基于眼前节图像的眼病识别方法、装置、设备及存储介质

1.本发明涉及图像处理技术领域，尤其涉及一种基于眼前节图像的眼病识别方法、装置、设备及存储介质。


背景技术：

2.目前，在对眼前节疾病进行识别时，常常是基于单一眼前节影像识别一种眼前节疾病，往往无法同时识别多种眼前节疾病，存在着识别效率不高的问题，因此，如何提供一种基于眼前节图像的眼病识别方法，实现对多种眼前节疾病的同时识别，提高识别效率，成为了亟待解决的问题。


技术实现要素：

3.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于眼前节图像的眼病识别方法，能够实现对多种眼前节疾病的同时识别，识别效率较高。
4.本发明还提出一种基于眼前节图像的眼病识别装置。
5.本发明还提出一种基于眼前节图像的眼病识别设备。
6.本发明还提出一种计算机可读存储介质。
7.根据本发明的第一方面实施例的基于眼前节图像的眼病识别方法，包括：
8.获取眼前节图像；
9.对所述眼前节图像进行标准化处理，得到标准眼前节图像；
10.对所述标准眼前节图像进行分割处理，得到多个局部眼前节图像；
11.提取所述局部眼前节图像中的病理特征；
12.对每一所述病理特征进行特征重要性分析，确定目标病理特征；
13.根据所述目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别。
14.根据本发明实施例的基于眼前节图像的眼病识别方法，至少具有如下有益效果：这种眼病识别方法通过获取眼前节图像，对眼前节图像进行标准化处理，得到标准眼前节图像。通过获取眼前节图像能够方便地获取到整个眼前节结构信息。对标准眼前节图像进行分割处理，得到多个局部眼前节图像，提取局部眼前节图像中的病理特征，能够方便地获取到多种眼前节疾病的病理特征。进而对每一病理特征进行特征重要性分析，确定目标病理特征，根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，，能够实现对多种眼前节疾病的同时识别，识别效率较高。
15.根据本发明的一些实施例，所述获取眼前节图像，包括：
16.获取眼前节图像及所述眼前节图像对应的流调参数。
17.根据本发明的一些实施例，所述对所述眼前节图像进行标准化处理，得到标准眼前节图像，包括：
18.对所述眼前节图像进行筛选，得到筛选之后的眼前节图像；
19.根据交叉检验法，对所述筛选之后的眼前节图像进行标注处理，得到标准眼前节
图像。
20.根据本发明的一些实施例，所述对所述标准眼前节图像进行分割处理，得到多个局部眼前节图像，包括：
21.获取所述标准眼前节图像的三维结构参数；
22.根据所述三维结构参数和已训练的多目标分割模型对所述标准眼前节图像进行分割处理，得到多个局部眼前节图像。
23.根据本发明的一些实施例，所述对每一所述病理特征进行特征重要性分析，确定目标病理特征，包括：
24.根据皮尔逊关联系数法、双边多变量法和特征迭代删除法中的至少一种对每一所述病理特征进行特征重要性分析，确定目标病理特征。
25.根据本发明的一些实施例，所述根据所述目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，包括：
26.根据图卷积和所述目标病理特征，构建多视角卷积模块；
27.根据所述多视角卷积模块和多区域选择注意力机制模块，得到ai分析模型；
28.根据已训练的所述ai分析模型对致盲性眼病进行识别。
29.根据本发明的一些实施例，所述眼病识别方法还包括：
30.根据人工智能算法对所述眼前节图像进行识别，得到识别数据；
31.根据所述识别数据，配置对应的参考文件；
32.根据获取到的反馈数据，对所述参考文件进行优化处理，得到最终的参考文件。
33.根据本发明的第二方面实施例的基于眼前节图像的眼病识别装置，包括：
34.眼前节图像获取模块，用于获取眼前节图像；
35.标准化处理模块，用于对所述眼前节图像进行标准化处理，得到标准眼前节图像；
36.图像分割模块，用于对所述标准眼前节图像进行分割处理，得到多个局部眼前节图像；
37.特征提取模块，用于提取所述局部眼前节图像中的病理特征；
38.特征分析模块，用于对每一所述病理特征进行特征重要性分析，确定目标病理特征；
39.识别模块，用于根据所述目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别。
40.根据本发明实施例的基于眼前节图像的眼病识别装置，至少具有如下有益效果：这种眼病识别装置通过眼前节图像获取模块获取眼前节图像，标准化处理模块对眼前节图像进行标准化处理，得到标准眼前节图像。通过获取眼前节图像能够方便地获取到整个眼前节结构信息。图像分割模块对标准眼前节图像进行分割处理，得到多个局部眼前节图像，特征提取模块提取局部眼前节图像中的病理特征，能够方便地获取到多种眼前节疾病的病理特征。进而特征分析模块对每一病理特征进行特征重要性分析，确定目标病理特征，识别模块根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，，能够实现对多种眼前节疾病的同时识别，识别效率较高。
41.根据本发明的第三方面实施例的基于眼前节图像的眼病识别设备，包括：
42.至少一个处理器，以及，
43.与所述至少一个处理器通信连接的存储器；其中，
44.所述存储器存储有指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行所述指令时实现如第一方面实施例所述的眼病识别方法。
45.根据本发明实施例的基于眼前节图像的眼病识别设备，至少具有如下有益效果：这种电子设备采用上述基于眼前节图像的眼病识别方法，通过获取眼前节图像，对眼前节图像进行标准化处理，得到标准眼前节图像。通过获取眼前节图像能够方便地获取到整个眼前节结构信息。对标准眼前节图像进行分割处理，得到多个局部眼前节图像，提取局部眼前节图像中的病理特征，能够方便地获取到多种眼前节疾病的病理特征。进而对每一病理特征进行特征重要性分析，确定目标病理特征，根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，，能够实现对多种眼前节疾病的同时识别，识别效率较高。
46.根据本发明的第四方面实施例的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可执行指令，所述计算机可执行指令用于使计算机执行如第一方面实施例所述的基于眼前节图像的眼病识别方法。
47.根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：这种计算机可读存储介质执行上述眼病识别方法通过获取眼前节图像，对眼前节图像进行标准化处理，得到标准眼前节图像。通过获取眼前节图像能够方便地获取到整个眼前节结构信息。对标准眼前节图像进行分割处理，得到多个局部眼前节图像，提取局部眼前节图像中的病理特征，能够方便地获取到多种眼前节疾病的病理特征。进而对每一病理特征进行特征重要性分析，确定目标病理特征，根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，，能够实现对多种眼前节疾病的同时识别，识别效率较高。
48.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
49.下面结合附图和实施例对本发明做进一步的说明，其中：
50.图1为本发明实施例的基于眼前节图像的眼病识别方法的流程图；
51.图2为图1中步骤s200的流程图；
52.图3为图1中步骤s300的流程图；
53.图4为图1中步骤s600的流程图；
54.图5为图1的基于眼前节图像的眼病识别方法的另一流程图；
55.图6为本发明实施例的基于眼前节图像的眼病识别装置的结构示意图。
56.附图标记：610、眼前节图像获取模块；620、标准化处理模块；630、图像分割模块；640、特征提取模块；650、特征分析模块；660、识别模块。
具体实施方式
57.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
58.在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等
指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
59.在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
60.本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
61.本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
62.第一方面，参照图1，本发明实施例的基于眼前节图像的眼病识别方法包括：
63.s100，获取眼前节图像；
64.s200，对眼前节图像进行标准化处理，得到标准眼前节图像；
65.s300，对标准眼前节图像进行分割处理，得到多个局部眼前节图像；
66.s400，提取局部眼前节图像中的病理特征；
67.s500，对每一病理特征进行特征重要性分析，确定目标病理特征；
68.s600，根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别。
69.在对眼前节疾病进行识别的过程中，首先获取眼前节图像。需要说明的是，这些眼前节图像是一种as
‑
oct三维影像。这种三维影像具备三维成像非接触、高探测灵敏度、高分辨、检查快速、客观定量化测量等特点，通过获取到的眼前节图像能够得到对应的整个眼前节结构信息。这类眼前节图像可以通过as
‑
oct设备采集，并通过扫描模式以多角度获取到，还可以是其他方式，不限于此。进而，对眼前节图像进行标准化处理，得到标准眼前节图像。具体地，可以通过对获取到的眼前节图像进行筛选，剔除异常图像，再通过交叉检验等方式，对筛选之后的眼前节图像进行标注处理，得到标准眼前节图像。由于针对多种眼前节疾病识别，需要分别对眼前节结构的不同部分进行分析，因而对标准眼前节图像进行分割处理，得到多个局部眼前节图像。根据这些局部眼前节图像对眼前节疾病进行分析，提取局部眼前节图像中的病理特征，对不同类型的病理特征进行特征重要性分析和特征相关性分析，确定目标病理特征。根据目标病理特征和已训练的ai分析模型，对致盲性眼病机芯识别，其中，已训练的a分析模型以二维卷积神经和三维深度神经网络的混合模型为基础，同时包括多视角图卷积模块和多区域选择注意力机制模块，能够提高眼科疾病识别的全面性和准确性。这种识别方法能够实现对多种眼前节疾病的同时识别，识别效率较高。
70.在一些实施例中，步骤s100，包括：
71.获取眼前节图像及眼前节图像对应的流调参数。
72.在对眼前节疾病进行识别的过程中，需要获取眼前节图像。这些眼前节图像是一
种as
‑
oct三维影像。通过获取到的眼前节图像能够得到对应的整个眼前节结构信息。这类眼前节图像可以通过as
‑
oct设备采集，并通过扫描模式以多角度获取到。为了提高识别准确性，还需要获取每一眼前节图像对应的流调参数，其中，流调参数包括年龄、性别、裸眼视力等等，这些流调参数可以帮助分析识别不同的眼科疾病，提高分析准确性。
73.参照图2，在一些实施例中，步骤s200，包括：
74.s210，对眼前节图像进行筛选，得到筛选之后的眼前节图像；
75.s220，根据交叉检验法，对筛选之后的眼前节图像进行标注处理，得到标准眼前节图像。
76.在对眼前节疾病进行识别的过程中，首先获取眼前节图像。在获取到眼前节图像之后，为了避免异常数据的干扰，需要对眼前节图像进行筛选，剔除异常眼前节图像。为了提高图像标注质量，还需要根据交叉检验法对筛选之后的眼前节图像进行标注处理，得到标准眼前节图像。需要说明的是，这里的交叉检验法是指对筛选的眼前节图像的各个区域进行多次标注处理之后，针对每一区域综合该区域内的多个标注，形成最终的标注。通过这一标注方式，能够提高图像的标注质量，提高数据准确性。
77.参照图3，在一些实施例中，步骤s300，包括：
78.s310，获取标准眼前节图像的三维结构参数；
79.s320，根据三维结构参数和已训练的多目标分割模型对标准眼前节图像进行分割处理，得到多个局部眼前节图像。
80.在对获取到的眼前节图像进行筛选和标注处理，得到标准眼前节图像之后，为了提高对眼前节结构分割的准确性，需要获取标准眼前节图像的三维结构参数，根据三维结构参数和已训练的多目标分割模型对标准眼前节图像进行分割和检测，得到多个局部眼前节图像。具体地，多目标分割模型主要为基于多信息交互的端到端多目标分割模型，分割模型使用的卷积层可以表示为：
[0081][0082]
其中，h
cij
表示由输入样本j所产生的隐藏层中特征映射图i中c位置的值，w
k,m,i
表示对于输入样本的m通道到隐藏层中特征映射图i的卷积核在k位置的权重值，表示输入样本j的m通道的数据在d
°
c+k位置所对应的像素值。d表示下采样卷积的步幅向量，决定每隔多少个像素进行采样，
°
表示元素对应乘积。
[0083]
多目标分割模型对标准眼前节图像分割时使用的交叉熵损失函数为
[0084][0085]
其中，其中，n为类别数，y表示真实标注，表示分割预测结果。
[0086]
多目标分割模型对标准眼前节图像进行检测时使用的mes损失函数为
[0087][0088]
其中，y
i
与表示模型的标签值与预测值，n表示回归坐标点的数量。
[0089]
在一些实施例中，步骤s500，包括：
[0090]
根据皮尔逊关联系数法、双边多变量法和特征迭代删除法中的至少一种对每一病理特征进行特征重要性分析，确定目标病理特征。
[0091]
为了充分利用眼前节图像与多种疾病相关的不同区域以及不同特征间的相关性，可以在对标准眼前节图像进行分割得到多个局部眼前节图像之后，利用影像组学方法等提取不同类型的病理特征。根据皮尔逊关联系数法、双边多变量法和特征迭代删除法中的至少一种对每一病理特征进行特征重要性分析，对特征重要性进行分析排序，分析各个病理特征，从而确定目标病理特征。需要说明的是，采用皮尔逊关联系数法对每一病理特征进行特征重要性分析时，皮尔逊关联系数法可以表示为
[0092][0093]
其中，e[(x
‑
μ
x
)(y
‑
μ
y
)]代表x和y的协方差，σ
x
、σ
y
分别是x和y的标准差。
[0094]
由于皮尔逊关联系数法计算速度快，适用于大量数据分析，能够提高识别效率。
[0095]
另外，由于皮尔逊系数只对线性关系敏感，对于非线性模型，可以采用特征迭代删除方法进行特征分析。通过模型训练样本，然后对每个病理特征进行得分进行排序，去掉最小特征得分的病理特征，然后用剩余的病理特征再次训练模型，进行下一次迭代，最后选出需要的病理特征，将这些病理特征作为目标病理特征。
[0096]
参照图4，在一些实施例中，步骤s600，包括：
[0097]
s610，根据图卷积和目标病理特征，构建多视角卷积模块；
[0098]
s620，根据多视角卷积模块和多区域选择注意力机制模块，得到ai分析模型；
[0099]
s630，根据已训练的ai分析模型对致盲性眼病进行识别。
[0100]
为了充分利用眼前节图像中包含的多种疾病病理特征以及图像的空间结构信息，可以采用二维卷积神经和三维深度神经网络的混合模型作为ai分析模型的基础网络框架。使用图卷积对目标病理特征进行处理，来构造不同角度的眼前节图像之间的相关性，形成多视角卷积模块。同时，为了表征眼前节图像中不同区域之间的差异性，还可以构建多区域选择注意力机制模块。通过将多视角卷积模块和多区域选择注意力机制模块融入混合模型，得到ai分析模型。通过这一多视角多疾病的ai分析模型能够方便地对致盲性眼病进行识别，提高了对眼科疾病的识别全面性和分析准确性。
[0101]
参照图5，在一些实施例中，该眼病识别方法还包括：
[0102]
s700，根据人工智能算法对眼前节图像进行识别，得到识别数据；
[0103]
s800，根据识别数据，配置对应的参考文件；
[0104]
s900，根据获取到的反馈数据，对参考文件进行优化处理，得到最终的参考文件。
[0105]
在对眼前节疾病进行识别的过程中，可以根据人工智能算法对眼前节图像进行识别并且得到识别数据。具体地，可以根据接收到的不同命令，调用不同疾病的分析算法和计算服务功能，能够提高识别效率。通过获取识别数据，能够根据识别数据，在资源库中查询并配置对应的参考文件。例如，资源库中存储的疾病分析资料和治疗方案等等。为了能够针对不同的眼前节疾病提供更为匹配的方案，还可以通过交互反馈系统获取反馈数据，根据反馈数据对参考文件进行优化处理，生成最终的参考文件。需要说明的是，交互反馈系统可以通过规则驱动和数据驱动等原则控制反馈数据的输出，这种方式能够提高反馈数据的准
确性，使得生成的参考文件能够更为精确的辅助分析对应的眼前节疾病，提高疾病识别分析准确性。
[0106]
第二方面，参照图6，本发明实施例的基于眼前节图像的眼病识别装置包括：
[0107]
眼前节图像获取模块610，用于获取眼前节图像；
[0108]
标准化处理模块620，用于对眼前节图像进行标准化处理，得到标准眼前节图像；
[0109]
图像分割模块630，用于对标准眼前节图像进行分割处理，得到多个局部眼前节图像；
[0110]
特征提取模块640，用于提取局部眼前节图像中的病理特征；
[0111]
特征分析模块650，用于对每一病理特征进行特征重要性分析，确定目标病理特征；
[0112]
识别模块660，用于根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别。
[0113]
在对眼前节疾病进行识别的过程中，眼前节图像获取模块610首先获取眼前节图像。通过获取到的眼前节图像能够得到对应的整个眼前节结构信息。进而，标准化处理模块620对眼前节图像进行标准化处理，得到标准眼前节图像。具体地，可以通过对获取到的眼前节图像进行筛选，剔除异常图像，再通过交叉检验等方式，对筛选之后的眼前节图像进行标注处理，得到标准眼前节图像。由于针对多种眼前节疾病识别，需要分别对眼前节结构的不同部分进行分析，因而图像分割模块630对标准眼前节图像进行分割处理，得到多个局部眼前节图像。根据这些局部眼前节图像对眼前节疾病进行分析，特征提取模块640提取局部眼前节图像中的病理特征，特征分析模块650对不同类型的病理特征进行特征重要性分析和特征相关性分析，确定目标病理特征。识别模块660根据目标病理特征和已训练的ai分析模型，对致盲性眼病机芯识别，其中，已训练的a分析模型以二维卷积神经和三维深度神经网络的混合模型为基础，同时包括多视角图卷积模块和多区域选择注意力机制模块，能够提高眼科疾病识别的全面性和准确性。这种识别方法能够实现对多种眼前节疾病的同时识别，识别效率较高。
[0114]
第三方面，本发明实施例的基于眼前节图像的眼病识别设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有指令，指令被至少一个处理器执行，以使至少一个处理器执行指令时实现如第一方面实施例的眼病识别方法。
[0115]
根据本发明实施例的眼病识别设备，至少具有如下有益效果：这种电子设备采用上述眼病识别方法，通过获取眼前节图像，对眼前节图像进行标准化处理，得到标准眼前节图像。通过获取眼前节图像能够方便地获取到整个眼前节结构信息。对标准眼前节图像进行分割处理，得到多个局部眼前节图像，提取局部眼前节图像中的病理特征，能够方便地获取到多种眼前节疾病的病理特征。进而对每一病理特征进行特征重要性分析，确定目标病理特征，根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，，能够实现对多种眼前节疾病的同时识别，识别效率较高。
[0116]
第四方面，本发明还提出一种计算机可读存储介质。计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如第一方面实施例的基于眼前节图像的眼病识别方法。
[0117]
根据本发明实施例的计算机可读存储介质，至少具有如下有益效果：这种计算机
可读存储介质执行上述眼病识别方法，通过获取眼前节图像，对眼前节图像进行标准化处理，得到标准眼前节图像。通过获取眼前节图像能够方便地获取到整个眼前节结构信息。对标准眼前节图像进行分割处理，得到多个局部眼前节图像，提取局部眼前节图像中的病理特征，能够方便地获取到多种眼前节疾病的病理特征。进而对每一病理特征进行特征重要性分析，确定目标病理特征，根据目标病理特征和已训练的ai分析模型，对致盲性眼病进行识别，，能够实现对多种眼前节疾病的同时识别，识别效率较高。
[0118]
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。