技术特征：
1.一种利用迁移学习的眼底图像质量评价装置，其特征在于，包括：眼底图像获取部，其获取学习数据集并输出，其中，所述学习数据集为低质量的多个眼底图像及高质量的多个眼底图像；迁移学习部，将平均池化2d层、扁平层及全连接层设于从图像提取特征的卷积神经网络人工智能模型上，并接收所述学习数据集来执行迁移学习，从而生成用于评价所述眼底图像的质量的眼底图像质量评价模型；评价图像获取部，其获取待评价的评价对象眼底图像并输出；及图像质量评价部，其接收所述眼底图像质量评价模型并驱动，且将所述评价对象眼底图像适用于所述眼底图像质量评价模型来评价所述评价对象眼底图像的质量，并输出评价结果。2.根据权利要求1所述的利用迁移学习的眼底图像质量评价装置，其特征在于，还包括：图像预处理部，其执行对所述学习数据集的眼底图像及所述评价对象眼底图像的尺寸及数量进行调节的数据预处理并输出。3.根据权利要求2所述的利用迁移学习的眼底图像质量评价装置，其特征在于，所述图像预处理部包括：感兴趣区域获取部，其对所述学习数据集的眼底图像及所述评价对象眼底图像的尺寸进行调节，并提取感兴趣区域；及图像增量部，其增加所述学习数据集的眼底图像及所述评价对象眼底图像的图像数量。4.根据权利要求3所述的利用迁移学习的眼底图像质量评价装置，其特征在于，所述感兴趣区域获取部包括：背景画面去除部，其去除所述眼底图像的背景画面；掩膜部，其掩膜所述眼底图像的视神经盘部分并获取；及图像改善部，其降低所述掩膜的强度梯度特性且增加对比度并输出。5.根据权利要求1所述的利用迁移学习的眼底图像质量评价装置，其特征在于，所述图像获取部获取数据集，其中，所述数据集包括125个高质量的眼底图像、69个低质量的眼底图像及未使用的22个外层眼底图像。6.一种利用迁移学习的眼底图像质量评价方法，其特征在于，包括：眼底图像获取步骤，眼底图像获取部获取学习数据集并输出，其中，所述学习数据集为低质量的多个眼底图像及高质量的多个眼底图像；迁移学习步骤，迁移学习部将平均池化2d层、扁平层及全连接层设于从图像提取特征的卷积神经网络人工智能模型上，并接收所述学习数据集来执行迁移学习，从而生成用于评价所述眼底图像的质量的眼底图像质量评价模型；评价图像获取步骤，评价图像获取部从光学相干断层视频摄像机获取待评价的评价对象眼底图像并输出；及图像质量评价步骤，图像质量评价部接收所述眼底图像质量评价模型并驱动，且将所述评价对象眼底图像适用于所述眼底图像质量评价模型来评价所述评价对象眼底图像的质量，并输出评价结果。
7.根据权利要求6所述的利用迁移学习的眼底图像质量评价方法，其特征在于，还包括：图像预处理步骤，图像预处理部执行对从所述眼底图像获取部输出的所述学习数据集的眼底图像及从评价图像获取部输出的所述评价对象眼底图像的尺寸及数量进行调节的数据预处理并输出。8.根据权利要求7所述的利用迁移学习的眼底图像质量评价方法，其特征在于，所述图像预处理步骤包括：感兴趣区域获取步骤，调节所述学习数据集的眼底图像及所述评价对象眼底图像的尺寸，并提取感兴趣区域；及图像增量步骤，增加所述学习数据集的眼底图像及所述评价对象眼底图像的图像数量。9.根据权利要求8所述的利用迁移学习的眼底图像质量评价方法，其特征在于，所述感兴趣区域获取步骤包括：背景画面去除步骤，去除所述眼底图像的背景画面；掩膜步骤，掩膜所述眼底图像的视神经盘部分并获取；及图像改善步骤，降低所述掩膜的强度梯度特性且增加对比度并输出。
技术总结
本发明涉及眼底图像质量评价装置及方法，更具体地，涉及一种利用迁移学习的眼底图像质量评价装置及方法，其利用使用卷积神经网络(Convolution Neural Network，CNN)模型的迁移学习，对所获取的眼底图像进行数据预处理后，评价眼底图像的质量，从而丢弃低质量的图像，仅将高质量的图像应用于学习，其中，卷积神经网络是对一般图像进行学习的图像分类人工智能模型。智能模型。智能模型。
技术研发人员：南润荣
受保护的技术使用者：顺天乡大学校产学协力团
技术研发日：2020.09.03
技术公布日：2022/2/23