[發明專利]基于深度學習處理眼底圖像的相關方法及設備

有效

• 申請號: 201710757936.2
• 申請日: 2017-08-29
• 公開（公告）號: CN109427052B
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 壽文卉;馬文婷;徐青青;張志鵬;許利群;徐玲;樊慶俠;韋世奎
• 申請（專利權）人: 中國移動通信有限公司研究院;中國移動通信集團公司;沈陽何氏眼科醫院有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 郭潤湘

1.一種基于深度學習的眼底圖像處理方法，其特征在于，所述方法包括：

以預設分割方式分割待處理眼底圖像，獲得至少一個分析圖像；

通過眼底圖像深度學習網絡模型對所述至少一個分析圖像進行分析，獲得至少一個中間圖像；所述至少一個中間圖像包含特征概率標記，特征概率標記用于標記圖像中的像素點為各種特征區域的概率；

融合所述至少一個中間圖像，以獲得包含特征標記的待處理眼底圖像；特征標記用于標記圖像中的像素點為何種特征區域；

其中，所述眼底圖像深度學習網絡模型為通過深度學習網絡對至少一個訓練圖像分別進行多層卷積計算，以迭代更新深度學習網絡模型獲得的；在每一次更新深度學習網絡模型的過程中，結合最后一層卷積計算獲得的特征圖及至少一個更新特征圖，更新深度學習網絡模型；更新特征圖為對一層卷積計算獲得的特征圖再次進行卷積計算獲得的特征圖；特征圖包含特征概率標記。

2.如權利要求1所述的方法，其特征在于，通過眼底圖像深度學習網絡模型對所述至少一個分析圖像進行分析，獲得至少一個中間圖像，包括：

針對所述至少一個分析圖像中的每個分析圖像執行以下操作：

通過眼底圖像深度學習網絡模型對分析圖像進行分析，確定并標記分析圖像的每個像素點的背景特征概率值和至少一種目標特征概率值；其中，背景特征概率值表示像素點不為任何目標特征區域的概率，目標特征概率值表示像素點為某種目標特征區域的概率。

3.如權利要求1或2所述的方法，其特征在于，融合所述至少一個中間圖像，以獲得包含特征標記的待處理眼底圖像，包括：

以與所述預設分割方式相逆的疊加拼接方式，疊加拼接所述至少一個中間圖像，以獲得包含特征概率標記的待處理眼底圖像；

針對包含特征概率標記的待處理眼底圖像中的每個像素點執行以下操作：

確定像素點的背景特征概率值、至少一種目標特征概率值中的最大值概率值；以與最大概率值對應的標記方式，標記像素點。

4.如權利要求3所述的方法，其特征在于，以與所述預設分割方式相逆的疊加拼接方式，疊加拼接所述至少一個中間圖像，以獲得包含特征概率標記的待處理眼底圖像，包括：

以與所述預設分割方式相逆的疊加拼接方式，疊加拼接所述至少一個中間圖像；在疊加拼接所述至少一個中間圖像的過程中，確定所述包含特征概率標記的待處理眼底圖像中發生重疊的像素點的背景特征概率值、至少一種目標特征概率值，分別為發生重疊的像素點在中間圖像中的對應概率值的均值。

5.一種眼底圖像深度學習網絡模型的生成方法，其特征在于，所述方法包括：

通過深度學習網絡對至少一個訓練圖像中各訓練圖像分別進行多層卷積計算，獲得所述各訓練圖像最后一層卷積計算得到的特征圖及至少一個更新特征圖；其中，更新特征圖為對一層卷積計算得到的特征圖再次進行卷積計算獲得的特征圖；特征圖包含特征概率標記，特征概率標記用于標記圖像中的像素點為各種特征區域的概率；

結合所述各訓練圖像最后一層卷積計算得到的特征圖及至少一個更新特征圖，迭代更新深度學習網絡模型，以獲得眼底圖像深度學習網絡模型。

6.如權利要求5所述的方法，其特征在于，結合所述各訓練圖像最后一層卷積計算得到的特征圖及至少一個更新特征圖，迭代更新深度學習網絡模型，包括：

疊加計算所述各訓練圖像最后一層卷積計算得到的特征圖及至少一個更新特征圖，以獲得所述各訓練圖像的特征概率標記圖；特征概率標記圖包含特征概率標記；

比較所述各訓練圖像的特征概率標記圖和所述各訓練圖像的參考標準ground truth圖像，獲得所述各訓練圖像的比較結果；其中，ground truth圖像包含特征標記，特征標記用于標記圖像中的像素點為何種特征區域；

根據所述各訓練圖像的比較結果，迭代更新深度學習網絡模型。