[發明專利]基于深度學習的處理眼底圖像的方法和裝置

在審

• 申請號: 201610992731.8
• 申請日: 2016-11-11
• 公開（公告）號: CN108095683A
• 公開（公告）日: 2018-06-01
• 發明（設計）人: 白海龍;丁鵬;王璋;徐通
• 申請（專利權）人: 北京羽醫甘藍信息技術有限公司
• 主分類號: A61B3/12
• 分類號: A61B3/12;A61B3/14;G06T7/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的處理眼底圖像的方法，其特征在于，包括：

步驟A：獲取多個原始樣本眼底圖像以及對應的病變等級參數；

步驟B：對所述多個原始樣本眼底圖像進行圖像預處理操作和圖像數據增強操作，得到多個訓練樣本眼底圖像；

步驟C：對多個所述訓練樣本眼底圖像以及對應的病變等級參數進行深度網絡訓練，得到眼底病變等級識別模型；

步驟D：將測試眼底圖像輸入所述眼底病變等級識別模型，得到病變等級識別結果。

2.根據權利要求1所述的基于深度學習的處理眼底圖像的方法，其特征在于，所述圖像預處理操作包括：色彩平均化操作、去黑邊操作、圖像尺寸統一化操作中的至少一種。

3.根據權利要求1所述的基于深度學習的處理眼底圖像的方法，其特征在于，對所述多個原始樣本眼底圖像進行圖像預處理操作的步驟包括：

用高斯模糊計算所述原始樣本眼底圖像的局部色彩平均值，將所述原始樣本眼底圖像減去所述局部色彩平均值然后補償中性灰，得到色彩平均化處理結果圖像；

裁剪所述色彩平均化處理結果圖像的周圍黑邊，得到裁剪處理結果圖像；

將所述裁剪處理結果圖像進行等比例縮放至預設尺寸，以得到縮放處理結果圖像。

4.根據權利要求1所述的基于深度學習的處理眼底圖像的方法，其特征在于，所述數據增強操作包括：基于任意角度旋轉的數據增強、基于鏡像操作的數據增強、基于按比例放大操作的數據增強中的至少一種。

5.根據權利要求1所述的基于深度學習的處理眼底圖像的方法，其特征在于，所述步驟C包括：采用包括X個卷積層、Y個全連接層、X+Y個激活層，Z個池化層以及一個損失層的網絡結構對多個所述訓練樣本眼底圖像進行深度網絡訓練，得到眼底病變等級識別模型，其中X≥10，1≤Y≤5，3≤Z≤5。

6.一種基于深度學習的處理眼底圖像的裝置，其特征在于，包括：

獲取模塊，用于獲取多個原始樣本眼底圖像以及對應的病變等級參數；

操作模塊，用于對所述多個原始樣本眼底圖像進行圖像預處理操作和圖像數據增強操作，得到多個訓練樣本眼底圖像；

訓練模塊，用于對多個所述訓練樣本眼底圖像以及對應的病變等級參數進行深度網絡訓練，得到眼底病變等級識別模型；

測試模塊，用于將測試眼底圖像輸入所述眼底病變等級識別模型，得到病變等級識別結果。

7.根據權利要求6所述的基于深度學習的處理眼底圖像的裝置，其特征在于，所述圖像預處理操作包括：色彩平均化操作、去黑邊操作、圖像尺寸統一化操作中的至少一種。

8.根據權利要求6所述的基于深度學習的處理眼底圖像的裝置，其特征在于，所述操作模塊還用于：

用高斯模糊計算所述原始樣本眼底圖像的局部色彩平均值，將所述原始樣本眼底圖像減去所述局部色彩平均值然后補償中性灰，得到色彩平均化處理結果圖像；

裁剪所述色彩平均化處理結果圖像的周圍黑邊，得到裁剪處理結果圖像；

將所述裁剪處理結果圖像進行等比例縮放至預設尺寸，以得到縮放處理結果圖像。

9.根據權利要求6所述的基于深度學習的處理眼底圖像的裝置，其特征在于，所述數據增強操作包括：基于任意角度旋轉的數據增強、基于鏡像操作的數據增強、基于按比例放大操作的數據增強中的至少一種。

10.根據權利要求6所述的基于深度學習的處理眼底圖像的裝置，其特征在于，所述訓練模塊還用于：采用包括X個卷積層、Y個全連接層、X+Y個激活層，Z個池化層以及一個損失層的網絡結構對多個所述訓練樣本眼底圖像進行深度網絡訓練，得到眼底病變等級識別模型，其中X≥10，1≤Y≤5，3≤Z≤5。