[发明专利]基于多任务深度学习的青光眼诊断装置

说明书

本发明实施例提供了一种基于多任务深度学习的青光眼诊断装置，涉及图像处理技术领域。该装置包括：获取模块，用于获取待检测眼底图像；超分辨特征获取模块，用于根据所述待检测眼底图像以及超分辨网络模型，获取第一特征图像；病灶特征获取模块，用于根据所述第一特征图像以及病灶分割网络模型，获取第二特征图像；所述第二特征图像用于表征病灶语义特征；青光眼诊断模块，用于根据所述第一特征图像、所述第二特征图像以及青光眼分级网络模型，获取青光眼分级结果，并根据所述青光眼分级结果获取所述待检测眼底图像的诊断结果。本发明实施例用于对低分辨率的眼底图像进行自动分类，获取青光眼分级诊断结果。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于多任务深度学习的青光眼诊断装置。

背景技术

青光眼是现阶段最常见的眼底病之一。实际上，大多数青光眼患者通过早期发现可以避免由此引起的视力丧失。因此，青光眼自动诊断装置的出现能够节省诊断成本，提高青光眼诊断的效率。

目前出现的基于眼底图像的青光眼检测装置，通常是使用高分辨率眼底图像进行训练，然而实际在临床中有很多图像属于低分辨率，使用现有的方法一方面会导致分级性能降低很多，得到的分级结果不够准确。另一方面，眼底病灶的信息对于青光眼这种和病灶信息密切相关的眼底疾病来说，具有重要意义，尤其在低分辨率图像中，一些如毛细血管出血的微小病灶很可能模糊不清，难以察觉，所以眼底图像病灶的分割对低分辨率诊断非常重要；因此，如何同时解决图像超分辨、病理区域分割和疾病分级诊断多个层级的任务对青光眼诊断具有重要的临床意义。

发明内容

有鉴于此，本发明提供了一种基于多任务深度学习的青光眼诊断装置，用于自动化的对分辨率较低的眼底图像进行青光眼分级诊断。

为了实现上述目的，本发明实施例提供技术方案如下：

本发明实施例提供了一种基于多任务深度学习的青光眼诊断装置，包括：

获取模块，用于获取待检测眼底图像；所述待检测眼底图像的分辨率为第一分辨率；

超分辨特征获取模块，用于根据所述待检测眼底图像以及超分辨网络模型，获取第一特征图像；所述第一特征图像的分辨率为第二分辨率；所述第二分辨率大于所述第一分辨率；

病灶特征获取模块，用于根据所述第一特征图像以及病灶分割网络模型，获取第二特征图像；所述第二特征图像用于表征病灶语义特征；

青光眼诊断模块，用于根据所述第一特征图像、所述第二特征图像以及青光眼分级网络模型，获取青光眼分级结果，并根据所述青光眼分级结果获取所述待检测眼底图像的诊断结果。

作为本发明实施例一种可选的实施方式，所述超分辨网络模型依次包括：卷积层、激活层、至少一个特征提取层以及至少一个上采样层。

作为本发明实施例一种可选的实施方式，所述病灶分割网络模型包括：由多级串联结构的编码器组成的编码器组件、由多级串联结构的解码器组成的解码器组件、特征传递组件、以及多尺度分析组件；

所述编码器组件用于对所述第一特征图像进行处理，获取每一级编码器输出的第一特征；

所述解码器组件用于对所述第一特征进行处理，获取每一级解码器输出的第二特征；

所述特征传递组件用于对所述第二特征进行处理，获取每一级特征传递卷积层输出的第三特征；

所述多尺度分析组件用于对所述第一特征、所述第二特征以及所述第三特征进行处理，获取病灶分割特征。

作为本发明实施例一种可选的实施方式，所述青光眼分级网络模型依次包括：卷积层、最大池化层、至少一个残差块、全局池化层、空间金字塔池化层以及全连接层。

作为本发明实施例一种可选的实施方式，所述装置还包括：