[发明专利]基于紧框标的眼底图像的识别装置及识别方法

说明书

本公开描述了一种基于紧框标的眼底图像的识别装置及识别方法，该识别装置包括获取模块、网络模块和识别模块，获取模块配置为获取眼底图像；网络模块配置为接收眼底图像获取第一输出和第二输出，第一输出包括眼底图像中的各个像素点属于视杯和/或视盘的类别的概率，第二输出包括眼底图像中各个像素点的位置与每个类别的目标的紧框标的偏移，网络模块包括骨干网络、分割网络、以及基于边框回归的回归网络，骨干网络用于提取眼底图像的特征图，分割网络将特征图作为输入以获得第一输出，回归网络将特征图作为输入以获得第二输出；以及识别模块配置为基于第一输出和第二输出对目标进行识别以获取眼底图像中的视杯和/或视盘的紧框标。

本申请是申请日为2021年10月19日、申请号为202111216625.8、发明名称为基于紧框标的深度学习的眼底图像的测量方法及测量装置的专利申请的分案申请。

技术领域

本公开大体涉及基于深度学习的识别技术领域，具体涉及一种基于紧框标的眼底图像的识别装置及识别方法。

背景技术

眼底图像中常常包括各种目标的信息，基于图像处理技术识别眼底图像中目标的信息可以自动对眼底的目标进行分析。例如可以对眼底图像中的视杯和/或视盘进行识别，进而能够测量视杯和/或视盘的尺寸以监测视杯和/或视盘的变化。

近年，以深度学习为代表的人工智能技术得到了显著地发展，其在目标识别或测量等方面的应用也越来越得到关注。研究者们利用深度学习技术对图像中的目标进行识别或进行进一步地测量。具体而言，在一些基于深度学习的研究中，常常利用标注数据对基于深度学习的神经网络进行训练以对眼底图像中的视杯和/或视盘进行识别并分割出该视杯和/或视盘，进而能够对该视杯和/或视盘进行测量。

然而，上述的目标识别或测量的方法常常需要精确的像素级别的标注数据用于神经网络的训练，而采集像素级别的标注数据常常需要耗费大量的人力和物力。另外，一些目标识别的方法虽然不是基于像素级别的标注数据，但仅仅是识别眼底图像中的视杯和/或视盘，对视杯和/或视盘的边界识别还不够精确或在靠近眼底图像中的视杯和/或视盘的边界位置往往精度较低，不适用于要求精确测量的场景。在这种情况下，对眼底图像中的视杯和/或视盘进行测量的精确性还有待于提高。

发明内容

本公开是有鉴于上述的状况而提出的，其目的在于提供一种能够识别视杯和/或视盘且能够精确地对视杯和/或视盘进行测量的基于紧框标的深度学习的眼底图像的测量方法及测量装置。

为此，本公开第一方面提供了一种基于紧框标的深度学习的眼底图像的测量方法，是利用基于目标的紧框标进行训练的网络模块对眼底图像中的至少一个目标进行识别从而实现测量的测量方法，所述至少一个目标为视杯和/或视盘，所述紧框标为所述目标的最小外接矩形，所述测量方法包括：获取眼底图像；将所述眼底图像输入所述网络模块以获取第一输出和第二输出，所述第一输出包括所述眼底图像中的各个像素点属于视杯和/或视盘的类别的概率，所述第二输出包括所述眼底图像中各个像素点的位置与每个类别的目标的紧框标的偏移，将所述第二输出中的偏移作为目标偏移，其中，所述网络模块包括骨干网络、基于弱监督学习的图像分割的分割网络、以及基于边框回归的回归网络，所述骨干网络用于提取所述眼底图像的特征图，所述分割网络将所述特征图作为输入以获得所述第一输出，所述回归网络将所述特征图作为输入以获得所述第二输出，其中，所述特征图与所述眼底图像的分辨率一致；基于所述第一输出和所述第二输出对所述目标进行识别以获取所述眼底图像中的视杯和/或视盘的紧框标从而实现测量。

在本公开中，构建包括骨干网络、基于弱监督学习的图像分割的分割网络和基于边框回归的回归网络的网络模块，网络模块是基于目标的紧框标进行训练的，骨干网络接收眼底图像并提取与眼底图像分辨率一致的特征图，将特征图分别输入分割网络和回归网络以获取第一输出和第二输出，然后基于第一输出和第二输出获取眼底图像中视杯和/或视盘的紧框标从而实现测量。在这种情况下，基于视杯和/或视盘的紧框标训练的网络模块能够精确地预测眼底图像中视杯和/或视盘的紧框标，进而能够基于视杯和/或视盘的紧框标进行精确地测量。