一种荧光素眼底血管造影图像的处理系统及装置

1.本技术涉及计算机视觉技术领域，尤其涉及一种荧光素眼底血管造影图像的处理系统及装置。


背景技术：

2.视网膜病变有较多分类，比如糖尿病视网膜病变（diabetic retinopathy, dr）、视网膜分支静脉阻塞(branch retinal vein occlusion，brvo)、视网膜中央静脉阻塞(central retinal vein occlusion，crvo)及视网膜血管炎等；荧光素眼底血管造影(fundus fluorescein angiography，ffa)可以反映视网膜血管及灌注情况。然而，现有技术中只有针对糖尿病视网膜病变（dr）中无灌注区的分割和定位，存在不仅未实现病变的量化，而且无法对其他视网膜病变进行处理，适用性差的问题。


技术实现要素：

3.本技术提供了一种荧光素眼底血管造影图像的处理系统及装置，可以分割荧光素眼底血管造影图像中的病变区域及病变区域中的无灌注区，实现病变量化且适用于多种视网膜病变。
4.第一方面，本技术实施例提供了一种荧光素眼底血管造影图像的处理系统，该系统包括：图像预处理模块，用于获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理，荧光素眼底血管造影图像为预设的多种视网膜病变中任一种视网膜病变的荧光素眼底血管造影图像；病变区域及病变区域内无灌注区分割模块，用于通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区，语义分割模型是基于多种视网膜病变分别对应的荧光素眼底血管造影图像训练而得到的；缺血指数计算模块，用于获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。
5.基于上述实施例，在一些实施方式中，预设的多种视网膜病变包括糖尿病视网膜病变、视网膜分支静脉阻塞、视网膜中央静脉阻塞及视网膜血管炎；在荧光素眼底血管造影图像为糖尿病视网膜病变的荧光素眼底血管造影图像时，病变区域分割模块确定的病变区域为荧光素眼底血管造影图像中的整个视网膜区域；在荧光素眼底血管造影图像为视网膜分支静脉阻塞、视网膜中央静脉阻塞或视网膜血管炎的荧光素眼底血管造影图像时，病变区域及病变区域内无灌注区分割模块确定的病变区域为荧光素眼底血管造影图像中的视网膜分支静脉阻塞、视网膜中央静脉阻塞或视网膜血管炎的病变区域。
6.进一步地，该系统还包括模型训练模块，该模型训练模块包括：
原始图像采集单元，用于采集原始图像以创建原始图像集，原始图像为糖尿病视网膜病变或视网膜分支静脉阻塞的荧光素眼底血管造影图像，原始图像集中包括糖尿病视网膜病变和视网膜分支静脉阻塞的荧光素眼底血管造影图像；原始图像预处理单元，用于对原始图像集中的每张原始图像进行预处理，并从原始图像集中删除不符合预设标准的原始图像，得到已预处理图像集；图像标注单元，用于对已预处理图像集中的每张已预处理图像进行标注，得到标注图像集；其中，在已预处理图像为糖尿病视网膜病变的荧光素眼底血管造影图像时，对无灌注区进行标注；在已预处理图像为视网膜分支静脉阻塞的荧光素眼底血管造影图像时，分别对无灌注区和视网膜分支静脉阻塞病变的区域进行标注；图像分配单元，用于按照预设比例将标注图像集中的各张标注图像随机分配到训练集和第一测试集；模型构建单元，用于构建一个基于卷积神经网络的语义分割模型；模型训练单元，用于通过训练集中的标注图像对语义分割模型进行训练；模型验证单元，用于获取第二测试集，并分别使用第一测试集和第二测试集中的图像对训练后的语义分割模型进行验证，以得到预先训练的语义分割模型；第二测试集中包括多种视网膜病变中除糖尿病视网膜病变和视网膜分支静脉阻塞以外的至少一种视网膜病变的荧光素眼底血管造影图像。
7.进一步地，该系统还包括图像显示模块；图像显示模块用于显示荧光素眼底血管造影图像，并在荧光素眼底血管造影图像中使用不同的指定颜色显示病变区域和无灌注区；和/或，图像显示模块用于显示病变区域的面积值、无灌注区的面积值及荧光素眼底血管造影图像对应的适用于临床的缺血指数。
8.进一步地，荧光素眼底血管造影图像对应的适用于临床的缺血指数为荧光素眼底血管造影图像中的无灌注区面积占病变区域面积的比例值。
9.进一步地，预设的多种视网膜病变包括糖尿病视网膜病变、视网膜分支静脉阻塞、视网膜中央静脉阻塞以及视网膜血管炎中的至少两种。
10.第二方面，本技术另一实施例提供了一种荧光素眼底血管造影图像的处理装置，该装置包括计算机设备，计算机设备包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行如下步骤：获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理，荧光素眼底血管造影图像为预设的多种视网膜病变中任一种视网膜病变的荧光素眼底血管造影图像；通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区，语义分割模型是基于多种视网膜病变分别对应的荧光素眼底血管造影图像训练而得到的；获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。
11.进一步地，处理器调用存储器中的计算机程序时还执行如下步骤：采集原始图像以创建原始图像集，原始图像为糖尿病视网膜病变或视网膜分支静脉阻塞的荧光素眼底血管造影图像，原始图像集中包括糖尿病视网膜病变和视网膜分支静
脉阻塞的荧光素眼底血管造影图像；对原始图像集中的每张原始图像进行预处理，并从原始图像集中删除不符合预设标准的原始图像，得到已预处理图像集；对已预处理图像集中的每张已预处理图像进行标注，得到标注图像集；其中，在已预处理图像为糖尿病视网膜病变的荧光素眼底血管造影图像时，对无灌注区进行标注；在已预处理图像为视网膜分支静脉阻塞的荧光素眼底血管造影图像时，分别对无灌注区和视网膜分支静脉阻塞病变的区域进行标注；按照预设比例将标注图像集中的各张标注图像随机分配到训练集和第一测试集；构建一个基于卷积神经网络的语义分割模型；通过训练集中的标注图像对语义分割模型进行训练；获取第二测试集，并分别使用第一测试集和第二测试集中的图像对训练后的语义分割模型进行验证，以得到预先训练的语义分割模型；第二测试集中包括多种视网膜病变中除糖尿病视网膜病变和视网膜分支静脉阻塞以外的至少一种视网膜病变的荧光素眼底血管造影图像。
12.进一步地，处理器调用存储器中的计算机程序时还执行如下步骤：显示荧光素眼底血管造影图像，并在荧光素眼底血管造影图像中使用不同的指定颜色显示病变区域和无灌注区；和/或，显示病变区域的面积值、无灌注区的面积值及荧光素眼底血管造影图像对应的适用于临床的缺血指数。
13.第三方面，本技术又一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，所述计算机程序被处理器执行时实现如下步骤：获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理，荧光素眼底血管造影图像为预设的多种视网膜病变中任一种视网膜病变的荧光素眼底血管造影图像；通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区，语义分割模型是基于多种视网膜病变分别对应的荧光素眼底血管造影图像训练而得到的；获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。
14.综上所述，与现有技术相比，本技术提供的技术方案带来的有益效果至少包括：本技术提供的一种荧光素眼底血管造影图像的处理系统，可以通过图像预处理模块获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理；然后通过语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区，并获取病变区域的面积值和无灌注区的面积值，计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数，即患者可视范围内的视网膜的缺血程度的值，提供了更直观的缺血指数以供临床参考。其中，语义分割模型是基于多种视网膜病变的荧光素眼底血管造影图像训练而得到的，因此该系统能适用于多种视网膜病变的荧光素眼底血管造影图像处理，具备更好的适用性。
附图说明
15.图1为本技术一个示例性实施例提供的荧光素眼底血管造影图像的处理系统的结构图。
16.图2为本技术另一个示例性实施例提供的荧光素眼底血管造影图像的处理系统的结构图。
17.图3为本技术另一个示例性实施例提供的模型训练模块的结构图。
18.图4为本技术又一个示例性实施例提供的荧光素眼底血管造影图像的处理系统的结构图。
19.图5为本技术一个示例性实施例提供的荧光素眼底血管造影图像的处理装置执行步骤的流程图。
20.图6为本技术一个示例性实施例提供的荧光素眼底血管造影图像的处理装置执行的模型训练步骤的流程图。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
22.实施例一：请参见图1，本技术的一个实施例提供了一种荧光素眼底血管造影图像的处理系统，该系统包括：图像预处理模块100，用于获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理，荧光素眼底血管造影图像为预设的多种视网膜病变中任一种视网膜病变的荧光素眼底血管造影图像。
23.其中，待处理的荧光素眼底血管造影图像可采用55度的荧光素眼底血管造影图像（ffa图像）；预设的多种视网膜病变可以包括糖尿病视网膜病变（dr）、视网膜分支静脉阻塞（brvo）、视网膜中央静脉阻塞（crvo）以及视网膜血管炎中的至少两种，因此，待处理的荧光素眼底血管造影图像可以是上述任一种视网膜病变的患者的ffa图像。
24.具体地，图像预处理模块100与病变区域及病变区域内无灌注区分割模块200连接，图像预处理模块100可以是眼底照相机，将拍摄的ffa图像直接发送到病变区域及病变区域内无灌注区分割模块200进行处理；图像预处理模块100也可以是图像输入设备，例如与眼底照相机连接的图像输入数据接口，该图像输入数据接口从眼底照相机处获取到待处理的ffa图像，再将获取到的ffa图像发送给病变区域及病变区域内无灌注区分割模块200。
25.病变区域及病变区域内无灌注区分割模块200，用于通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区，语义分割模型是基于多种视网膜病变对应的荧光素眼底血管造影图像训练而得到的。
26.其中，视网膜的无灌注区(non-perfusion，np），指视网膜血管闭塞导致相应灌注的区域视网膜没有视功能，np的出现反映视网膜处在缺血、缺氧的状态；np常见于dr、brvo、
crvo及视网膜血管炎等视网膜血管性疾病，np位于病变区域内。在临床上，np可用于衡量视网膜疾病的缺血程度。因此，病变区域及病变区域内无灌注区分割模块200通过预先训练的语义分割模型对病变区域内的np也进行了定位和分割，病变区域及病变区域内无灌注区分割模块200可以使用计算机设备，计算机设备包括但不限于服务器、台式机及笔记本电脑等。
27.具体地，病变区域及病变区域内无灌注区分割模块200内部设有预先训练的语义分割模型，该语义分割模型基于多种视网膜病变的ffa图像训练而得到，上述多种视网膜病变包括但不限于dr、brvo、crvo及视网膜血管炎；病变区域及病变区域内无灌注区分割模块200通过该语义分割模型对获取到的ffa图像进行处理，处理过程包括对ffa图像中病变区域和np的识别和分割，以确定ffa图像中的病变区域和np。
28.缺血指数计算模块300，用于获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。
29.其中，荧光素眼底血管造影图像对应的适用于临床的缺血指数为荧光素眼底血管造影图像中的无灌注区面积占病变区域面积的比例值，即适用于临床的缺血指数等于无灌注区面积值/病变区域面积值，临床上可以根据适用于临床的缺血指数辅助评估患者疾病的严重程度。
30.具体地，缺血指数计算模块300可以是与病变区域及病变区域内无灌注区分割模块200一体的计算机设备，也可以是只与病变区域及病变区域内无灌注区分割模块200通信连接的另一台计算机设备。
31.本实施例中，预设的多种视网膜病变包括dr、brvo、crvo及视网膜血管炎。
32.在本实施例的一些实施方式中，待处理的荧光素眼底血管造影图像为dr的ffa图像，此时，病变区域及病变区域内无灌注区分割模块200通过语义分割模型确定的病变区域为ffa图像中的整个视网膜区域，则ffa图像对应的适用于临床的缺血指数等于无灌注区面积/整个视网膜区域。
33.在本实施例的另一些实施方式中，待处理的荧光素眼底血管造影图像为brvo、crvo或视网膜血管炎的ffa图像时，此时，病变区域及病变区域内无灌注区分割模块200通过语义分割模型确定的病变区域为ffa图像中的brvo、crvo或视网膜血管炎的病变区域。
34.上述实施例提供的一种荧光素眼底血管造影图像的处理系统，可以通过图像预处理模块获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理；然后通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区，并获取病变区域的面积值和无灌注区的面积值，计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数，即患者可视范围内的视网膜的缺血程度的值，提供了更直观的适用于临床的缺血指数以供临床参考。其中，语义分割模型是基于多种视网膜病变的荧光素眼底血管造影图像训练而得到的，因此该系统能适用于多种视网膜病变的荧光素眼底血管造影图像处理，具备更好的适用性。
35.实施例二：基于上述实施例一，在本实施例中，请参见图2和图3，该系统还包括模型训练模块400，该模型训练模块400包括：原始图像采集单元402，用于采集原始图像以创建原始图像集。
36.其中，原始图像可为dr或brvo的ffa图像，原始图像集中包括dr和brvo的ffa图像。
37.具体地，该原始图像采集单元402采集诊断为dr或brvo的55度的ffa图像作为原始图像，并基于采集到的大量原始图像创建原始图像集。
38.原始图像预处理单元404，用于对原始图像集中的每张原始图像进行预处理，并从原始图像集中删除不符合预设标准的原始图像，得到已预处理图像集。
39.其中，预设标准可以为预设的模型输入图像标准，比如要求的输入图像尺寸为512*512，那么将不符合该尺寸要求的原始图像进行删除。
40.具体地，原始图像预处理单元404通过对原始图像进行预处理，提高样品图像质量，并筛除低质量的图像，得到图像质量更好的已预处理图像集；上述图像预处理可采用任一现有技术中成熟的技术，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
41.图像标注单元406，用于对已预处理图像集中的每张已预处理图像进行标注，得到标注图像集。
42.其中，在已预处理图像为dr的ffa图像时，对np进行标注；在已预处理图像为brvo的ffa图像时，分别对np和brvo病变的区域进行标注。
43.具体地，图像标注单元406可以采用深度学习图像标注工具labelme对已预处理图像集中的每张已预处理图像进行标注，标注内容可以包括np和病变区域，对于诊断为dr的已预处理图像，只标注该已预处理图像中的np；对于诊断为brvo的已预处理图像，标注该已预处理图像中的np和病变区域；已预处理图像的标注结果为json格式，存储内容为每个标注区域的标签名及该标注区域边缘点的坐标位置信息。因此，在完成对已预处理图像的标注后，需要通过常用的json2img工具将标注结果转换为图像格式，在转换过程中，可以将背景区域的像素值设置为0，np的像素值设置为1，brvo病变区域的像素值设置为2，背景区域指的是既非np也非brvo病变区域的视网膜区域。
44.图像分配单元408，用于按照预设比例将标注图像集中的各张标注图像随机分配到训练集和第一测试集。
45.具体地，图像分配单元408可以按照80%和20%的占比将已预处理图像集中标注后的各张标注图像随机分配到训练集和第一测试集，除了8:2，上述预设比例还可以是7:3、9:1等任意大于1的比例值。
46.模型构建单元410，用于构建一个基于卷积神经网络的语义分割模型。
47.模型训练单元412，用于通过训练集中的标注图像对语义分割模型进行训练。
48.其中，语义分割模型使用的算法可以为u-net，以vgg-16为后端，可以定位np和brvo病变区域的边界。
49.在本实施例的一种具体实施方式中，构建的语义分割模型可以包括以数据传递顺序依次连接的输入层、下采样层、上采样层和输出层。
50.其中，输入层要求输入图像的尺寸为512*512。
51.下采样层包括13层卷积层，具有特征提取功能；具体地，下采样层可以包括：第1、2层为卷积层，卷积核数量为64、卷积核大小为3
×
3，步长为1，padding方式为same，且在卷积层后会有一个relu激活层以提高网络模型的非线性拟合能力；第3层为最大值池化层，窗口大小为2
×
2，步长为2，池化层输出的特征图大小会变小；第4、5层为卷积层，为保证特征数
量不减少，卷积核数量会增加变为128；第6层为池化层，参数配置与第3层相同的；第7、8、9层为卷积层，卷积核数量为256；第10层为最大值池化层，参数配置与第3层相同；第11、12、13为卷积层，卷积核数量为512；第14层为池化层，参数配置与第3层相同的；第15、16、17为卷积层，卷积核数量为512；第18层为池化层，参数配置与第3层相同的；第19层为drop层，随机drop率为0.5。
52.上采样层起到的作用是还原图像细节、提取目标区域；具体地，上采样层可以包括：第20层为转置卷积层，卷积核大小为2
×
2，该层可将特征图大小放大；第21层为卷积层，随着特征图大小的放大，卷积核数量也会减少，这层的卷积核数量为512，卷积核大小为2
×
2，该层的输出会与下采样层第14层的输出特征图进行拼接形成最终的输出，通过拼接可保留更多的图像细节，提升病灶区域分割结果的精细度；第22、23层为卷积层，随着特征图大小的放大，卷积核数量也会减少，这两层的卷积核数量为512，卷积核大小为3
×
3；第24层为转置卷积层，参数与第19层相同；第25层为卷积层，卷积核大小为2
×
2，卷积核数量为256，该层的输出会与下采样层第10层的输出特征图进行拼接形成最终的输出；第26、27层为卷积层，卷积核数量为256，卷积核大小为3
×
3；第28层为转置卷积层，参数与第18层相同；第29层为卷积层，卷积核大小为2
×
2，卷积核数量为128，该层的输出会与下采样层第6层的输出特征图进行拼接生成该层的输出；第30、31层为卷积层，卷积核数量为128，卷积核大小为3
×
3；第32层为转置卷积层，参数与第18层相同；第33层为卷积层，卷积核大小为2
×
2，卷积核数量为64，该层的输出会与下采样层第3层的输出特征图进行拼接生成该层的输出；第34、35层为卷积层，卷积核数量为64，卷积核大小为3
×
3。
53.输出层用于输出最终分割结果，输出层具体可以包括：第36层为转置卷积层，参数与第18层相同；第37层为卷积层，卷积核数量为类别数目2；38层为softmax层，对输出结果进行归一化，得到造影图像每个像素分别属于每个类别的概率。
54.上述的语义分割模型各种层的搭建是通过keras框架中的layers模块实现的，其中，卷积层的构建方法为layers.conv2d，池化层的构建方法为layers.maxpooling2d，转置卷积层的构建方法为layers.upsampling2d，高层特征与低层特征的拼接采用layers. concatenate方法。
55.模型验证单元414，用于获取第二测试集，并分别使用第一测试集和第二测试集中的图像对训练后的语义分割模型进行验证，以得到预先训练的语义分割模型，第二测试集中包括多种视网膜病变中除糖尿病视网膜病变和视网膜分支静脉阻塞以外的至少一种视网膜病变的荧光素眼底血管造影图像。
56.其中，模型验证单元414可以利用第一测试集和第二测试集中的图像作为训练数据，对多流语义分割模型进行优化训练，具体包括：在语义分割模型中分批次加载训练数据，得到该模型的输出结果后，通过对模型输出结果进行计算获得每批次数据的准确率与交叉熵损失；在训练过程中不断保存更优效果的网络模型权重文件，通过反向传播算法利用交叉熵损失对网络模型权重进行优化，使网络模型的损失值不断降低；在训练迭代次数达到程序设定值时退出训练循环，得到预先训练的语义分割模型；使用该语义分割模型对荧光素眼底血管造影图像的np和brvo病变区域进行处理时，选取像素点的预测值为1的区域作为np候选区，选取像素点的预测值为2的区域作为brvo病变区域候选区。
57.在上述实施例中，语义分割模型是基于多种视网膜病变分别对应的荧光素眼底血
管造影图像训练而得到的，因此上述系统能够适用于多种视网膜病变的荧光素眼底血管造影图像处理，适用性好，应用范围广。
58.实施例三：基于上述实施例二，在本实施例中，请参见图4，该系统还包括图像显示模块500。
59.图像显示模块500可以用于显示荧光素眼底血管造影图像，并在荧光素眼底血管造影图像中使用不同的指定颜色显示病变区域和无灌注区，从而实现了无灌注区的直观显示，有助于协助医生确定激光治疗的具体位置，实施精准医疗，也能使激光手术简单化，促进基层医院也具备开展激光治疗的能力；和/或，图像显示模块500用于显示病变区域的面积值、无灌注区的面积值以及荧光素眼底血管造影图像对应的适用于临床的缺血指数，可以自动显示患者视网膜的病变区域面积值、无灌注区面积值以及适用于临床的缺血指数，可帮助医生直观地了解患者视网膜的缺血程度。
60.实施例四：请参见图5，本实施例提供了一种荧光素眼底血管造影图像的处理装置，该装置包括计算机设备，该计算机设备包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行如下步骤：步骤s1，获取待处理的荧光素眼底血管造影图像，并对荧光素眼底血管造影图像进行预处理。
61.其中，荧光素眼底血管造影图像为预设的多种视网膜病变中任一种视网膜病变的荧光素眼底血管造影图像。
62.步骤s2，通过预先训练的语义分割模型对经过预处理的荧光素眼底血管造影图像进行处理，确定其中的病变区域和病变区域内的无灌注区。
63.其中，语义分割模型是基于多种视网膜病变分别对应的荧光素眼底血管造影图像训练而得到的。
64.步骤s3，获取病变区域的面积值和无灌注区的面积值，并计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。
65.具体地，处理器获取所述病变区域的面积值和所述无灌注区的面积值，并根据所述病变区域的面积值和所述无灌注区的面积值计算得到荧光素眼底血管造影图像对应的适用于临床的缺血指数。
66.对于本实施例中步骤s1～s3的说明，请参见上述各系统实施例中对于图像预处理模块100、病变区域及病变区域内无灌注区分割模块200及缺血指数计算模块300的说明内容，在此不再加以赘述。
67.在本实施例的一些实施方式中，所述计算机程序被处理器执行时还实现模型训练步骤，请参见图6，模型训练步骤具体包括：步骤s41，采集原始图像以创建原始图像集。
68.其中，原始图像为dr或brvo的ffa图像，原始图像集中包括dr和brvo的ffa图像。
69.步骤s42，对原始图像集中的每张原始图像进行预处理，并从原始图像集中删除不符合预设标准的原始图像，得到已预处理图像集。
70.步骤s43，对已预处理图像集中的每张已预处理图像进行标注，得到标注图像集。
71.其中，在已预处理图像为dr的ffa图像时，对np进行标注；在已预处理图像为brvo
的ffa图像时，分别对np和brvo的病变区域进行标注。
72.步骤s44，按照预设比例将标注图像集中的各张标注图像随机分配到训练集和第一测试集。
73.步骤s45，构建一个基于卷积神经网络的语义分割模型。
74.步骤s46，通过训练集中的标注图像对语义分割模型进行训练。
75.步骤s47，获取第二测试集，并分别使用第一测试集和第二测试集中的图像对训练后的语义分割模型进行验证，以得到预先训练的语义分割模型。
76.其中，第二测试集中包括多种视网膜病变中dr和brvo以外的至少一种视网膜病变的荧光素眼底血管造影图像。
77.对于本实施例中步骤s41～s47的说明，请参见上述各系统实施例中对于模型训练模块400的说明内容，在此不再加以赘述。
78.在本实施例的一些实施方式中，所述计算机程序被处理器执行时还实现如下步骤：显示荧光素眼底血管造影图像，并在荧光素眼底血管造影图像中使用不同的指定颜色显示病变区域和无灌注区；和/或，显示病变区域的面积值、无灌注区的面积值以及荧光素眼底血管造影图像对应的适用于临床的缺血指数。
79.对于本实施例中显示步骤的说明，请参见上述各系统实施例中对于图像显示模块500的说明内容，在此不再加以赘述。
80.具体地，该计算机设备可以是终端，处理器用于提供计算和控制能力，存储器包括非易失性存储介质和内存储器，非易失性存储介质存储有操作系统和计算机程序，内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
81.实施例五：本技术一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，所述计算机程序被处理器执行时实现如上述实施例中荧光素眼底血管造影图像的处理装置执行的步骤。
82.其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memory stick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
83.本实施例中提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于荧光素眼底血管造影图像的处理系统的实施例，于此不再赘述。
84.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或装置实施例而言，由于其基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
85.以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方案及其
核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本技术的限制。
86.以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。