基于眼部特征的干眼症分级方法、装置、设备及介质与流程

本发明涉及图像处理，特别涉及一种基于眼部特征的干眼症分级方法、装置、设备及介质。

背景技术：

1、现有技术中，干眼症分级方法所采用的神经网络模型深度较大并且耗费的资源也较高，随着模型的深度的增加，特征的变换和组合会变得更加复杂，模型在进行变换和组合的过程中容易丢失干眼症进行分级的重要特征，导致干眼症分级的准确性和可靠性较低。

技术实现思路

1、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部特征的干眼症分解方法、装置、设备及介质，能够提高干眼症分级的准确性和可靠性。

2、第一方面，本发明实施例提供了一种基于眼部特征的干眼症分级方法，包括：

3、获取待检测样本的睑板腺成像数据和眼球成像数据；

4、根据所述睑板腺成像数据和所述眼球成像数据构建第一模型；

5、获取所述待检测样本的干眼症数据集，对所述干眼症数据集进行标注，将标注后的所述干眼症数据集输入至所述第一模型，以使标注后的所述干眼症数据集对所述第一模型进行训练，所述第一模型设置有多个模型层和全连接层；

6、对多个所述模型层进行可解释性分析，得到检测样本的分析报告，根据所述分析报告生成携带有所述分析报告的模型热图，其中，所述分析包括睑板腺分析结果和眼球分析结果。

7、在本发明的一些实施例中，所述根据所述睑板腺成像数据和所述眼球成像数据构建第一模型，包括：

8、获取多个卷积下采样信息、激活函数、残差函数和池化层信息；

9、根据多个所述下采样信息、所述激活函数、所述残差函数和所述池化层信息构建多个模型层；

10、对多个所述模型层进行分类，对完成分类的所述模型层增加所述全连接层。

11、在本发明的一些实施例中，所述对完成分类的所述模型层增加所述全连接层后，所述方法还包括：

12、获取所述睑板腺成像数据的第一数据来源和所述眼球成像数据的第二数据来源；

13、当所述第一数据来源与所述第二数据来源不同时，对所述第一数据来源和所述第二数据来源进行标注，得到所述第一数据来源的第一标签和所述第二数据来源的第二标签；

14、根据预设的投票机制对所述第一数据来源和所述第二数据来源进行投票，根据所述第一标签和所述第二标签的数量确定所述第一数据来源和所述第二数据来源的投票结果；

15、当所述第一标签的数量与所述第二标签的数量相同时，根据预设的可能性值确定所述投票结果；

16、在本发明的一些实施例中，所述对多个所述模型层进行可解释性分析，包括：

17、通过预设的可解释性工具对多个所述模型层进行可解释性分析；

18、获取所述睑板腺成像数据的第一先验信息和所述眼球成像数据的第二先验信息，将所述可解释性工具分别与所述第一先验信息和所述第二先验信息进行对照；

19、当所述可解释性工具与所述第一先验信息和所述第二先验信息匹配时，所述第一模型计算所述睑板腺成像数据与所述眼球成像数据的交并比和重叠比。

20、在本发明的一些实施例中，所述得到携带有所述睑板腺分析结果和所述眼球分析结果的模型热图，包括：

21、根据预设的数据集对所述第一模型进行训练，以使所述第一模型对所述睑板腺成像数据和所述眼球成像数据进行分类；

22、当所述第一模型完成训练后，获取所述第一模型输出的特征图像，其中，所述特征图像表征所述第一模型在不同区域内对所述睑板腺成像数据和所述眼球成像数据的响应程度；

23、对处于所述第一模型底部的卷积层的权重进行全局平均池化，获取所述睑板腺成像数据的第一权重向量和所述眼球成像数据的第二权重向量；

24、将所述第一权重向量和第二权重向量与所述特征图进行加权求和，得到多个类别的所述特征图像；

25、根据预设的可视化工具与所述特征图像叠加，得到所述模型热图。

26、在本发明的一些实施例中，所述计算所述睑板腺成像数据与所述眼球成像数据的交并比和重叠比，包括：

27、获取所述睑板腺成像数据的第一像素信息和所述眼球成像数据的第二像素信息，其中，所述第一像素信息为所述睑板腺成像数据的睑板像素，所述第二像素信息为所述眼球成像数据的眼白像素；

28、所述第一模型对所述第一像素信息和所述第二像素信息进行交叉计算，得到所述第一像素信息和所述第二像素信息的交并比和重叠比；

29、根据所述交并比和所述重叠比判定所述模型层的交叉程度。

30、在本发明的一些实施例中，所述根据所述交并比和所述重叠比判定所述模型层的交叉程度后，所述方法还包括：

31、确定所述交并比和所述重叠比的第一阈值，当所述交并比和所述重叠比均大于所述第一阈值时，所述模型层具备可解释性，当所述交并比和所述重叠比小于所述第一阈值时，所述模型层不具备所述可解释性；

32、当所述模型层不具备所述可解释性时，获取所述第一模型的多个节点以及多个所述节点的第二阈值；

33、获取多个所述节点的贡献值，所述第一模型根据剪枝算法对所述贡献值低于所述第二阈值的节点的当前层进行去除；

34、将去除的所述当前层的上一层和下一层相连接，通过稀疏化技术对所述第一模型的参数进行稀疏化，以使所述参数的位数进行量化。

35、第二方面，本发明实施例提供了一种基于眼部特征的干眼症分析装置，包括少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述第一方面所述的基于眼部特征的干眼症分析方法。

36、第三方面，本发明实施例提供了一种电子设备，包括有如上述第二方面所述的基于眼部特征的干眼症分析装置。

37、第四方面，本发明实施例提供了一种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执行如上述第一方面所述的基于眼部特征的干眼症分析方法。

38、根据本发明实施例的基于眼部特征的干眼症分析方法，至少具有如下有益效果：

39、获取待检测样本的睑板腺成像数据和眼球成像数据；根据睑板腺成像数据和眼球成像数据构建第一模型；获取待检测样本的干眼症数据集，对干眼症数据集进行标注，将标注后的干眼症数据集输入至第一模型，以使标注后的干眼症数据集对第一模型进行训练，第一模型设置有多个模型层和全连接层；对多个模型层进行可解释性分析，得到检测样本的分析报告，根据分析报告生成携带有分析报告的模型热图，其中，分析包括睑板腺分析结果和眼球分析结果。根据本实施例的技术方案，能够提高干眼症分级的准确性和可靠性。

技术特征：

1.一种基于眼部特征的干眼症分级方法，其特征在于，包括：

2.根据权利要求1所述的基于眼部特征的干眼症分级方法，其特征在于，所述根据所述睑板腺成像数据和所述眼球成像数据构建第一模型，包括：

3.根据权利要求2所述的基于眼部特征的干眼症分级方法，其特征在于，所述对完成分类的所述模型层增加所述全连接层后，所述方法还包括：

4.根据权利要求1所述的基于眼部特征的干眼症分级方法，其特征在于，所述对多个所述模型层进行可解释性分析，包括：

5.根据权利要求1所述的基于眼部特征的干眼症分析方法，其特征在于，所述得到携带有所述睑板腺分析结果和所述眼球分析结果的模型热图，包括：

6.根据权利要求4所述的基于眼部特征的干眼症分析方法，其特征在于，所述计算所述睑板腺成像数据与所述眼球成像数据的交并比和重叠比，包括：

7.根据权利要求6所述的基于眼部特征的干眼症分析方法，其特征在于，所述根据所述交并比和所述重叠比判定所述模型层的交叉程度后，所述方法还包括：

8.一种基于眼部特征的干眼症分级装置，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的基于眼部特征的干眼症分级方法。

9.一种电子设备，其特征在于，包括权利要求8所述的基于眼部特征的干眼症分级装置。

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可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的基于眼部特征的干眼症分级方法。

技术总结
本发明提出了一种基于眼部特征的干眼症分级方法，包括获取待检测样本的睑板腺成像数据和眼球成像数据；根据睑板腺成像数据和眼球成像数据构建第一模型；获取待检测样本的干眼症数据集，对干眼症数据集进行标注，将标注后的干眼症数据集输入至第一模型，以使标注后的干眼症数据集对第一模型进行训练，第一模型设置有多个模型层和全连接层；对多个模型层进行可解释性分析，得到检测样本的分析报告，根据分析报告生成携带有分析报告的模型热图，其中，分析包括睑板腺分析结果和眼球分析结果。根据本实施例的技术方案，能够提高干眼症分级的准确性和可靠性。

技术研发人员：王涵
受保护的技术使用者：中科元合医疗健康产业（珠海）有限公司
技术研发日：
技术公布日：2024/12/30