[发明专利]视网膜病变影像的眼球定位方法、装置及电子设备

权利要求书

1.一种视网膜病变影像的眼球定位方法，其特征在于，包括：

获取视网膜病变影像数据；

对所述视网膜病变影像数据进行数据标注，得到标注数据；

建立初始深度学习网络；

将所述视网膜病变影像数据输入所述初始深度学习网络中，输出得到相应的预测数据；

利用损失函数对所述视网膜病变影像数据相应的标注数据和预测数据进行比较，得到比较结果；

根据所述比较结果，调节所述初始深度学习网络中的参数，直到所述比较结果达到预设阈值，得到最终的深度学习网络模型；

利用所述深度学习网络模型对待测视网膜病变影像数据进行处理，得到相应的眼球中心坐标以及眼球直径。

2.根据权利要求1所述的方法，其特征在于，还包括：

对所述视网膜病变影像数据进行数据预处理，得到预处理后的视网膜病变影像数据；

所述对所述视网膜病变影像数据进行数据标注，得到标注数据，具体包括：

对所述预处理后的视网膜病变影像数据进行数据标注，得到标注数据。

3.根据权利要求2所述的方法，其特征在于，所述对所述视网膜病变影像数据进行数据预处理，包括：

对所述视网膜病变影像数据进行图像扩充，和/或，

对所述视网膜病变影像数据进行过采样处理。

4.根据权利要求3所述的方法，其特征在于，所述对所述视网膜病变影像数据进行图像扩充，包括：

采用随机裁剪、旋转、翻转、缩放、调整亮度、调整对比度中的一种或者多种方式进行图像扩充。

5.根据权利要求1所述的方法，其特征在于，所述对所述视网膜病变影像数据进行数据标注，包括：

采用人工标注的方式进行数据标注，或者采用图像处理与人工筛选相结合的方式进行数据标注。

6.根据权利要求1所述的方法，其特征在于，所述初始神经网络模型选自Inception-ResNet模型或GoogLeNet v3模型。

7.根据权利要求1所述的方法，其特征在于，所述损失函数为：

L(u,v)＝∑_i＝{x,y,d}Smooth_L1(u_i,v_i)；

SmoothL1(z)=0.5z2,z<1|z|-0.5,z≥1;]]>

其中，v＝(v_x,v_y,v_d)为所述标注数据，u＝(u_x,u_y,u_d)为所述初始深度学习网络输出所述标注数据相应的预测数据；v_x,v_y分别为标注的眼球中心坐标，v_d为标注的眼球直径；u_x,u_y分别为所述初始深度学习网络输出的眼球中心坐标，u_d为所述初始深度学习网络输出的眼球直径，z为所述预测数据和标注数据的差值。

8.根据权利要求1所述的方法，其特征在于，所述调节初始深度学习网络中的参数，包括：

对所述初始深度学习网络的学习率和/或冲量进行调节。