一种视网膜的异常检测方法、装置、设备和存储介质与流程

本发明实施例涉及图像处理技术领域，尤其涉及一种视网膜的异常检测方法、视网膜的异常检测装置、设备和存储介质。

背景技术：

视网膜异常，如糖尿病视网膜病变(diabeticretinopathy，dr)、老年性黄斑病变(age-relatedmaculardegeneration，amd)、青光眼、病理性近视(pathologicalmyopia，pm)等是世界范围内导致视力下降的主要原因，同时也是失明的主要原因之一。

针对上述视网膜的异常，可以基于视网膜图像检测用户的视网膜是否异常，从而预防用户视力进一步受损甚至致盲。然而，基于视网膜图像的异常检测算法是采用已公开的有限的视网膜图像训练，在检测设备硬件存在差异和图像采集人员采集图像手法不一的情况下，现场采集到用户的视网膜图像存在质量差、采集到的视网膜图像和训练时使用的训练图像在图像风格上不一致的问题，使得基于视网膜图像的异常检测算法的泛化性和移植性较差，无法从采集到的视网膜图像中提取足够的准确图像特征用于异常检测，从而降低了视网膜异常检测的准确性。

综上，由于采集到的视网膜图像存在质量差和风格上的差异，从而造成视网膜的异常检测不准确的问题。

技术实现要素：

本发明实施例提供了一种视网膜的异常检测方法、装置、设备和存储介质，以实现对视网膜的异常进行准确检测，解决现有技术中视网膜图像存在质量差和风格差异，造成视网膜的异常检测不准确的问题。

第一方面，本发明实施例提供了一种视网膜的异常检测方法，包括：

获取一视网膜的原视网膜图像；

确定所述原视网膜图像的图像质量；

在所述图像质量符合预设的质量条件时，对所述原视网膜图像进行图像风格迁移预处理，得到目标视网膜图像；

根据所述目标视网膜图像确定所述视网膜的异常信息。

第二方面，本发明实施例提供了一种视网膜的异常检测装置，包括：

原视网膜图像获取模块，用于获取一视网膜的原视网膜图像；

图像质量确定模块，用于确定所述原视网膜图像的图像质量；

图像风格迁移模块，用于在所述图像质量符合预设的质量条件时，对所述原视网膜图像进行图像风格迁移预处理，得到目标视网膜图像；

异常信息确定模块，用于根据所述目标视网膜图像确定所述视网膜的异常信息。

第三方面，本发明实施例提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所述的视网膜的异常检测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所述的视网膜的异常检测方法。

本发明实施例提供了一种视网膜的异常检测方法，通过获取一视网膜的原视网膜图像，并确定原视网膜图像的图像质量，在图像质量符合预设的质量条件时，对原视网膜图像进行图像风格迁移预处理，得到目标视网膜图像，进而根据目标视网膜图像确定视网膜的异常信息，实现了在视网膜的异常检测前，确定视网膜图像的图像质量图和对视网膜图像进行风格迁移预处理，使得用于确定视网膜异常的视网膜图像为高质量和风格一致的图像，解决了视网膜图像存在质量差和风格差异，造成对视网膜的异常检测不准确的问题，能够从高质量和风格一致的目标视网膜图像中提取足够的准确图像特征用于视网膜的异常检测，提高了视网膜异常检测的准确性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1a为本发明实施例一提供的一种视网膜的异常检测方法的流程图；

图1b为本发明实施例提供的视网膜图像的示意图；

图1c为本发明实施例中手持式眼底设备采集图像到存储图像的示意图；

图2a为本发明实施例二提供的一种视网膜的异常检测方法的流程图；

图2b为本发明实施例二中用于确定图像质量评估值的深度神经网络的示意图；

图2c为本发明实施例二中确定图像风格迁移模型的示意图；

图2d为本发明实施例二中原始视网膜图像和目标视网膜图像的示意图；

图2e为本发明实施例二中基于视网膜图像确定视网膜的异常信息的示意图；

图3为本发明实施例三提供的一种视网膜的异常检测装置的结构示意图；

图4为本发明实施例四提供的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1a为本发明实施例一提供的一种视网膜的异常检测方法的流程图，本实施例可适用于通过视网膜图像进行视网膜的异常检测的应用情况中。本实施例提供的视网膜的异常检测方法可以由本发明实施例提供的视网膜的异常检测装置来执行，该装置可以通过软件和/或硬件的方式来实现，并集成在一设备中，如手持式设备、服务器、工作站等。具体的，参考图1a，该方法可以包括如下步骤：

s101、获取一视网膜的原视网膜图像。

其中，原视网膜图像为采用眼底相机对用户的左眼和右眼眼底进行拍摄获得的图像，如图1b所示为正常的视网膜图像和各种异常的视网膜图像的示意图，正常的视网膜图像显示包括视盘、血管、视网膜、视网膜血管、黄斑等生理结构，异常的视网膜图像则显示各种异常结构。如图1b中(a)为正常的视网膜图像，(b)为患有糖尿病视网膜疾病的视网膜图像，(c)为患有老年性黄斑疾病的视网膜图像，(d)为患有青光眼疾病的视网膜图像，(e)为患有病理性近视疾病的视网膜图像。

具体地，本发明实施例在进行视网膜的异常检测过程中，可以通过眼底相机采集用户的左眼和右眼的视网膜图像并存储。如图1c所示，眼底相机可以集成于可移动的手持式眼底设备上，手持式眼底设备采集用户的视网膜图像后，一方面可以通过数据线、有线网络、无线网络等连接方式与云端服务器连接，并将采集到的视网膜图像传输至云端服务器，以在云端服务器上基于视网膜图像进行视网膜的异常检测处理；另一方面，还可以将采集到的视网膜图像存储到手持式眼底设备的本地存储介质中，以在手持式眼底设备中进行视网膜的异常检测处理。

当然，眼底相机还可以集成在台式眼底设备上，通过台式眼底设备采集用户的视网膜图像，手持式眼底设备相对于台式眼底设备成本低，体积小，方便医生外出就诊，适用医疗硬件资源匮乏地区，而台式眼底设备则适用于医院的室内场所，在实际应用中，可以根据需要采用台式眼底设备或者手持式眼底设备采集用户的视网膜图像。

s102、确定所述原视网膜图像的图像质量。

在本发明实施例中，可以预先训练用于获取视网膜图像的图像质量评估值的神经网络，在获取到原视网膜图像后，可以将原视网膜图像输入该神经网络中获得图像质量评估值，并根据该评估值确定图像质量是否符合预设的质量条件，在图像质量符合预设的质量条件时，说明原视网膜图像能够清晰、完整地显示视网膜用于异常检测的结构特征，则执行s103，否则返回s101，例如生成重新获取视网膜图像的提示信息，以提示用户重新采集用户的视网膜图像。

本发明实施例通过确定原视网膜图像的图像质量，可以避免偏远地区医疗资源匮乏，人员采集图像不专业造成采集的视网膜图像的质量低的问题，进而避免了采用低质量的视网膜图像进行异常检测时，无法从低质量的视网膜图像中提取准确的图像特征导致视网膜的异常检测的准确率低，能够从符合质量条件的视网膜图像中提取足够的准确图像特征，提高了视网膜的异常检测的准确率。

s103、在所述图像质量符合预设的质量条件时，对所述原视网膜图像进行图像风格迁移预处理，得到目标视网膜图像。

在本发明实施例中，图像风格迁可以是利用算法学习目标图像的图像风格，然后将该图像风格应用到另外一张图像上，其中图像风格可以是目标图像的颜色、亮度等风格，比如颜色偏暖、亮度偏亮等。图像风格迁移在风格上进行了转换而保持图像中的内容信息不变。

具体到本发明实施例中，可以将图像质量符合预设质量条件的原视网膜图像输入预先训练的图像生成器中，通过该图像生成器对原视网膜图像进行图像风格迁移，生成目标视网膜图像。其中，目标视网膜图像在原视网膜图像的基础上，视网膜的结构特征保持不变，在颜色、亮度等图像显示风格上进行了转换。

通过图像风格迁移预处理，消除了用户采用手持式眼底设备采集图像时采集手法不一致以及图像采集设备因硬件差异造成采集的原视网膜图像在风格上的差异，可以获得适用于视网膜的异常检测算法的风格的目标视网膜图像，使得异常检测算法可适用于不同的硬件设备和不同的水平的用户，提高了异常检测算法的泛化性和可移植性，异常检测算法能够从符合其风格的原视网膜图像中提取足够的准确图像特征，进一步提高了视网膜的异常检测的准确率。

s104、根据所述目标视网膜图像确定所述视网膜的异常信息。

在实际应用中，可以获取用户的左眼和右眼的目标视网膜图像，然后根据目标视网膜图像确定左眼和右眼的异常信息，可选地，可以将目标视网膜图像输入预先训练的模型中提取异常信息，其中，异常信息可以包括异常的名称和异常的风险值，将左右和右眼的视网膜的异常信息组合后可以生成异常报告。

本发明实施例提供了一种视网膜的异常检测方法，实现了在视网膜的异常检测前，确定视网膜图像的图像质量图和对视网膜图像进行风格迁移预处理，使得用于确定视网膜异常的视网膜图像为高质量和风格一致的图像，解决了视网膜图像存在质量差和风格差异，造成对视网膜的异常检测不准确的问题，能够从高质量和风格一致的目标视网膜图像中提取足够的准确图像特征用于视网膜的异常检测，提高了视网膜异常检测的准确性。

实施例二

图2a为本发明实施例二提供的一种视网膜的异常检测方法的流程图，本实施例在实施例一的基础上，对确定原视网膜图像的图像质量和图像风格迁移预处理生成目标视网膜图像进行优化，具体的，参考图2a，该方法可以包括如下步骤：

s201、获取一视网膜的原视网膜图像。

s202、对所述原视网膜图像进行处理以确定评估值，所述评估值用于表达所述原视网膜图像的图像质量。

在本发明实施例中，可以预先训练一深度神经网络来获得图像质量的评估值，具体地，可以使用眼底相机采集一定数量的视网膜图像作为训练图像x，并根据训练图像x是否可用于视网膜的异常检测进行标注，获得每个训练图像应图像x的标签y。由训练图像x和标签y共同组成训练样本，将训练图像x输入深度神经网络后，通过前向传播获得预测值y1，再通过损失函数计算y和y1的损失值，采用该损失值反向传播，经过多次迭代优化深度神经网络参数，最终获得最优模型参数。

如图2b所示为用于获取图像质量的评估值的深度神经网络的示意图，在图2b中，可以将原视网膜图像输入该深度神经网络中，深度神经网络中的不同层卷积核进行卷积操作，依次获取原视网膜图像的不同层的特征向量，并将特征向量输入到全连接层中，该全连接层输入的结点数是特征向量的个数，输出结点数为2，代表2种图像质量评估值。

s203、判断所述评估值是否为预设的目标值。

在一个示例中，为节省计算机运算资源，用于表达图像质量的评估值可以设置为0或1，其中，若评估值为1，视网膜图像的质量较良好，可用于视网膜的异常检测，执行s204；若评估值为0，代表视网膜图像的质量较差，不可用于视网膜的异常检测，执行s205。

当然，除了0和1之外，还可以设置其他评估值，例如，代表优的0、代表良的1、代表差的2，等等，本发明实施例对此不加以限制。

s204、确定所述图像质量符合预设的质量条件。

如果图像质量的评估值为目标值，例如在本发明实施例中评估值为1，则代表图像质量符合预设的质量条件，可用于视网膜的异常检测，执行s206。

s205、确定所述评图像质量不符合预设的质量条件，返回s101。

如果图像质量的评估值不是目标值，例如在本发明实施例中评估值为0，则代表图像质量符合不预设的质量条件，需要提示用户重新采集用户的视网膜图像，以便获得符合质量条件的视网膜图像，则可以生成重新采集视网膜图像的提示信息并返回s201。

本发明实施例中，通过对原视网膜图像进行处理获得图像质量的评估值，在评估值为目标评估值时确定原视网膜的图像质量符合预设质量条件，可用于视网膜的异常检测，否则图像质量不符合预设质量条件，则返回重新获取视网膜图像的步骤，可以避免采用低质量的视网膜图像进行异常检测造成准确率低的问题，提高了视网膜的异常检测的准确率。

s206、确定图像风格迁移模型，所述图像风格迁移模型用于图像风格迁移。

在本发明实施例中，图像风格迁移模型可以对输入至模型中的图像进行图像风格迁移处理，使得风格迁移后的图像与视网膜的异常检测算法所使用的图像在风格上一致。

具体地，如图2c所示，可以获取第一训练视网膜图像x，并确定第一图像生成器gxy和第二图像生成器gyx。

其中，第一图像生成器gxy用于图像风格迁移预处理，第二图像生成器gyx用于图像还原风格。

在一个示例中，第一图像生成器gxy和第二图像生成器gyx可以为深度神经网络，也可以为机器学习模型，如svm(supportvectormachine，支持向量机)、adaboost(一种迭代算法)等，本发明实施例对此不加以限制。

将第一训练视网膜图像x输入第一图像生成器gxy中进行风格迁移预处理，获得图像风格迁移后的第二训练视网膜图像y，将第二训练视网膜图像y输入第二图像生成器gyx中进行图像风格还原，获得第三训练视网膜图像x′，然后采用第一训练视网膜图像x、第二训练视网膜图像y以及第三训练视网膜图像x′对第一图像生成器gxy进行调整，最终调整后的第一图像生成器gxy即为图像风格迁移模型。

在对第一图像生成器gxy调整过程中，可以通过预先训练的网络vgg19等模型从第一训练视网膜图像x中提取第一视网膜结构特征，以及从第二训练视网膜图像y中提取第二视网膜结构特征，并计算第一视网膜结构特征和第二视网膜结构特征之间的第一损失值，同时计算第一训练视网膜图像x和第三训练视网膜图像x′之间的第二损失值，然后采用第一损失值和第二损失值对第一图像生成器gxy进行调整，例如，采用第一损失值和第二损失值对第一图像生成器gxy进行反向传播，优化第一图像生成器gxy的参数，得到最优的第一图像生成器gxy即为图像风格迁移模型。

在实际应用中，图像风格迁移模型可以离线训练，也可以是在线训练，当离线训练好图像风格迁移模型后，可以直接调用该图像风格迁移模型。

s207、将所述原视网膜图像输入所述图像风格迁移模型中进行处理，以生成目标视网膜图像。

如图2d所示，通过训练好的图像风格迁移模型，输入图2d中(a)所示的原视网膜图像，则可以生成图2d中(b)所示的目标视网膜图像，原视网膜图像和目标视网膜图像在结构上保持一致，在图像风格上进行了迁移，比如图2d中(a)所示的原视网膜图像的图像风格偏暗，图像风格迁移后图2d中(b)所示的目标视网膜图像相对于原视网膜图像明亮。

本发明实施例中，图像风格迁移预处理可以将原视网膜图像的图像风格迁移生成目标视网膜图像，目标视网膜图像的图像风格和视网膜异常检测算法所使用的图像的风格一致，从而使得视网膜异常检测算法具有良好的泛化性和移植性，避免了采集视网膜图像的设备存在硬件上的差异造成视网膜图像风格不一致，导致视网膜异常检测算法性能下降准备率低的问题，通过图像风格迁移预处理可以获得合适风格的目标视网膜图像，可以从该目标视网膜图像中提取足够的、准确的图像特征，提高了视网膜异常检测的准确率。

s208、基于所述目标视网膜图像确定所述视网膜是否异常。

本发明实施例中，获得目标视网膜图像后，可以将视网膜图像输入预先训练好的深度神经网络和分类器中，通过深度神经网络和分类器确定视网膜是否异常，如果确定视网膜异常则执行s209。例如，将目标视网膜图像输入深度神经网络和分类器中，预测视网膜异常的风险值，如果风险值大于预设的阈值则确定视网膜异常，否则确定视网膜正常。

s209、将所述目标视网膜图像分别输入多个预设的异常预测网络中进行处理，得到多个分特征向量，所述分特征向量用于表达所述视网膜处于一种异常的特征。

在实际应用中，视网膜异常可以包括多种，则可以将目标视网膜图像分别输入为多种异常训练的异常预测网络中，以从目标视网膜图像中提取属于每一种异常的分特征向量，例如，分别输入dr、amd、青光眼以及pm异常预测网络提取相关的分特征向量。

s210、将所述分特征向量组合为总特征向量。

多个异常预测网络提取的是属于每种异常对应的分特征向量，则可以将各个分特征向量组合为总特征向量。

s211、将所述总特征向量输入预设的全连接神经网络分类器中进行处理，获得多个风险值，所述风险值用于表达所述视网膜处于一种异常的风险。

在得到总特征向量后，可以加个总特征向量输入全连接神经网络分类器中，以获得各种视网膜异常的风险值，无需单独对每一种视网膜异常的风险值进行预测，提高了视网膜异常检测的效率。

为了是本领域技术人员更清楚地理解s208-s211，以下结合图2c对s208-s211进行示例说明。

如图2e所示，在获得目标视网膜图像y后，将目标视网膜图像输入深度神经网络和分类器中提取视网膜异常的风险值，如果该风险值大于预设的阈值，比如风险值大于40％，则确定该视网膜存在异常，则将目标视网膜图像y分别输入dr异常预测网络、amd异常预测网络、青光眼异常预测网络和pm异常预测网络中，分别提取分特征向量，将分特征向量连接后输入分类器中进行分类预测，分别得到视网膜在dr异常、amd异常、青光眼异常和pm异常的风险值，对于一位用户，分别对用户的左眼和右眼的目标视网膜图像执行上述处理，即可以得到用户左眼和右眼的视网膜的异常信息，比如，左眼和右眼分别对应的dr异常、amd异常、青光眼异常和pm异常的风险值。

本发明实施例中，先基于目标视网膜图像确定视网膜是否异常，在视网膜异常时通过多个预设的异常预测网络提取视网膜的多种异常对应的分特征向量，在将分特征向量组合为总特征向量后输入分类器预测视网膜在多种异常上的风险值，一方面，先确定视网膜是否异常再确定各异常风险值，更加符合医生的需求，另一方面，一次对多种异常的风险值进行预测，可以提高视网膜异常检测的效率，医生也可以一次性获知多种异常的风险值，无需医生多次确定异常，减轻了医生的工作量。

实施例三

图3为本发明实施例三提供的一种视网膜的异常检测装置的结构示意图，具体的，如图3所示，该装置可以包括：

原视网膜图像获取模块301，用于获取一视网膜的原视网膜图像；

图像质量确定模块302，用于确定所述原视网膜图像的图像质量；

图像风格迁移模块303，用于在所述图像质量符合预设的质量条件时，对所述原视网膜图像进行图像风格迁移预处理，得到目标视网膜图像；

异常信息确定模块304，用于根据所述目标视网膜图像确定所述视网膜的异常信息。

可选地，图像质量确定模块302包括：

评估值确定子模块，用于对所述原视网膜图像进行处理以确定评估值，所述评估值用于表达所述原视网膜图像的图像质量；

判断子模块，用于判断所述评估值是否为预设的目标值；

第一图像质量确定子模块，用于确定所述图像质量符合预设的质量条件；

第二图像质量确定子模块，用于确定所述评图像质量不符合预设的质量条件，返回原视网膜图像获取模块。

可选地，所述图像风格迁移模块303包括：

风格迁移模型确定子模块，用于确定图像风格迁移模型，所述图像风格迁移模型用于图像风格迁移预处理；

目标视网膜图像生成子模块，用于将所述原视网膜图像输入所述图像风格迁移模型中进行处理，以生成目标视网膜图像。

可选地，所述风格迁移模型确定子模块包括：

第一训练图像获取单元，用于获取第一训练视网膜图像；

图像生成器确定单元，用于确定第一图像生成器、第二图像生成器，所述第一图像生成器用于图像风格迁移预处理，所述第二图像生成器用于图像还原风格；

第二训练图像获取单元，用于将所述第一训练视网膜图像输入所述第一图像生成器中进行风格迁移，获得第二训练视网膜图像；

第三训练图像获取单元，用于将所述第二训练视网膜图像输入所述第二图像生成器中进行风格还原，获得第三训练视网膜图像；

调整单元，用于采用所述第一训练视网膜图像、所述第二训练视网膜图像以及所述第三训练视网膜图像对所述第一图像生成器进行调整，以得到图像风格迁移模型。

可选地，所调整单元包括：

结构特征提取子单元，用于从所述第一训练视网膜图像中提取第一视网膜结构特征，以及从所述第二训练视网膜图像中提取第二视网膜结构特征；

第一损失值计算子单元，用于计算所述第一视网膜结构特征和所述第二视网膜结构特征之间的第一损失值；

第二损失值计算子单元，用于计算所述第一训练视网膜图像和所述第三训练视网膜图像之间的第二损失值；

调整子单元，用于采用所述第一损失值和所述第二损失值对所述第一图像生成器进行调整，以得到图像风格迁移模型。

可选地，还包括：

风险值确定模块，用于基于所述目标视网膜图像确定所述视网膜异常的风险值，

风险值判断模块，用于如果所述风险值大于预设的阈值，则进入异常信息确定模块。

可选地，所述异常信息确定模块304包括：

分特征向量提取子模块，用于将所述目标视网膜图像分别输入多个预设的异常预测网络中进行处理，得到多个分特征向量，所述分特征向量用于表达所述视网膜处于一种异常的特征；

总特征向量组合子模块，用于将所述分特征向量组合为总特征向量；

风险值获取子模块，用于将所述总特征向量输入预设的全连接神经网络分类器中进行处理，获得多个风险值，所述风险值用于表达所述视网膜处于一种异常的风险。

本实施例提供的视网膜的异常检测装置可执行上述任意实施例提供的视网膜的异常检测方法，具备相应的功能和有益效果。

实施例四

参照图4，示出了本发明一个示例中的一种设备的结构示意图。如图4所示，该设备具体可以包括：处理器40、存储器41、具有触摸功能的显示屏42、输入装置43、输出装置44以及通信装置45。该设备中处理器40的数量可以是一个或者多个，图4中以一个处理器40为例。该设备中存储器41的数量可以是一个或者多个，图4中以一个存储器41为例。该设备的处理器40、存储器41、显示屏42、输入装置43、输出装置44以及通信装置45可以通过总线或者其他方式连接，图4中以通过总线连接为例。

存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的视网膜的异常检测方法对应的程序指令/模块(例如，上述视网膜的异常装置中的原视网膜图像获取模块301、图像质量确定模块302、图像风格迁移模块303和异常信息确定模块304)，存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

显示屏42为具有触摸功能的显示屏42，其可以是电容屏、电磁屏或者红外屏。一般而言，显示屏42用于根据处理器40的指示显示数据，还用于接收作用于显示屏42的触摸操作，并将相应的信号发送至处理器40或其他装置。可选的，当显示屏42为红外屏时，其还包括红外触摸框，该红外触摸框设置在显示屏42的四周，其还可以用于接收红外信号，并将该红外信号发送至处理器40或者其他设备。

通信装置45，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。

输入装置43可用于接收输入的数字或者字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取视网膜图像的摄像头以及获取音频数据的拾音设备。输出装置44可以包括扬声器等音频设备。需要说明的是，输入装置43和输出装置44的具体组成可以根据实际情况设定。

处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述视网膜的异常检测方法。

具体地，实施例中，处理器40执行存储器41中存储的一个或多个程序时，具体实现本发明实施例提供的视网膜的异常检测方法的步骤。

实施例五

本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可实现本发明任意实施例中的视网膜的异常检测方法。该方法具体可以包括：

获取一视网膜的原视网膜图像；

确定所述原视网膜图像的图像质量；

在所述图像质量符合预设的质量条件时，对所述原视网膜图像进行图像风格迁移预处理，得到目标视网膜图像；

根据所述目标视网膜图像确定所述视网膜的异常信息。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明应用于设备上任意实施例所提供的视网膜的异常检测方法中的相关操作。

需要说明的是，对于装置、设备、存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述视网膜的异常检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。