一种眼底图像的识别方法以及相关设备

本发明涉及图像处理领域，尤其涉及一种眼底图像的识别方法以及相关设备。

背景技术：

1、血管衰老和代谢异常是联系紧密的生理过程，也是引发全身多系统疾病的原因。视网膜作为血管衰老和糖尿病的攻击靶点，已经成为眼科医生评估患者全身健康状况的重要窗口。脉搏波传导速度(pwv)是指脉搏波由动脉的一特定位置沿管壁传播至另一特定的位置的速率。pwv与动脉的弹性关系密切，由于动脉弹性减低，脉搏波在动脉系统的传播速度就加快了，它与动脉壁的生物力学特性、血管的几何特征以及血液的密度等因素有一定的关系，可以反映动脉功能的实时改变。

2、pwv是用来评估血管衰老的重要指标，但设备供给不足、费用较高等问题限制了脉搏波传导速度的应用。

技术实现思路

1、本发明实施例提供了一种眼底图像的识别方法及相关设备，可以通过眼底图像对目标用户的血管衰老和代谢异常进行诊断。

2、本发明第一方面提供了一种眼底图像的识别方法，包括：

3、获取目标用户所对应的目标眼底图像；

4、对所述目标眼底图像进行预处理，以得到预处理后的所述目标眼底图像；

5、将预处理后的所述目标眼底图像输入目标识别模型，以得到所述目标眼底图像所对应的识别结果，其中，所述目标识别模型为预先通过卷积神经网络对训练样本集进行训练得到的，所述训练样本集包括多个用户中每个用户所对应的原始眼底图像以及所述每个用户所对应的原始眼底图像的标注信息。

6、一种可能的设计中，所述方法还包括：

7、步骤1、获取所述多个用户中每个用户所对应的原始眼底图像，以得到原始眼底图像集合，所述原始眼底图像集合中每个原始眼底图像均包括标注信息；

8、步骤2、对所述原始眼底图像集合中每个原始眼底图像进行预处理，以得到目标训练样本集合；

9、步骤3、基于多层神经网络结构构建初始识别模型；

10、步骤4、将目标训练样本输入所述初始识别模型，以得到所述目标训练样本所对应的识别结果，所述目标训练样本为所述目标训练样本集合中的任意一个训练样本；

11、步骤5、基于所述识别结果与所述目标训练样本所对应的标注信息之间的差异，通过梯度下降的方式调整所述初始识别模型的损失函数；

12、步骤6、基于调整后的所述损失函数迭代执行步骤4至步骤5，直至达到预置的迭代终止条件；

13、步骤7、将达到所述预置的迭代终止条件时的所述初始识别模型确定为目标识别模型。

14、一种可能的设计中，所述对所述原始眼底图像集合中每个原始眼底图像进行预处理，以得到目标训练样本集合包括：

15、对目标原始眼底图像进行中心化和归一化处理，以得到标准原始眼底图像，所述目标原始眼底图像为所述原始眼底图像集合中的任意一个原始眼底图像；

16、对所述标准原始眼底图像进行图像增强，以得到所述目标训练样本集合。

17、一种可能的设计中，所述对所述标准原始眼底图像进行图像增强，以得到所述目标训练样本集合包括：

18、对所述标准原始眼底图像进行旋转、缩放以及平移，以得到调整原始眼底图像；

19、对所述调整原始眼底图像进行随机噪声添加以及高斯滤波处理，以得到所述目标训练样本集合。

20、一种可能的设计中，所述目标识别模型包括：卷积层、最大池化层、全局平均池化层和softmax层，其中，所述卷积层的卷积核大小为3×3，步长为1，所述最大池化层的池化尺寸为2×2，步长为2，所述全局平均池化层的输出尺寸为1×1，所述softmax层的类别为n。

21、一种可能的设计中，所述方法还包括：

22、确定所述目标眼底图像所对应的实际诊断结果；

23、根据所述实际诊断结果与所述目标眼底图像所对应的识别结果之间的差异对所述目标识别模型进行更新。

24、本发明第二方面提供了一种眼底图像的识别装置，包括：

25、获取模块，用于获取目标用户所对应的目标眼底图像；

26、预处理模块，用于对所述目标眼底图像进行预处理，以得到预处理后的所述目标眼底图像；

27、识别模块，用于将预处理后的所述目标眼底图像输入目标识别模型，以得到所述目标眼底图像所对应的识别结果，其中，所述目标识别模型为预先通过卷积神经网络对训练样本集进行训练得到的，所述训练样本集包括多个用户中每个用户所对应的原始眼底图像以及所述每个用户所对应的原始眼底图像的标注信息。

28、一种可能的设计中，所述装置还包括：

29、模型训练模块，所述模型训练模块用于：

30、步骤1、获取所述多个用户中每个用户所对应的原始眼底图像，以得到原始眼底图像集合，所述原始眼底图像集合中每个原始眼底图像均包括标注信息；

31、步骤2、对所述原始眼底图像集合中每个原始眼底图像进行预处理，以得到目标训练样本集合；

32、步骤3、基于多层神经网络结构构建初始识别模型；

33、步骤4、将目标训练样本输入所述初始识别模型，以得到所述目标训练样本所对应的识别结果，所述目标训练样本为所述目标训练样本集合中的任意一个训练样本；

34、步骤5、基于所述识别结果与所述目标训练样本所对应的标注信息之间的差异，通过梯度下降的方式调整所述初始识别模型的损失函数；

35、步骤6、基于调整后的所述损失函数迭代执行步骤4至步骤5，直至达到预置的迭代终止条件；

36、步骤7、将达到所述预置的迭代终止条件时的所述初始识别模型确定为目标识别模型。

37、一种可能的设计中，所述模型训练模块对所述原始眼底图像集合中每个原始眼底图像进行预处理，以得到目标训练样本集合包括：

38、对目标原始眼底图像进行中心化和归一化处理，以得到标准原始眼底图像，所述目标原始眼底图像为所述原始眼底图像集合中的任意一个原始眼底图像；

39、对所述标准原始眼底图像进行图像增强，以得到所述目标训练样本集合。

40、一种可能的设计中，所述模型训练模块对所述标准原始眼底图像进行图像增强，以得到所述目标训练样本集合包括：

41、对所述标准原始眼底图像进行旋转、缩放以及平移，以得到调整原始眼底图像；

42、对所述调整原始眼底图像进行随机噪声添加以及高斯滤波处理，以得到所述目标训练样本集合。

43、一种可能的设计中，所述目标识别模型包括：卷积层、最大池化层、全局平均池化层和softmax层，其中，所述卷积层的卷积核大小为3×3，步长为1，所述最大池化层的池化尺寸为2×2，步长为2，所述全局平均池化层的输出尺寸为1×1，所述softmax层的类别为n。

44、一种可能的设计中，所述模型训练模块还用于：

45、确定所述目标眼底图像所对应的实际诊断结果；

46、根据所述实际诊断结果与所述目标眼底图像所对应的识别结果之间的差异对所述目标识别模型进行更新。

47、本发明第三方面提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述第一方面所述的眼底图像的识别方法的步骤。

48、本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如上述第一方面所述的眼底图像的识别方法的步骤。

49、综上所述，可以看出，本发明提供的实施例中，预先通过多层神经网络结构对目标训练样本集进行训练得到目标识别模型，进而通过目标识别模型对目标用户的目标眼底图像进行识别，以判别目标用户是否存在血管衰老和代谢性疾病，可以通过目标用户的眼底图像来识别目标用户是否存在血管衰老和代谢性疾病。