眼底渗出病灶提取方法及装置与流程

本公开涉及计算机，尤其涉及一种眼底渗出病灶提取方法及装置。

背景技术：

1、糖尿病视网膜病变(简称“糖网”，dr)是糖尿病最为常见的眼部并发症，是目前导致年龄20—65岁成人出现新型失明的主要原因，亦已成为21世纪防盲治盲的重点。及时、定期的dr检查是阻止和减少其恶化的重要环节，是在非增殖期(不可逆损伤发生之前)及时发现可治疗的dr，从而制定合适治疗方案的关键。因此，如何准确筛查无明显视力损伤的糖尿病患者是否存在dr，不仅为早期诊断、早期治疗提供先机，还可节约大量社会医疗资源。

2、糖尿病视网膜病变非增殖型包括了三期：ⅰ期会出现微动脉瘤；ⅱ期会产生硬性渗出；ⅲ期的渗出物为棉绒斑，也称为软性渗出；非增殖性阶段伴随着出血症状的产生。由于硬性渗出与棉绒斑在彩色眼底图像中均表现为淡黄色或白色块状和点状突出物，二者形状、大小、位置呈多样化，随机性较强，故通常将这二者统称为糖网白色病灶。在临床诊断中眼底硬性渗出和软性渗出的检测结果是糖尿病视网膜病变诊断以及监测治疗过程中的重要参考。现有技术中对于硬性渗出和软性渗出病灶的识别和分类通常依靠医生等专业人员进行人工判断，不仅会导致医生工作量较大，并且，对于病灶的分类和识别的难度较高，容易出现人为因素造成误识别或误分类。

3、公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本公开实施例提供一种眼底渗出病灶提取方法及装置。

2、本公开实施例的第一方面，提供一种眼底渗出病灶提取方法,包括：通过预训练的眼底渗出病灶检测模型，对目标眼部图像进行检测，得到眼底渗出病灶区域的初始图像；通过预训练的病灶分割模型，对所述初始图像进行分割，得到眼底渗出病灶的第一图像；基于预设的图像处理算法，对所述目标眼部图像进行眼底渗出病灶区域的提取，得到眼底渗出病灶区域的第二图像；对所述初始图像、第一图像和所述第二图像进行取交集处理，得到所述目标眼部图像对应眼底渗出病灶分割结果。

3、根据本公开的实施例，所述方法还包括：在对目标眼部图像进行检测之前，所述方法还包括：去除待处理眼部图像的背景区域，得到第一眼部图像；对所述第一眼部图像进行归一化处理，得到所述目标眼部图像。

4、根据本公开的实施例，通过预训练的病灶分割模型，对所述初始图像进行分割，得到眼底渗出病灶的第一图像，包括：分别对所述初始图像中由检测框框选的各区域进行扩充，得到扩充区域；截取所述扩充区域对应的图像块；将各所述图像块输入所述预训练的病灶分割模型中，得到所述图像块对应的眼底渗出病灶的第一图像。

5、根据本公开的实施例，对所述目标眼部图像进行眼底渗出病灶区域的提取，得到眼底渗出病灶区域的第二图像，包括：

6、从所述目标眼部图像中分割出亮度、圆度或边缘锐利度符合预设阈值的目标区域；

7、去除位于视盘区域内的所述目标区域，得到目标候选渗出区域；

8、基于所述目标候选渗出区域与血管区域的不同位置关系，执行不同的预设算法确定眼底渗出病灶的第二图像。

9、根据本公开的实施例，基于所述目标候选渗出区域与血管区域的不同位置关系，执行不同的预设算法确定眼底渗出病灶的第二图像包括：

10、确定所述目标候选渗出区域与目标候选渗出区域的周围背景的灰度差值和颜色差值、以及视盘区域和视盘区域的周围背景的灰度差值和颜色差值；

11、如果所述目标候选渗出区域与血管区域符合预设位置关系，则基于所述目标候选渗出区域与周围背景的灰度差值和颜色差值、与所述视盘区域和周围背景的灰度差值和颜色差值之间的大小关系，确定眼底渗出病灶区域的第二图像；或者

12、确定所述目标候选渗出区域与目标候选渗出区域的周围背景的梯度变化、以及视盘区域和视盘区域的周围背景的梯度变化；

13、如果所述目标候选渗出区域与血管区域符合预设位置关系，则基于所述目标候选渗出区域与周围背景的梯度变化、与所述视盘区域和周围背景的梯度变化之间的大小关系，确定眼底渗出病灶区域的第二图像。

14、根据本公开的实施例，通过预训练的病灶分割模型，对所述初始图像进行分割之前，所述方法还训练病灶分割模型，包括：获取第一样本集，其中，所述第一样本集中的样本为眼底渗出病灶的样本图像；通过标签标注的方式，确定所述第一样本集中样本对应的样本标签图像；将所述样本图像、所述样本对应的样本标签图像输入至预先建立的病灶分割模型中，以对预先建立的所述病灶分割模型进行训练。

15、根据本公开的实施例，方法还包括：对所述眼底渗出病灶分割结果进行边界提取，得到眼底渗出病灶的边界；将所述边界重叠于所述目标眼部图像，得到眼底渗出病灶的重叠眼底图像。

16、本公开实施例的第二方面，提供一种眼底渗出病灶提取装置，包括：检测模块，被配置成通过预训练的眼底渗出病灶检测模型，对目标眼部图像进行检测，得到眼底渗出病灶区域的初始图像；第一分割模块，被配置成通过预训练的病灶分割模型，对所述初始图像进行分割，得到眼底渗出病灶的第一图像；第二分割模块，被配置成基于预设的图像处理算法，对所述目标眼部图像进行眼底渗出病灶区域的提取，得到眼底渗出病灶区域的第二图像；运算模块，被配置成对所述第一图像和所述第二图像进行取交集处理，得到所述眼底渗出病灶区域对应的分割结果。

17、根据本公开的实施例，所述装置还包括：装置还包括：处理模块，被配置成去除待处理眼部图像的背景区域，得到第一眼部图像；对所述第一眼部图像进行归一化处理，得到所述目标眼部图像。

18、本公开实施例的第三方面，提供一种眼底渗出病灶提取设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。

19、本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现上述方法。

20、本实施例眼底渗出病灶提取方法及装置中，包括：通过预训练的眼底渗出病灶检测模型，对目标眼部图像进行检测，得到眼底渗出病灶区域的初始图像；通过预训练的病灶分割模型，对所述初始图像进行分割，得到眼底渗出病灶的第一图像；基于预设的图像处理算法，对所述目标眼部图像进行眼底渗出病灶区域的提取，得到眼底渗出病灶区域的第二图像；对所述初始图像、第一图像和所述第二图像进行取交集处理，得到所述眼底渗出病灶区域对应的分割结果。通过分别将病灶分割模型和图像处理算法处理得到图像进行取交集处理，能够得到精准的眼底渗出病灶的分割结果，进而基于该精准的分割结果有助于快速判断出渗出病灶的类型。进而解决了相关技术中，对于硬性渗出和软性渗出病灶的识别和分类通常依靠医生等专业人员进行人工判断，不仅会导致医生工作量较大，并且对于病灶的分类和识别的难度较高，容易出现人为因素造成误识别或误分类的问题。

技术特征：

1.一种眼底渗出病灶提取方法，其特征在于，包括：

2.根据权利要求1所述的眼底渗出病灶提取方法，其特征在于，在对目标眼部图像进行检测之前，所述方法还包括：

3.根据权利要求1所述的眼底渗出病灶提取方法，其特征在于，通过预训练的病灶分割模型，对所述初始图像进行分割，得到眼底渗出病灶的第一图像，包括：

4.根据权利要求1所述的眼底渗出病灶提取方法，其特征在于，基于预设的图像处理算法，对所述目标眼部图像进行眼底渗出病灶区域的提取，得到眼底渗出病灶区域的第二图像，包括：

5.根据权利要求4所述的眼底渗出病灶提取方法，其特征在于，基于所述目标候选渗出区域与血管区域的不同位置关系，执行不同的预设算法确定眼底渗出病灶的第二图像包括：

6.根据权利要求1所述的眼底渗出病灶提取方法，其特征在于，通过预训练的病灶分割模型，对所述初始图像进行分割之前，所述方法还训练病灶分割模型，包括：

7.根据权利要求1所述的眼底渗出病灶提取方法，其特征在于，所述方法还包括：

8.一种眼底渗出病灶提取装置，其特征在于，包括：

9.一种眼底渗出病灶提取设备，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

技术总结
本公开提供一种眼底渗出病灶提取方法及装置，包括：通过预训练的眼底渗出病灶检测模型，对目标眼部图像进行检测，得到眼底渗出病灶区域的初始图像；通过预训练的病灶分割模型，对所述初始图像进行分割，得到眼底渗出病灶的第一图像；基于预设的图像处理算法，对所述目标眼部图像进行眼底渗出病灶区域的提取，得到眼底渗出病灶区域的第二图像；对所述初始图像、第一图像和所述第二图像进行取交集处理，得到所述眼底渗出病灶区域对应的分割结果。通过分别将病灶分割模型和图像处理算法处理得到图像进行取交集处理，能够得到精准的眼底渗出病灶的分割结果，进而基于该精准的分割结果有助于快速判断出渗出病灶的类型。

技术研发人员：王茜,董洲,凌赛广,柯鑫
受保护的技术使用者：依未科技（北京）有限公司
技术研发日：
技术公布日：2024/1/15