本发明涉及计算机,尤其涉及一种眼底图像分类方法、装置、设备和存储介质。
背景技术:
1、随着计算机技术的发展,可以通过检测眼底图像中的视网膜评估分析眼底情况。
2、目前,通常是眼科医生通过人工经验对眼底图像进行评估分类,并将眼底图像分类结果作为判断眼底情况的参考信息。
3、然而,这种人工分类的方式,费时费力,并且存在误分类的情况,从而降低了眼底图像分类的准确性。
技术实现思路
1、本发明提供了一种眼底图像分类方法、装置、设备和存储介质,以实现眼底图像的自动分类,提高眼底图像分类的效率和准确性。
2、根据本发明的一方面,提供了一种眼底图像分类方法,该方法包括:
3、获取待分类的第一眼底图像;
4、对所述第一眼底图像进行预处理,获得预处理后的第二眼底图像;
5、将所述第二眼底图像输入至预先训练后的图像分类网络模型中进行图像分类,所述图像分类网络模型用于对所述第二眼底图像进行细粒度特征的注意力处理,并基于处理结果进行分类;
6、根据所述图像分类网络模型的输出,确定所述第一眼底图像对应的分类结果。
7、根据本发明的另一方面,提供了一种眼底图像分类装置,该装置包括:
8、第一图像获取模块,用于获取待分类的第一眼底图像;
9、第二图像确定模块,用于对所述第一眼底图像进行预处理,获得预处理后的第二眼底图像;
10、图像分类模块,用于将所述第二眼底图像输入至预先训练后的图像分类网络模型中进行图像分类,所述图像分类网络模型用于对所述第二眼底图像进行细粒度特征的注意力处理,并基于处理结果进行分类;
11、分类结果确定模块,用于根据所述图像分类网络模型的输出,确定所述第一眼底图像对应的分类结果。
12、根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
13、至少一个处理器;以及
14、与所述至少一个处理器通信连接的存储器;其中,
15、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的眼底图像分类方法。
16、根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的眼底图像分类方法。
17、本发明实施例的技术方案,通过对待分类的第一眼底图像进行预处理,将预处理后的第二眼底图像输入至预先训练后的图像分类网络模型中进行图像分类,通过图像分类网络模型对输入的第二眼底图像进行细粒度特征的注意力处理,并基于处理结果进行分类,从而可以提高有用信息的注意力,抑制无用信息,使得图像分类网络模型自动输出更加准确的分类结果,提高了图像分类的准确性,并且无需人工参与,实现了图像的自动分类,提高了图像分类效率。
18、应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
1.一种眼底图像分类方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述对所述第一眼底图像进行预处理,获得预处理后的第二眼底图像,包括:
3.根据权利要求1所述的方法,其特征在于,所述图像分类网络模型包括:特征提取子模型、注意力处理子模型和分类处理子模型;
4.根据权利要求3所述的方法,其特征在于,所述注意力处理子模型包括:特征映射单元和细粒度注意力单元;
5.根据权利要求4所述的方法,其特征在于,所述特征映射单元包括:第一平均池化层、第一最大池化层、第一多层感知器、第二多层感知器、激活处理层和第一残差处理层;
6.根据权利要求4所述的方法,其特征在于,所述细粒度注意力单元,包括:特征分割层、特征注意力层和特征拼接层;
7.根据权利要求6所述的方法,其特征在于,所述特征注意力层包括:第二平均池化层、第二最大池化层、特征卷积层和第二残差处理层;
8.一种眼底图像分类装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的眼底图像分类方法。