眼底病变数据处理方法、装置、设备及存储介质与流程

本发明涉及眼底病变领域，尤其涉及一种眼底病变数据处理方法、装置、设备及存储介质。

背景技术：

1、眼底病变是指眼底区域出现的各种疾病和异常变化，例如视网膜病变、黄斑病变等。眼底病变的早期诊断和有效治疗对于预防失明和保护视力至关重要。

2、近年来，随着计算机视觉和深度学习技术的发展，眼底病变的自动诊断成为研究的热点之一。通过利用眼底图像数据集进行特征提取和模型训练，可以实现对眼底病变的自动化识别和分类。

3、然而，眼底图像处理和分析面临一些挑战，眼底图像的质量受到多种因素的影响，例如图像分辨率、曝光度、噪声等，由于不同设备和拍摄条件的差异，眼底图像数据集的多样性也带来了数据分析的复杂性和挑战性；眼底图像中包含丰富的结构和特征信息，如血管网络、病变区域等，如何有效地提取和表示这些特征，准确地反映眼底病变的类型、程度和位置，是眼底图像处理中的关键问题；构建大规模的眼底图像数据集是一项耗时且昂贵的任务，而且对图像进行准确的标注也需要专业医生的参与，由于数据集的有限性，模型的泛化能力和准确性可能受到限制；眼底图像处理算法需要具备较好的鲁棒性，才能够处理不同病变类型和临床情况下的图像。

4、在此基础上，现有技术仍存在不足之处：

5、1.数据预处理的不充分：现有技术中，对眼底图像进行的预处理相对简单，主要集中在滤波去噪和对比度拉伸等基本操作。然而，眼底图像中存在许多干扰因素和噪声，简单的预处理方法可能无法完全消除这些干扰，导致后续分析的准确性受到影响。

6、2.特征提取和表示的局限性：现有技术中，特征提取和表示方法相对传统，主要依赖于手工设计的特征和传统的机器学习算法。这种方法在表达眼底病变的复杂特征时存在一定的局限性，无法充分挖掘图像中的潜在信息和结构。

7、3.算法的可解释性和鲁棒性有待提高：现有技术中，一些深度学习方法在眼底病变处理中取得了一定的进展，但模型的可解释性和鲁棒性仍然是改进眼底图像处理和分析的方法：

8、总之，改进眼底图像处理和分析的方法需要综合运用图像处理、机器学习和深度学习等技术手段。这将有助于提高眼底病变的早期诊断和治疗效果，为眼科医生提供更准确和可靠的辅助工具。

9、综上所述，现有的眼底病变数据处理方法在数据预处理、特征提取、模型训练和关联特征考虑等方面存在一些不足之处。因此，有必要提出一种改进的眼底病变数据处理方法，以提高眼底病变的自动诊断准确性和效率。

技术实现思路

1、本发明提供了一种眼底病变数据处理方法、装置、设备及存储介质，用于结合眼底病变的类型、程度、位置和关联特征等信息，生成对应的特征结果和处理结果，实现对眼底病变的自动诊断和分类。

2、本发明第一方面提供了一种眼底病变数据处理方法，所述眼底病变数据处理方法包括：

3、通过预置的采集眼底图像设备得到真实眼底图像数据集、健康眼底图像数据集及眼底图像数据集，对所述眼底图像数据集进行预处理，得到消除量纲眼底图像数据集；

4、依据所述真实眼底图像数据集得到真实病变区域眼底图像数据集以及真实正常区域眼底图像数据集，依据所述真实病变区域眼底图像数据集组合真实正常区域眼底图像数据集进行图像学习，得到眼底病变处理模型；

5、依据所述消除量纲眼底图像数据集进行特征提取，确定得到眼底暴露热度信息；

6、调用所述眼底病变处理模型，所述健康眼底图像数据集表示被配置于进行所述眼底病变处理模型的数据更新任务的健康样本数据，依据所述健康眼底图像数据集组合所述眼底病变处理模型进行数据更新任务，完成所述眼底病变处理模型的更新；

7、根据所述眼底暴露热度信息组合所述眼底病变处理模型，输出类型特征表示、程度特征表示、位置特征表示，依据所述类型特征表示、所述程度特征表示及所述位置特征表示，得到眼底病变关联特征表示；

8、依据所述类型特征表示、所述程度特征表示、所述位置特征表示及所述眼底病变关联特征表示，生成对应的类型特征结果、程度特征结果、位置特征结果及眼底病变关联特征结果，再根据所述类型特征结果、所述程度特征结果、所述位置特征结果及所述眼底病变关联特征结果，得到眼底病变数据处理结果。

9、可选的，在本发明第一方面的第一种实现方式中，所述通过预置的采集眼底图像设备得到真实眼底图像数据集、健康眼底图像数据集及眼底图像数据集，对所述眼底图像数据集进行预处理，得到消除量纲眼底图像数据集，包括：依据所述眼底图像数据集进行滤波去噪；针对所述眼底图像数据集中的每张图像，将其转换为灰度图像，选择3x3或5x5的滤波器，依据像素邻域中的中值来替代当前图像中像素的值，重复上述步骤，对所述眼底图像数据集中的每张图像进行处理；和/或针对所述灰度图像应用于波变换方法，得到图像的小波系数，对小波系数进行阈值处理，将小于阈值2的系数置零，保留阈值大于2的系数，对处理后的系数进行逆变换，以重构去噪后的图像，重复上述步骤，对所述眼底图像数据集中的每张图像进行处理；得到降噪眼底图像数据集；依据所述降噪眼底图像数据集进行几何校正，得到校正眼底图像数据集；依据所述校正眼底图像数据集进行对比度拉伸；使用图像处理库读取所述校正眼底图像数据集，对于校正眼底图像数据集中的每个灰度图像进行直方图分析，确定图像中最亮和最暗的像素值，取最亮和最暗的像素值的平均值为对比度拉伸参数，使用对比度拉伸参数对每个眼底图像进行对比度拉伸，通过对比度拉伸，将像素值映射到更大的范围，增强图像的对比度；得到增强眼底图像数据集；加载所述增强眼底图像数据集，进行图像灰度化，选择全局阈值对所述眼底图像数据集中的每个眼底图像应用全局阈值将图像转换为二值图像，其中病变区域为前景，其他区域为背景，选择一个或多个种子点，这些点位于预期的病变区域内，使用像素灰度值之间的梯度来确定生长准则，从种子点开始，逐渐扩展病变区域，直到满足生长准则或达到停止条件，使用递归方法来实现区域生长；得到预处理眼底图像数据集；依据所述预处理眼底图像数据集构建成一个非负矩阵，其中每个图像作为矩阵的一行，其中，图像矩阵表示为v，其维度为m×n，其中m是图像的特征数，n是图像样本的数量；将所述图像矩阵v分解为两个非负矩阵w和h，其中w的维度为m×k，h的维度为k×n，k是一个小于n的整数，表示提取的特征数；循环调整迭代次数和参数，直至分解后的w和h矩阵明确表示原始图像数据集的特征和重构性能；使用分解后的非负矩阵w和h，选取其中的特定维度或特征向量，将其作为消除量纲眼底图像数据集。

10、可选的，在本发明第一方面的第二种实现方式中，所述依据所述降噪眼底图像数据集进行几何校正，得到校正眼底图像数据集，包括：

11、针对所述降噪眼底图像数据集中的每张图像，选择血管交叉点、视盘中心来标记图像中的关键位置，设定每张图像提取到的特征点集合为s(x'，y')和d(x，y)，s(x'，y')和d(x，y)分别表示原始图像和目标图像中的特征点坐标，其中，s(x'，y')和d(x，y)的特征点数量相同且按相同顺序提取；依据以下公式进行校正，得到校正眼底图像数据集：

12、(d(x,y)＝\sum_{x',y'}w(x',y')\cdots(x',y'))

13、其中，(w(x',y'))是根据变换矩阵和像素位置计算出的权重、(cdot)表示两个向量的点积、(\sum)是指求和；

14、(w(x',y')＝\frac{1}{z}\cdote^{-\frac{(x'-x)^2+(y'-y)^2}{2\sigma^2}})

15、其中，(z)是归一化因子，用于确保所有权重的和为1；(\sigma)是高斯核的标准差；((x,y))是目标像素的位置；((x',y'))是源像素的位置；(\frac)用于表示分数；(e)是欧拉数；(cdot)表示两个向量的点积；

16、((x',y',w')＝t\times(x,y,w))

17、其中，(t)是透视变换矩阵，((x,y,w))是目标像素的齐次坐标，((x',y',w'))是变换后的源像素齐次坐标，(times)表示的是矩阵乘法；

18、t＝\begin{bmatrix}r_1&r_2&r_3\\r_4&r_5&r_6\\r_7&r_8&1\end{bmatrix}

19、其中，r_3和r_6分别控制图像在x轴和y轴方向上的平移、r_2和r_5控制图像在x轴和y轴方向上的旋转、r_1和r_4控制图像在x轴和y轴方向上的缩放、r_7和r_8用于控制透视变换中的倾斜和扭曲、\begin{bmatrix}表示矩阵的开始、\end{bmatrix}表示矩阵的结束、&：用于分隔矩阵中的列、\\：用于分隔矩阵中的行。

20、可选的，在本发明第一方面的第三种实现方式中，所述依据所述真实眼底图像数据集得到真实病变区域眼底图像数据集以及真实正常区域眼底图像数据集，依据所述真实病变区域眼底图像数据集组合真实正常区域眼底图像数据集进行图像学习，得到眼底病变处理模型，包括：依据病变区域的位置和大小，将所述真实眼底图像数据集划分为真实病变区域眼底图像数据集和真实正常区域眼底图像数据集，使用交叉熵损失函数对所述真实眼底图像数据集的眼底图像进行病变处理，通过迭代地生成和评估不同的模型参数，得到训练后的眼底病变处理模型；对于输入的眼底图像，所述眼底病变处理模型会输出一个与输入图像大小相同的掩码图像，其中病变区域被标记为红色，正常区域被标记为蓝色。

21、可选的，在本发明第一方面的第四种实现方式中，所述通过迭代地生成和评估不同的模型参数，得到训练后的眼底病变处理模型，具体包括以下步骤：a.初始化预设的模型参数；b.将所述真实病变区域眼底图像数据集和真实正常区域眼底图像数据集作为输入，分别训练两个独立的卷积神经网络模型；c.对每个模型输出的结果进行预测，选择概率大于0.5的类别作为预测的类别，得到预测结果；d.根据预测结果计算交叉熵损失函数值；e.根据交叉熵损失函数值更新模型参数；f.重复步骤b-e,直到损失函数值的下降幅度小于预设阈值0.5为止；g.将训练好的两个模型合并为一个完整的眼底病变处理模型。

22、可选的，在本发明第一方面的第五种实现方式中，所述依据所述消除量纲眼底图像数据集进行特征提取，确定得到眼底暴露热度信息，包括：将所述消除量纲眼底图像数据集中的图像转换为灰度图像，基于灰度共生矩阵，提取对比度、相关性、能量、同质性，将所述消除量纲眼底图像数据集中的每个样本与其所属的类别进行标记，将提取的特征与类别标签结合，生成一个特征-类别频数矩阵，基于特征-类别频数矩阵，计算期望频数，使用特征-类别频数矩阵和期望频数，计算每个特征与类别之间的卡方值，对于每个特征，使用卡方检验进行假设检验，根据卡方检验的结果，选择p值低于设定0.05的特征，得到眼底暴露热度信息。

23、可选的，在本发明第一方面的第六种实现方式中，所述根据所述眼底暴露热度信息组合所述眼底病变处理模型，输出类型特征表示、程度特征表示、位置特征表示，依据所述类型特征表示、所述程度特征表示及所述位置特征表示，得到眼底病变关联特征表示，包括：依据所述类型特征表示、所述程度特征表示和所述位置特征表示转换为数值形式，设定所述类型特征表示为长度为n的二进制向量，所述程度特征表示为长度为m的数值向量，所述位置特征表示为长度为p的数值向量，则组合后的眼底病变关联特征表示为n+m+p。

24、本发明第二方面提供了一种眼底病变数据处理装置，所述眼底病变数据处理装置包括：获取模块，用于通过预置的采集眼底图像设备得到真实眼底图像数据集、健康眼底图像数据集及眼底图像数据集；处理模块，用于对眼底图像数据集进行预处理，包括滤波去噪、几何校正和对比度拉伸步骤，得到降噪眼底图像数据集、校正眼底图像数据集和增强眼底图像数据集；特征提取模块，用于依据消除量纲眼底图像数据集进行特征提取，确定得到眼底暴露热度信息；模型训练模块，用于依据真实眼底图像数据集得到真实病变区域眼底图像数据集以及真实正常区域眼底图像数据集，依据真实病变区域眼底图像数据集组合真实正常区域眼底图像数据集进行图像学习，得到眼底病变处理模型，根据健康眼底图像数据集进行数据更新任务，完成眼底病变处理模型的更新；结果生成模块：用于根据眼底暴露热度信息组合眼底病变处理模型，输出类型特征表示、程度特征表示、位置特征表示，依据类型特征表示、程度特征表示、位置特征表示及眼底病变关联特征表示，生成对应的类型特征结果、程度特征结果、位置特征结果及眼底病变关联特征结果，再根据这些结果，得到眼底病变数据处理结果。

25、可选的，在本发明第二方面的第一种实现方式中，所述获取模块具体用于：通过预置的采集眼底图像设备得到真实眼底图像数据集、健康眼底图像数据集及眼底图像数据集。

26、可选的，在本发明第二方面的第二种实现方式中，所述处理模块具体用于：依据所述眼底图像数据集进行滤波去噪；针对所述眼底图像数据集中的每张图像，将其转换为灰度图像，选择3x3或5x5的滤波器，依据像素邻域中的中值来替代当前图像中像素的值，重复上述步骤，对所述眼底图像数据集中的每张图像进行处理；和/或针对所述灰度图像应用于波变换方法，得到图像的小波系数，对小波系数进行阈值处理，将小于阈值2的系数置零，保留阈值大于2的系数，对处理后的系数进行逆变换，以重构去噪后的图像，重复上述步骤，对所述眼底图像数据集中的每张图像进行处理；得到降噪眼底图像数据集；依据所述降噪眼底图像数据集进行几何校正，得到校正眼底图像数据集；依据所述校正眼底图像数据集进行对比度拉伸；使用图像处理库读取所述校正眼底图像数据集，对于校正眼底图像数据集中的每个灰度图像进行直方图分析，确定图像中最亮和最暗的像素值，取最亮和最暗的像素值的平均值为对比度拉伸参数，使用对比度拉伸参数对每个眼底图像进行对比度拉伸，通过对比度拉伸，将像素值映射到更大的范围，增强图像的对比度；得到增强眼底图像数据集；加载所述增强眼底图像数据集，进行图像灰度化，选择全局阈值对所述眼底图像数据集中的每个眼底图像应用全局阈值将图像转换为二值图像，其中病变区域为前景，其他区域为背景，选择一个或多个种子点，这些点位于预期的病变区域内，使用像素灰度值之间的梯度来确定生长准则，从种子点开始，逐渐扩展病变区域，直到满足生长准则或达到停止条件，使用递归方法来实现区域生长；得到预处理眼底图像数据集；依据所述预处理眼底图像数据集构建成一个非负矩阵，其中每个图像作为矩阵的一行，其中，图像矩阵表示为v，其维度为m×n，其中m是图像的特征数，n是图像样本的数量；将所述图像矩阵v分解为两个非负矩阵w和h，其中w的维度为m×k，h的维度为k×n，k是一个小于n的整数，表示提取的特征数；循环调整迭代次数和参数，直至分解后的w和h矩阵明确表示原始图像数据集的特征和重构性能；使用分解后的非负矩阵w和h，选取其中的特定维度或特征向量，将其作为消除量纲眼底图像数据集。

27、可选的，在本发明第二方面的第三种实现方式中，所述特征提取模块具体用于：将所述消除量纲眼底图像数据集中的图像转换为灰度图像，基于灰度共生矩阵，提取对比度、相关性、能量、同质性，将所述消除量纲眼底图像数据集中的每个样本与其所属的类别进行标记，将提取的特征与类别标签结合，生成一个特征-类别频数矩阵，基于特征-类别频数矩阵，计算期望频数，使用特征-类别频数矩阵和期望频数，计算每个特征与类别之间的卡方值，对于每个特征，使用卡方检验进行假设检验，根据卡方检验的结果，选择p值低于设定0.05的特征，得到眼底暴露热度信息，依据所述类型特征表示、所述程度特征表示和所述位置特征表示转换为数值形式，设定所述类型特征表示为长度为n的二进制向量，所述程度特征表示为长度为m的数值向量，所述位置特征表示为长度为p的数值向量，则组合后的眼底病变关联特征表示为n+m+p。

28、可选的，在本发明第二方面的第四种实现方式中，所述模型训练模块具体用于：依据病变区域的位置和大小，将所述真实眼底图像数据集划分为真实病变区域眼底图像数据集和真实正常区域眼底图像数据集，使用交叉熵损失函数对所述真实眼底图像数据集的眼底图像进行病变处理，通过迭代地生成和评估不同的模型参数，得到训练后的眼底病变处理模型；对于输入的眼底图像，所述眼底病变处理模型会输出一个与输入图像大小相同的掩码图像，其中病变区域被标记为红色，正常区域被标记为蓝色，具体包括以下步骤：a.初始化预设的模型参数；b.将所述真实病变区域眼底图像数据集和真实正常区域眼底图像数据集作为输入，分别训练两个独立的卷积神经网络模型；c.对每个模型输出的结果进行预测，选择概率大于0.5的类别作为预测的类别，得到预测结果；d.根据预测结果计算交叉熵损失函数值；e.根据交叉熵损失函数值更新模型参数；f.重复步骤b-e,直到损失函数值的下降幅度小于预设阈值0.5为止；g.将训练好的两个模型合并为一个完整的眼底病变处理模型。

29、可选的，在本发明第二方面的第五种实现方式中，所述结果生成模块具体用于：依据所述类型特征表示、所述程度特征表示、所述位置特征表示及所述眼底病变关联特征表示，生成对应的类型特征结果、程度特征结果、位置特征结果及眼底病变关联特征结果，再根据所述类型特征结果、所述程度特征结果、所述位置特征结果及所述眼底病变关联特征结果，得到眼底病变数据处理结果。

30、本发明第三方面提供了一种眼底病变数据处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述眼底病变数据处理设备执行上述的眼底病变数据处理方法。

31、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的眼底病变数据处理方法。

32、本发明提供的技术方案中，该方法通过眼底图像设备获取真实眼底图像数据集、健康眼底图像数据集和眼底图像数据集，并对其进行预处理，消除量纲差异，以便后续处理和分析；利用真实眼底图像数据集，生成真实病变区域眼底图像数据集和真实正常区域眼底图像数据集，并将其用于图像学习，生成眼底病变处理模型，用于后续的数据更新任务；利用消除量纲眼底图像数据集进行特征提取，确定眼底暴露热度信息，该信息可用于后续的病变分析和诊断；利用健康眼底图像数据集对眼底病变处理模型进行数据更新任务，完成模型的更新，以提高其准确性和性能；根据眼底暴露热度信息和眼底病变处理模型，生成类型特征表示、程度特征表示、位置特征表示和眼底病变关联特征表示，并根据这些特征表示生成眼底病变数据处理结果；对眼底图像数据集进行滤波去噪，以降低噪声干扰，然后进行几何校正，以纠正图像的几何畸变，得到校正后的眼底图像数据集；对校正眼底图像数据集进行对比度拉伸，通过增加像素值的动态范围，增强图像的对比度，使病变区域更加清晰可见；将增强眼底图像数据集转换为灰度图像，并应用全局阈值将图像转换为二值图像。利用种子点和区域生长算法，逐渐扩展病变区域，实现病变区域的准确定位和分割；将预处理眼底图像数据集构建成非负矩阵，然后将矩阵分解为两个非负矩阵，提取其中的特定维度或特征向量作为消除量纲眼底图像数据集，以便进一步的分析和应用；

33、这种眼底病变数据处理方法的益处和好处包括：利用计算机视觉和图像处理技术，实现对眼底图像的自动处理和分析，减少了人工操作和主观判断的影响，提高了分析的客观性和准确性；通过使用健康眼底图像数据集进行数据更新任务，该方法可以不断优化眼底病变处理模型，使其能够适应不断变化的眼底病变特征和模式，提高了模型的性能和适应性；该方法能够提取眼底图像中的相关特征，并生成与眼底病变相关的特征表示和处理结果，为医生提供更全面和准确的诊断和治疗建议；通过滤波去噪和对比度增强等技术，可以改善眼底图像的质量和清晰度，使病变区域更加明显和可见，有助于医生的观察和分析；能够准确地将眼底图像中的病变区域进行分割和定位，帮助医生更好地理解病变的位置和范围，为后续的诊断和治疗提供参考。

34、综上，这种眼底病变数据处理方法通过综合利用图像处理和机器学习技术，能够高效准确地对眼底病变进行识别、分析和处理，具有广泛的应用前景和重要的临床意义。