计算得到视杯直径和视盘直径；根据视杯直径和视盘直径计算眼底图像的杯盘比。本方法提高分割得到的视杯视盘图像的准确度，减少疾病筛查过程中的多筛、漏筛情况，此外，本发明还涉及区块链技术，眼底图像可存储于区块链中。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于图像分割模型的杯盘比确定方法、装置、设备及存储介质。

背景技术

青光眼是一种全球三大致盲的眼科疾病之一，其不可逆性导致它的早期诊断和治疗对于提高患者的生活质量有至关重要的作用。在对青光眼进行自动筛查时，通常使用杯盘比作为评估指标，采用分割方法对眼底图像中的视杯和视盘进行分割，然后计算杯盘比。

现有技术通常分为两种方法对视盘视杯进行分割，1、基于眼底图像的色彩，纹理的特征进行特征提取与聚类的传统图像处理方法。2、基于深度神经网络，如U-Net，FCN分割网络的方法。传统方法易受图像采集质量，如光照，遮挡，噪声的影响而导致分割精度大大降低。而基于深度神经网络的分割方法虽然性能普遍高于传统方法，但同样的也极易受到图像光照，噪声的影响而导致分割精度的降低。一旦视盘视杯的分割结果出现错误，则CDR的准确率也无法保证，这将造成大量多筛，漏筛的现象出现。

发明内容

本发明的主要目的在于解决现有的对眼底图像进行图像分割的分割精度低，导致杯盘比准确率无法保证的技术问题。

本发明第一方面提供了一种基于图像分割模型的杯盘比确定方法，所述图像分割模型包括编码网络、解码网络和连接层，包括：获取眼底图像，并对所述眼底图像进行视盘区域检测，得到所述眼底图像的视盘区域；将所述视盘区域输入所述图像分割模型的编码网络中提取图像特征，得到第一特征图；将所述第一特征图输入所述解码网络中的位置校正网络，通过所述位置校正网络对所述第一特征图像进行空洞空间金字塔池化，得到位置校正后的第二特征图；通过所述解码网络中的分割网络对所述第一特征图进行卷积操作，得到代表视杯视盘分割图像的第三特征图；通过所述连接层，将所述第二特征图和所述第三特征图进行拼接，得到图像分割结果；提取所述图像分割结果中的视盘外轮廓和视杯外轮廓，并根据所述视盘外轮廓和所述视杯外轮廓，计算得到视杯直径和视盘直径；根据所述视杯直径和视盘直径计算所述眼底图像的杯盘比。

可选的，在本发明第一方面的第一种实现方式中，所述获取眼底图像，并对所述眼底图像进行视盘区域检测，得到所述眼底图像的视盘区域包括：获取眼底图像，将所述眼底图像输入预设的视盘区域检测模型中，得到区域第一坐标点和区域第二坐标点；根据所述区域第一坐标点和区域第二坐标点，生成矩形区域；根据所述矩形区域对所述眼底图像进行裁剪，得到所述眼底图像的视盘区域。

可选的，在本发明第一方面的第二种实现方式中，所述编码网络为mobilenetv2网络，所述mobilenetv2网络包含n层卷积层，所述n为不小于1的自然数；所述将所述视盘区域输入所述图像分割模型的编码网络中提取图像特征，得到第一特征图包括：将所述视盘区域进行缩放处理，得到预设尺寸的缩放图像；将所述缩放图像输入所述编码网络中的mobilenetv2网络中，通过mobilenetv2网络中的n层卷积层进行卷积处理，得到n个特征图；将mobilenetv2网络中最后一个卷积层输出的特征图作为第一特征图。