基于眼部OCT图像的视杯和视盘定位点检测方法及装置与流程

本申请属于图像处理技术领域，尤其涉及一种基于眼部oct图像的视杯和视盘定位点检测方法、装置、终端设备及计算机可读存储介质。

背景技术：

光学相干断层扫描(opticalcoherencetomography，oct)技术是近年来发展较快的一种最具发展前途的新型层析成像技术，特别是在生物组织活体检测和成像方面具有诱人的应用前景。通过oct技术获取的oct图像具有无创性、无辐射、非侵入、高分辨率、高探测灵敏度以及图像获取安全高效等特点，在眼科诊断中越来越重要。

视盘形态评估参数是眼科诊断中非常重要的指标。视盘形态评估参数包括但不限于视盘面积、视杯面积、盘沿面积、垂直盘沿面积、水平盘沿容积、平均杯盘比(cuptodiscratio，cdr)、水平和垂直cdr等。

但在目前，基于oct图像的视盘形态评估参数的测量大多仍依赖于人工测量以及机器半自动测量。因此，亟需一种基于眼部oct图像的视盘形态评估参数检测方案。

技术实现要素：

本申请实施例提供了一种基于眼部oct图像的视杯和视盘定位点检测方法、装置、终端设备及计算机可读存储介质，提供了一种基于眼部oct图像的视杯和视盘定位点检测方案，实现对视杯和视盘定位点的准确高效检测。

第一方面，本申请实施例提供了一种基于眼部oct图像的视杯和视盘定位点检测方法，包括：

获取眼部oct图像；

使用预设的检测模型对所述眼部oct图像进行检测，得到所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标；所述检测模型包括第一网络分支和第二网络分支，所述第一网络分支用于提取所述眼部oct图像多个不同尺度的特征图，所述第二网络分支用于根据多个不同尺度的所述特征图提取所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

第二方面，本申请实施例提供了一种基于眼部oct图像的视杯和视盘定位点检测装置，包括：

获取模块，用于获取眼部oct图像；

检测模块，用于使用预设的检测模型对所述眼部oct图像进行检测，得到所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标；所述检测模型包括第一网络分支和第二网络分支，所述第一网络分支用于提取所述眼部oct图像多个不同尺度的特征图，所述第二网络分支用于根据多个不同尺度的所述特征图提取所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

第三方面，本申请实施例提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的方法。

第四方面，本申请实施例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第一方面所述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行如第一方面所述的方法。

在本申请实施例中，通过预设的检测模型对眼部oct图像的视杯和视盘定位点进行检测，一方面，直接通过检测模型对眼部oct图像进行检测就能获得定位点检测结果，大大提高了检测的效率；另一方面，由于检测模型提取了眼部oct图像多个不同尺度的特征，更加准确地实现了视杯和视盘的定位点检测。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法的流程示意图；

图2是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的检测模型的结构示意图；

图3是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中对原始眼部oct图像进行预处理的流程示意图；

图4是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中对眼部oct图像进行标记的示意图；

图5是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第一网络分支的结构示意图；

图6是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第一网络分支的module1的结构示意图；

图7是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第一网络分支的module2的结构示意图；

图8是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第一网络分支的module3的结构示意图；

图9是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第一网络分支的module4的结构示意图；

图10是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第二网络分支的结构示意图；

图11是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第二网络分支的第一子网络的结构示意图；

图12是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第二网络分支的第二子网络的结构示意图；

图13是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中采用的第二网络分支的第二子网络的注意力模块的结构示意图；

图14是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法中获得的视杯椭圆和视盘椭圆的示意图；

图15是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测装置的结构示意图；

图16是本申请一实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法所适用于的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，所获得的所有其他实施例，都应当属于本申请保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

视盘形态评估参数是眼科诊断中非常重要的指标，而对眼部oct图像中视杯和视盘进行定位检测是获得视盘形态评估参数的基础。因此，本申请实施例提供一种基于眼部oct图像的视杯和视盘定位点检测方法，实现对眼部oct图像中视杯和视盘定位点的准确高效检测。

图1示出了本申请实施例提供的一种基于眼部oct图像的视杯和视盘定位点检测方法的实现流程图。所述方法应用于终端设备。本申请实施例提供的基于眼部oct图像的视杯和视盘定位点检测方法可以应用于眼科oct设备、手机、平板电脑、可穿戴设备、车载设备、增强现实(augmentedreality，ar)/虚拟现实(virtualreality，vr)设备、笔记本电脑、超级移动个人计算机(ultra-mobilepersonalcomputer，umpc)、上网本、个人数字助理(personaldigitalassistant，pda)、独立的服务器、分布式服务器、服务器集群或云服务器等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。如图1所示，所述方法包括步骤s110至步骤s130。各个步骤的具体实现原理如下。

s110，获取眼部oct图像。

其中，眼部oct图像为需要进行视杯和视盘定位点检测的对象，眼部oct图像可以为一帧原始的眼部oct图像。

当终端设备为oct设备时，眼部oct图像可以为oct设备实时扫描待测人体的眼部得到的眼部oct图像。

当终端设备不为oct设备时，眼部oct图像可以为终端设备从oct设备实时获取到的眼部oct图像，还可以为从终端设备的内部或外部存储器中获取到的预先存储的眼部oct图像。

在一个非限定性的示例中，oct设备实时采集待测人体眼部的oct图像，发送oct图像给终端设备，终端设备获取oct图像。

在另一个非限定性的示例中，oct设备采集待测人体眼部的oct图像发送给终端设备，终端设备先在数据库中存储该oct图像，再从数据库中获取该待测人体的眼部oct图像。

在本申请一些实施例中，终端设备获取眼部oct图像，在获取眼部oct图像后，直接进行后续的步骤s120，即对眼部oct图像中的视杯和视盘定位点进行检测。

在本申请一些实施例中，终端设备获取眼部oct图像，在获取眼部oct图像后，先将眼部oct图像预裁减成预设大小，例如512*512，再进行后续的步骤s120，即对预处理后的眼部oct图像中的视杯和视盘定位点进行检测。

在本申请一种非限定性使用场景中，当用户想要对某选定的一帧眼部oct图像进行视杯和视盘定位点检测时，通过点击终端设备特定的物理按键和/或虚拟按键的方式启用终端设备的定位点检测功能，此时，所述终端设备会对选定的该帧眼部oct图像自动按照步骤s110至步骤s120的过程进行处理，得到定位点检测结果。

在本申请另一种非限定性使用场景中，当用户想要对某一帧眼部oct图像进行视杯和视盘定位点检测时，可以通过点击特定的物理按键和/或虚拟按键的方式启用终端设备的定位点检测功能，并选定一帧眼部oct图像，则所述终端设备会对眼部oct图像自动按照步骤s110至步骤s120的过程进行处理，得到定位点检测结果。

此处可以理解的是，点击按键和选定一帧眼部oct图像的顺序可以互换，本申请实施例适用但不限于这两种不同的使用场景。

s120，使用预设的检测模型对所述眼部oct图像进行检测，得到所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

步骤s120为使用预设的检测模型对眼部oct图像进行定位点检测的步骤，确定所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

其中，如图2所示，所述检测模型包括第一网络分支和第二网络分支。所述第一网络分支用于提取所述眼部oct图像多个不同尺度的特征图，所述第二网络分支用于根据多个不同尺度的所述特征图提取所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

在本申请实施例中，检测模型可以为深度学习网络模型，深度学习网络模型可以为以人工智能中机器学习技术为基础的深度学习网络模型。

当眼部oct图像输入深度学习网络模型，深度学习网络模型输出眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

其中，检测模型的训练过程包括：获取样本数据集，所述样本数据集中包括多个样本图像，每个样本图像为进行了视杯和视盘定位点标注的眼部oct样本图像；使用所述样本数据集对关键点检测模型进行训练，在训练过程中对所述关键点检测模型的权重进行调整，直至调整权重后的所述关键点检测模型的输出结果满足预设条件，或者训练过程的迭代次数达到预设迭代次数，则停止训练。

作为本申请一非限制性示例，获取大量眼部oct图像作为样本图像，形成样本数据集；每个样本图像为进行了视杯和视盘定位点标注的眼部oct样本图像。

为了获得良好的标记精度，以便训练出表现更优的检测模型，在本申请一些实施例中，样本图像为对原始眼部oct图像进行了预处理后，再进行了视杯和视盘定位点标注的眼部oct图像。

可以理解地，预处理包括但不限于插值和截断等操作。示例性地，参见图3所示，通常获取到的oct图像的原图为1024(1像素对应实际6毫米)*768(1像素对应实际3.01毫米)，先对oct图像进行插值，将其变为1200*462，使得1个像素代表5μm(微米)，这样处理非常便于标注；然后，两边进行截断，左右各截去200个像素，得到预处理后的oct图像分辨率为800*462。

再对预处理后的眼部oct图像进行标注，标注主要是医生根据经验进行。结合视杯和视盘在临床应用中的定义，由多位医生对不同oct影像中的视杯和视盘的定位点进行精准标注，最终统一由一位专家医生审核，保证标注的准确性与规则一致性。标注结果示意图，请参见图4所示。如图4所示，标注结果中包括四个定位点：两个视盘定位点坐标和两个视杯定位点坐标。两个视盘定位点坐标分别为：视盘定位点1，坐标为(x1，y1)；视盘定位点2，坐标为(x2，y2)。两个视杯定位点坐标分别为：视杯定位点1，坐标为(x3，y3)；视杯定位点2，坐标为(x4，y4)。其中标注遵守了临床规范。视盘定位点为视网膜色素上皮层(rpe)末端，视杯连线与视盘连线平行，与内界膜(ilm)交于视杯定位点(x3，y3)和(x4，y4)，视杯连线与视盘连线之间的距离d根据临床使用110μm，按1像素代表5μm，可计算得到距离为22像素。

将标注好的样本图像存储至预设的数据库作为样本数据集。

从预设的数据库中获取样本数据集，将样本图像作为输入，样本图像中的标注结果作为目标定位点，建立一个视杯和视盘定位点检测模型。在模型的训练过程中，对模型的权重进行调整，直至调整权重后的模型的输出结果满足预设准确度阈值，或者迭代次数达到预设迭代次数阈值，停止模型训练过程。

可选地，将所述样本图像分为训练样本集、验证样本集和测试样本集，根据所述训练样本集、所述验证样本集和所述测试样本集，利用反向传播算法训练深度学习网络模型。

需要说明的是，训练检测模型的过程可以在终端设备本地实现，还可以在与终端设备进行通信连接的其他设备上实现，当在终端设备侧部署成功训练好的检测模型，或者其他设备将训练好的检测模型推送至终端设备并部署成功后，可在终端设备上实现对获取到的眼部oct图像进行视杯视盘定位点的检测。需要说明的是，在进行视杯视盘定位点的检测过程中获得的待检测的眼部oct图像还可以用以增加样本数据集中的样本量，在终端设备或其他设备端执行检测模型的进一步优化，将进一步优化的检测模型部署到终端设备中以替换之前的检测模型。通过这种方式优化了检测模型，进一步提高了检测模型的表现。

在本申请实施例中，预设的检测模型包括第一网络分支和第二网络分支。

所述第一网络分支用于提取所述眼部oct图像多个不同尺度的特征图。第一网络分支为改进的xception网络，用于提取目标图像中不同尺度的图像信息，改进的xception网络的结构如图5所示。如图5所示，第一网络分支包括级联的块(module)1a，module2a，module3a以及module4a，其中，module4a的输出经过4倍上采样(upsample×4)后与module2a的输出拼接(concat)输入module2b，module3a的输出与module2b的输出拼接(concat)后输入module3b，module3b的输出与module4a的输出拼接(concat)后输入module4b，module4b的输出经过4倍上采样(upsample×4)后与module2b的输出拼接(concat)输入module2c；module1a，module2a，module2b以及module2c输出不同尺度的四个特征图，module1a输出的特征图尺度为256×256，通道数为8；module2a输出的特征图尺度为128×128，通道数为48；module2b输出的特征图尺度为64×64，通道数为48；module2c输出的特征图尺度为32×32，通道数为48。

其中，module1(包括module1a)，module2(包括module2a，module2b和module2c)，module3(包括module3a和module3b)，module4(包括module4a和module4b)的结构分别如下图6至图9所示。

如图6所示为module1的结构示意图，如图6所示，module1包括1个卷积层和一个带有激活函数的bn(batchnormalization)层。其中，bn层后带的激活函数为relu函数；卷积层的卷积核为3×3，步幅(stride)为2×2，通道数为8。

如图7所示为module2的结构示意图，如图7所示，module2包括5个部分，第一部分至第五部分，第二部分至第五部分这四个部分具备相同的网络结构。其中，第一个部分包括级联的第一卷积层，第二卷积层和第三卷积层这三个卷积层，以及一个第四卷积层；第一卷积层和第二卷积层后都带有bn层和激活函数relu函数，第三卷积层的输出与第四卷积层的输出先进行和运算后输入第二部分。第二部分包括激活函数relu函数，级联的三个卷积层，输入第二部分的数据，与经过三个卷积层后的数据进行和运算后输入第三部分。依此类推，直至第五部分得到module2的输出。

图8所示为module3的结构示意图，图9所示为module4的结构示意图。module2，module3，module4整体结构类似，区别在于卷积核的大小以及模块重复的次数。请参照图8-图9所示，此处不再赘述。

在本申请实施例中，第一网络分支利用了原始xception的主要模块的结构，对原始xception改动包括减少了通道数目，增加了模块重复的次数，同时增加了特征级联(或聚合)。通过减少通道数目，大幅度减少了计算量，减少了系统资源占用，降低了算力成本；同时，为了平衡因减少通道数而损失的精度，一方面增加了模块重复的次数，另一方面增加了特征级联。

具体地，将原始xception的通道数目64，128，256，728，减少为8，48，96，192，形成轻量化的xception网络。但由于通道数减少会导致特征提取不充分，因而增加了特征级联操作。特征级联具体为：将较小的通道数的特征提取网络复制三份，为了便于描述，称为多级网络，每个网络有多个卷积层，每层输出为不同分辨率的特征，称为多层特征。首先将多级网络进行了串联，每一级网络提取后的特征传入下一级作为输入，同时将上一级对应层次的特征一起融合，对特征实现了复用。该级联操作将不同分辨率的特征进行多次融合，充分提取了有效信息。

该级联方式主要优势为：

1)module1a，module2a，module3a，module4a和module2b，module3b，module4b属于不同层级，有多个不同层级的网络，可以充分提取不同尺度的图像信息。

2)该结构通过多种方式，例如module2b同时利用了module2a和module4a的输出上采样之后的特征，将不同分辨率的特征进行融合，实现了特征复用，有效利用不同层级网络特征。

第二网络分支用于根据多个不同尺度的所述特征图提取所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标。

作为本申请一示例，如图10所示，第二网络分支包括第一子网络和第二子网络，所述第一子网络用于粗检测所述眼部oct图像的视杯和视盘定位点；所述第二子网络用于精检测所述眼部oct图像的视杯和视盘定位点。

其中，第一子网络为增加特征级联的全局网络(globalnet)；第二子网络为增加注意力机制的分割网络(refinenet)。

第一子网络将第一网络分支输出的不同尺度的特征图作为输入，并增加了特征级联。使用全局网络可以通过对图像特征的提取，定位简单的关键点。

图11所示为第一子网络的结构示意图。如图11所示，需要说明的是图11中module1a，module2a，module2b，module2c分别对应于第一网络分支中的不同尺度的输出。第一子网络包括7个卷积层，其中，module2c的输出经过第一卷积层(卷积核为3×3，通道数为256)和2倍上采样(upsample)后与module2b的输出拼接(concat)作为第二卷积层(卷积核为3×3，通道数为128)的输入；第二卷积层的输出经过2倍上采样(upsample)后与module2a的输出拼接(concat)作为第三卷积层(卷积核为3×3，通道数为64)的输入；第三卷积层的输出经过2倍上采样(upsample)后与module1a的输出拼接(concat)作为第四卷积层(卷积核为3×3，通道数为64)的输入，第二卷积层、第三卷积层和第三卷积层的输出分别经过一个第五卷积层(卷积核为1×1，通道数为4)后输出第一子网络生成的三个不同尺度的输出，三个输出分别为global_out1、global_out2和global_out3。

第二子网络将第一子网络不同尺度的输出作为输入，特征已经高度密集，通过增加注意力机制，因而可以根据重要性对特征进行筛选，可以有效提高最后结果的可靠性。

图12所示为第二子网络的结构示意图。如图12所示，第二子网络的三个卷积层连接第一子网络的三个输出，依次为第一卷积层(卷积核为1×1，通道数为128)，第二卷积层(卷积核为1×1，通道数为128)和第三卷积层(卷积核为1×1，通道数为256)；第二卷积层的输出连接了第一注意力模块；第三卷积层的输出连接了第二注意力模块；第二注意力模块的输出依次经过第四卷积层(卷积核为1×1，通道数为128)，第三注意力模块和4倍上采样之后，与第一注意力模块经过2倍上采样后的输出以及第一卷积层的输出进行拼接(concat)，拼接后再输入第五卷积层(卷积核为1×1，通道数为4)得到输出，输出的就是视杯和视盘的定位点检测结果。

其中，注意力模块，包括第一至第三注意力模块，其结构示意图如图13所示。注意力模块包括全局平均池化层(globalaveragepooling)和2个全连接层(denseout)，2个全连接层中间设置了激活函数relu函数，第2个全连接层后带有激活函数sigmoid函数，经过sigmoid函数的输出经过结构调整后与输入数据进行乘运算，作为注意力模块的输出。

全局平均池化层把特征图全局平均一下输出一个值，也就是把w*h*d的一个张量变成1*1*d的张量。该层顺着空间维度进行了特征压缩，使得在特征通道上具有全局的感受野，并且输出的维度和输入的特征通道数相匹配。

全连接层、激活函数和结构调整这三层，通过参数来为每个特征通道生成权重，其中参数被学习用来显式地建模特征通道间的相关性。

最后的乘运算是一个重标定的操作，将输出的权重看做是进过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。本申请实施例中的注意力模块只需要学习一个权重，乘以原始卷积即可。

注意力模块采用se-net(squeeze-and-excitationnetworks)，se-net显式地建模特征通道之间的相互依赖关系，没有引入一个新的空间维度来进行特征通道间的融合，而是采用了一种全新的特征重标定策略。具体来说，就是通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征。因而根据重要性对特征进行筛选，可以有效提高最后的结果。

可以理解的是，此处描述的深度学习网络模型仅为示例性描述，不能解释为对发明的具体限制。

本申请实施例中，通过预设的检测模型对眼部oct图像的视杯和视盘定位点进行检测，一方面，直接通过检测模型就能获得眼部oct图像的定位点检测结果，大大提高了检测的效率；另一方面，由于检测模型提取了眼部oct图像多个不同尺度的特征，更加准确地实现了视杯和视盘的定位点检测。

可选地，在上述任一实施例的基础上，也就是说，在获得一个眼部oct图像中视杯和视盘定位点检测结果的基础上，本申请一些其他实施例中，在上述图1所示实施例的步骤s120之后，还包括步骤s130至s160。

s130，获取至少三个不同角度的眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标；所述至少三个不同角度中包括0度和90度。

s140，根据每个所述眼部oct图像中视杯的两个定位点坐标，以及视盘的两个定位点坐标，确定每个所述眼部oct图像中的视杯长度和视盘长度。

s150，根据至少三个不同角度下的所述视杯长度形成至少三个第一线段，将至少三个第一线段共中心并投影到同一个平面，拟合出视杯椭圆；根据至少三个不同角度下的所述视盘长度形成至少三个第二线段，将至少三个第二线段共中心并投影到同一个平面，拟合出视盘椭圆。

s160，根据至少三个不同角度下的所述视杯长度，至少三个角度下的所述视盘长度，所述视杯椭圆，和所述视盘椭圆，得到视杯面积、视盘面积、杯盘面积比、垂直杯盘比和水平杯盘比等形态参数。

在本申请实施例中，oct图像包括0度，45度，90度，135度等，因而计算的视杯长度与视盘长度即为各个角度下的长度，例如，垂直方向为90度下的长度，水平方向为0度下的长度。

在一非限制性示例性中，在本示例中，以四个不同的角度为例进行说明，可以先分别得到0度，45度，90度，135度下的视杯长度与视盘长度。根据这些视杯长度和视盘长度可以构建8条线段，这8条线段共中心，将它们投影到同一个平面，如图14所示。现在以视杯长度为例：将共中心的线段投影到同一个平面，可得8个点，将这8个点拟合成一个椭圆，如图14中所示的内部的那个小的椭圆，可得椭圆参数，因而可求视杯面积，即较小椭圆(视杯椭圆)的面积。视盘类似，拟合出图14中所示的外部的那个大的椭圆，可以求出视盘面积，即较大椭圆(视盘椭圆)的面积。杯盘面积比为视杯与视盘面积比，视杯与视盘面积比为较小椭圆面积比上较大椭圆面积；视杯与视盘水平比为0度下视杯长度与0度视盘长度的比值；视杯与视盘垂直比为90度下是视杯长度与90度视盘长度的比值。

本申请实施例，一方面，通过检测模型就能直接获得眼部oct图像的定位点检测结果，大大提高了检测效率，在此基础上，根据多个角度的视杯视盘定位点结果的进行线段投影，通过拟合获取了视杯视盘形态参数，方法简便高效，易于实施；另一方面，由于检测模型提取了眼部oct图像多个不同尺度的特征，更加准确地实现了视杯和视盘的定位点检测，也就提高了视杯视盘形态参数获得的准确性；再一方面，基于多个不同角度的视杯和视盘定位点，获得了更多，更丰富的眼部oct图像的视杯视盘形态参数，使得本申请的方案能适用于不同的场景，更具适应性。

本申请一实施例还提供了一种青光眼分级方法，该青光眼分级方法利用前述实施例获取到视杯面积、视盘面积、杯盘面积比，和垂直杯盘比共4维形态参数之后，还包括：获取5维节细胞复合体(ganglioncellcomplex，gcc)特征和4维视网膜视神经纤维层(retinalopticnervefiberlayer，rnfl)厚度特征；将4维形态参数，5维gcc特征和4维rnfl特征组合成13维输入特征，输入使用机器学习方法训练出的青光眼分级模型，获得青光眼分级结果。

其中，关于gcc参数的5维gcc特征包括：上方gcc厚度、下方gcc厚度、平均gcc厚度、局部丢失体积(flv)和整体丢失体积(glv)。

关于rnfl厚度的4维rnfl厚度特征包括：上侧rnfl厚度、下侧rnfl厚度、鼻侧rnfl厚度和颞侧rnfl厚度。

5维gcc特征以及4维rnfl厚度特征可以从oct图像采集仪器中直接读取。

将4维形态参数，5维gcc特征和4维rnfl特征，组合成13维输入特征，输入使用机器学习方法训练出的青光眼分级模型，获得青光眼分级结果。

青光眼分级模型可以为基于机器学习的分类模型。例如基于xgboost的决策树模型。

示例性地，青光眼分级模型的分级结果包括：无青光眼，低危，中危，高危。该示例为四分类，此外，还可以为二分类模型、三分类模型、或者更多类别的分类模型。

可以理解的是，本领域技术人员可以在本申请实施例的教导下根据实际实施情况选用合适的分级模型，分级模型的分类结果也可以根据实际情况进行选择设置，本申请对此不做具体限定。

本申请实施例综合了多种参数，提高了分类的准确率。另外，基于青光眼分级模型进行分级，可在数秒内完成决策，减少了系统资源占用，极大提高了分级效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

对应于上文实施例所述的基于眼部oct图像的视杯和视盘定位点检测方法，图15示出了本申请实施例提供的基于眼部oct图像的视杯和视盘定位点检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图15，该装置包括：

获取模块151，用于获取眼部oct图像；

检测模块152，用于通过预设的检测模型对眼部oct图像的视杯和视盘定位点进行检测，一方面，直接通过检测模型对眼部oct图像就能获得定位点检测结果，大大提高了检测的效率；另一方面，由于检测模型提取了眼部oct图像多个不同尺度的特征，更加准确地实现了视杯和视盘的定位点检测。

需要说明的是，上述模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图16为本申请一实施例提供的终端设备的结构示意图。如图16所示，该实施例的终端设备16包括：至少一个处理器160(图16中仅示出一个处理器)、存储器161以及存储在所述存储器161中并可在所述至少一个处理器160上运行的计算机程序162，所述处理器100执行所述计算机程序162时实现上述各个方法实施例中的步骤。例如图1所示的步骤s110至步骤s120。

所述终端设备可包括但不仅限于处理器160、存储器161。本领域技术人员可以理解，图16仅仅是终端设备16的示例，并不构成对终端设备16的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述心电图机还可以包括输入输出设备、网络接入设备、总线等。

所称处理器160可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器161可以是所述终端设备16的内部存储单元，例如终端设备16的硬盘或内存。所述存储器161也可以是所述终端设备16的外部存储设备，例如所述终端设备16上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器161还可以既包括所述终端设备16的内部存储单元也包括外部存储设备。所述存储器161用于存储所述计算机程序以及所述终端设备16所需的其他程序和数据。所述存储器161还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。