一种青光眼图像检测方法、系统、电子设备及存储介质

本技术涉及医学图像处理领域，尤其涉及一种青光眼图像检测方法、系统、电子设备及存储介质。

背景技术：

1、随着现代化发展进程地加快，人们的用眼频率越来越高，随之而来的是患有眼科疾病的患者数量在不断地增加，越来越多的人被眼科疾病所带来的痛苦折磨，青光眼是一种以病理性高眼压、视神经乳头萎缩、视野缺损、视力下降为特征的眼病。目前，眼底图像检测是筛查眼科疾病的最主要手段之一，医生可以通过患者的眼底图像判断患者是否患有常见的眼科疾病。

2、在青光眼的检测中，人工观察眼底图像存在准确率低以及效率低下的问题。相关技术中，逐渐使用基于人工智能的医学图像处理方法来检测眼底图像，但是在青光眼图像检测过程中，通常是对完整的眼底图像进行判断，或者是只通过聚焦局部的核心区域进行判断，这样会导致模型性能指标较低，泛化能力较差，从而降低青光眼图像检测的准确性。

技术实现思路

1、本技术实施例的主要目的在于提出一种青光眼图像检测方法、系统、电子设备及存储介质，能够提高青光眼图像检测的准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种青光眼图像检测方法，所述方法包括：获取包含眼睛全局特征的眼底图像；将所述眼底图像输入预先训练好的视盘分割模型中，所述视盘分割模型根据所述眼底图像的图像特征进行分割处理，得到表征眼睛视盘区域局部特征的视盘区域图像；将所述眼底图像和所述视盘区域图像输入预先训练好的双分支青光眼图像检测模型，所述双分支青光眼图像检测模型对所述眼底图像和所述视盘区域图像进行处理并对所述眼底图像进行预测，得到所述眼底图像的图像预测概率值；根据所述图像预测概率值得到所述眼底图像的青光眼图像检测结果。

3、在一些实施例中，所述视盘分割模型通过以下步骤训练得到，包括：获取预设的视盘分割训练集，并为所述视盘分割训练集中的第一样本图像设置对应的第一标签信息；从所述视盘分割训练集中选取任意的所述第一样本图像并输入到所述视盘分割模型中，得到视盘区域预测的样本视盘预测概率值；根据所述第一标签信息和所述样本视盘预测概率值计算所述视盘分割模型的视盘分割损失值，并根据所述视盘分割损失值调整所述视盘分割模型的参数，得到训练后的所述视盘分割模型。

4、在一些实施例中，所述第一样本图像包含多个像素点，所述样本视盘预测概率值为各个像素点的样本像素预测概率值；所述根据所述第一标签信息和所述样本视盘预测概率值计算所述视盘分割模型的视盘分割损失值，包括：获取所述第一样本图像的像素点个数和预设的常数值；根据所述像素点个数、各像素点对应的所述样本像素预测概率值和所述第一标签信息进行交叉熵损失计算，得到第一损失值；根据所述像素点个数、各像素点对应的所述样本像素预测概率值、所述第一标签信息和所述常数值进行戴斯损失计算，得到第二损失值；根据所述第一损失值和第二损失值得到视盘分割损失值。

5、在一些实施例中，所述视盘分割模型包括编码器、解码器和分割头，其中，所述编码器包含卷积核为7*7的卷积层、池化层和多层block模块，所述解码器包含多个处理模块，且每个所述处理模块与所述卷积层、所述池化层和多层所述block模块一一对应；所述视盘分割模型根据所述眼底图像的图像特征进行分割处理，得到表征眼睛视盘区域局部特征的视盘区域图像，包括：对所述眼底图像进行预处理，得到待分割眼底图像；通过所述卷积层对所述待分割眼底图像进行特征提取处理，得到第一特征图，通过所述池化层对所述第一特征图进行采样处理，得到第二特征图，通过多层所述block模块对所述第二特征图进行残差处理，得到多个第三特征图；通过所述解码器分别对所述第一特征图、所述第二特征图和各层所述block模块输出的多个所述第三特征图进行上采样和拼接，得到处理后的特征处理图像；通过所述分割头对所述特征处理图像进行上采样操作，并计算预测得到的所述特征处理图像中各个像素点的像素预测概率值，根据所述像素预测概率值确定得到所述视盘区域位置信息；根据所述视盘区域位置信息确定视盘区域的位置坐标，根据所述位置坐标从所述特征处理图像裁剪得到表征眼睛视盘区域局部特征的视盘区域图像。

6、在一些实施例中，所述双分支青光眼图像检测模型通过以下步骤训练得到，包括：获取青光眼图像训练集，并为所述青光眼图像训练集中的样本图像组设置对应的第二标签信息，其中，所述样本图像组包括第二样本图像和第三样本图像，所述第二样本图像为包含眼睛全局特征的图像，所述第三样本图像为表征眼睛视盘区域局部特征的图像；从所述青光眼图像训练集中选取任意的一组所述样本图像组，并输入到所述双分支青光眼图像检测模型中，得到所述样本图像组的样本图像预测概率值；根据所述第二标签信息和所述样本图像预测概率值计算所述双分支青光眼图像检测模型的图像预测损失值，并根据所述图像预测损失值调整所述双分支青光眼图像检测模型的参数，得到训练后的所述双分支青光眼图像检测模型。

7、在一些实施例中，所述根据所述第二标签信息和所述样本图像预测概率值计算所述双分支青光眼图像检测模型的图像预测损失值，包括：获取所述青光眼图像训练集中的图像数量；根据所述图像数量、各所述样本图像组对应的所述样本图像预测概率值和所述第二标签信息进行交叉熵损失计算，得到图像预测损失值。

8、在一些实施例中，所述双分支青光眼图像检测模型包括第一图像分类网络第二图像分类网络、自适应特征融合模块和全连接层；所述双分支青光眼图像检测模型对所述眼底图像和所述视盘区域图像进行处理并对所述眼底图像进行预测，得到所述眼底图像的图像预测概率值，包括：通过所述第一图像分类网络对所述视盘区域图像进行划分、嵌入、合并及swin transformer blocks处理，得到第一分类图像；通过所述第二图像分类网络对所述眼底图像进行划分、嵌入、合并及swin transformer blocks处理，得到第二分类图像；通过所述自适应特征融合模块对所述第一分类图像和所述第二分类图像进行特征拼接得到第三分类图像，并对所述第三分类图像进行第一线性处理、归一化处理、非线性处理、第二线性处理和激活操作，得到所述第三分类图像的权重系数；根据所述权重系数，将所述第三分类图像与所述权重系数相乘，得到特征融合图像；所述全连接层对所述特征融合图像进行通道转换，并最终得到所述眼底图像的图像预测概率值。

9、为实现上述目的，本技术实施例的第二方面提出了一种青光眼图像检测系统，所述系统包括：图像获取模块，用于获取包含眼睛全局特征的眼底图像；图像视盘分割模块，用于将所述眼底图像输入预先训练好的视盘分割模型中，所述视盘分割模型根据所述眼底图像的图像特征进行分割处理，得到表征眼睛视盘区域局部特征的视盘区域图像；双分支青光眼图像检测模块，用于将所述眼底图像和所述视盘区域图像输入预先训练好的双分支青光眼图像检测模型，所述双分支青光眼图像检测模型对所述眼底图像和所述视盘区域图像进行处理并对所述眼底图像进行预测，得到所述眼底图像的图像预测概率值；根据所述图像预测概率值得到所述眼底图像的青光眼图像检测结果。

10、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面实施例所述的方法。

11、为实现上述目的，本技术实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述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上述第一方面实施例所述的方法。

12、本技术实施例提出了一种青光眼图像检测方法、系统、电子设备及存储介质，其中，青光眼图像检测方法可以应用在青光眼图像检测系统中。首先，获取包含眼睛全局特征的眼底图像，并将该眼底图像输入预先训练好的视盘分割模型中，视盘分割模型根据眼底图像的图像特征进行分割处理，得到表征眼睛视盘区域局部特征的视盘区域图像，之后，将眼底图像和视盘区域图像输入预先训练好的双分支青光眼图像检测模型，双分支青光眼图像检测模型能够对眼底图像和视盘区域图像进行处理并对眼底图像进行预测，得到眼底图像的图像预测概率值，最后，根据图像预测概率值可以得到眼底图像的青光眼图像检测结果。

13、本技术通过将获取到的包含眼睛全局特征的眼底图像输入视盘分割模型得到表征眼睛视盘区域局部特征的视盘区域图像，再通过将眼底图像和的视盘区域图像输入双分支青光眼图像检测模型中，在聚焦眼底图像核心区域的同时，关注完整眼底图像中包含的部分潜在信息，综合利用了眼底图像的全局信息和局部信息对青光眼图像进行检测，能够有效地提高青光眼图像检测的准确性。