[发明专利]一种基于云端计算的糖尿病视网膜病变的识别方法及装置

说明书

本发明公开了一种基于云端计算的糖尿病视网膜病变的识别方法及装置。先获取标注好眼底图像病变区域的视网膜图像，再将标注好眼底图像病变区域的视网膜图像输入到基于Mask RCNN的视网膜眼底图像多病变分类网络模型中训练直至模型收敛。接着获取待诊断的眼底图片，最后将待诊断的眼底图片输入到训练完成的基于Mask RCNN的视网膜眼底图像多病变分类网络模型中，得到诊断结果。本发明基于图像识别技术实现了对糖尿病视网膜病变的诊断，提高了糖尿病视网膜病变的诊断准确性和诊断速度。

技术领域

本发明涉及人工智能的计算机视觉以及医学影像计算机处理技术领域，尤其涉及一种基于云端计算的糖尿病视网膜病变的识别方法及装置。

背景技术

糖尿病作为危害人类健康的常见疾病，一直受到研究者的关注。同时，逐年增多的糖尿病患者与分布不均衡的医疗资源也形成了日益凸显的尖锐矛盾。

因此，需要一种基于计算机处理技术的糖尿病视网膜病变的识别方法，从而提高糖尿病视网膜病变的诊断准确性和诊断速度。

发明内容

本发明通过提供一种基于云端计算的糖尿病视网膜病变的识别方法及装置，其能够提高糖尿病视网膜病变的诊断准确性和诊断速度。

本发明提供了一种基于云端计算的糖尿病视网膜病变的识别方法，包括：

获取标注好眼底图像病变区域的视网膜图像；

将所述标注好眼底图像病变区域的视网膜图像输入到基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中训练直至模型收敛；

获取待诊断的眼底图片；

将所述待诊断的眼底图片输入到训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到诊断结果。

具体来说，所述基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型的骨架网络采用的是 Resnet-101，在所述骨架网络中的Res4部分的最后一个模块前加入Non-local模块；

所述Non-local模块的表达式如下式所示：

其中，C(x)是标准化函数，用于归一化；而i是响应输出位置的索引，j是枚举所有可能位置的索引；x表示输入信息，y表示与x相同尺寸的输出信息；而f是计算相关性的函数，主要计算每个像素与其所有关联像素的关系；而一元函数g用于计算输入信息在位置j处的特征值。

具体来说，还包括：

在所述基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，将原先的分类交叉熵损失替换成 focal loss ；；其中，FL表示focalloss损失函数，p_t表示预测样本属于正确类的概率；α_t是权重因子，γ是聚焦参数。

具体来说，所述将所述待诊断的眼底图片输入到训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到诊断结果，包括：

将所述待诊断的眼底图片输入到所述训练完成的基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中，得到处理时间、病变的最大置信度、图像id和病变分割结果图。

具体来说，在得到所述病变分割结果图之后，还包括：

将所述病变分割结果图转换成二进制图像；

将所述二进制图像先用base64库编码，再解码成utf-8格式，以字符串的形式放在json格式中传输。

本发明还提供了一种基于云端计算的糖尿病视网膜病变的识别装置，包括：

视网膜图像获取模块，用于获取标注好眼底图像病变区域的视网膜图像；

网络模型训练模块，用于将所述标注好眼底图像病变区域的视网膜图像输入到基于 Mask RCNN 的视网膜眼底图像多病变分类网络模型中训练直至模型收敛；