[发明专利]基于深度学习处理眼底图像的相关方法及设备

权利要求书

1.一种基于深度学习的眼底图像处理方法，其特征在于，所述方法包括：

以预设分割方式分割待处理眼底图像，获得至少一个分析图像；

通过眼底图像深度学习网络模型对所述至少一个分析图像进行分析，获得至少一个中间图像；所述至少一个中间图像包含特征概率标记，特征概率标记用于标记图像中的像素点为各种特征区域的概率；

融合所述至少一个中间图像，以获得包含特征标记的待处理眼底图像；特征标记用于标记图像中的像素点为何种特征区域；

其中，所述眼底图像深度学习网络模型为通过深度学习网络对至少一个训练图像分别进行多层卷积计算，以迭代更新深度学习网络模型获得的；在每一次更新深度学习网络模型的过程中，结合最后一层卷积计算获得的特征图及至少一个更新特征图，更新深度学习网络模型；更新特征图为对一层卷积计算获得的特征图再次进行卷积计算获得的特征图；特征图包含特征概率标记。

2.如权利要求1所述的方法，其特征在于，通过眼底图像深度学习网络模型对所述至少一个分析图像进行分析，获得至少一个中间图像，包括：

针对所述至少一个分析图像中的每个分析图像执行以下操作：

通过眼底图像深度学习网络模型对分析图像进行分析，确定并标记分析图像的每个像素点的背景特征概率值和至少一种目标特征概率值；其中，背景特征概率值表示像素点不为任何目标特征区域的概率，目标特征概率值表示像素点为某种目标特征区域的概率。

3.如权利要求1或2所述的方法，其特征在于，融合所述至少一个中间图像，以获得包含特征标记的待处理眼底图像，包括：

以与所述预设分割方式相逆的叠加拼接方式，叠加拼接所述至少一个中间图像，以获得包含特征概率标记的待处理眼底图像；

针对包含特征概率标记的待处理眼底图像中的每个像素点执行以下操作：

确定像素点的背景特征概率值、至少一种目标特征概率值中的最大值概率值；以与最大概率值对应的标记方式，标记像素点。

4.如权利要求3所述的方法，其特征在于，以与所述预设分割方式相逆的叠加拼接方式，叠加拼接所述至少一个中间图像，以获得包含特征概率标记的待处理眼底图像，包括：

以与所述预设分割方式相逆的叠加拼接方式，叠加拼接所述至少一个中间图像；在叠加拼接所述至少一个中间图像的过程中，确定所述包含特征概率标记的待处理眼底图像中发生重叠的像素点的背景特征概率值、至少一种目标特征概率值，分别为发生重叠的像素点在中间图像中的对应概率值的均值。

5.一种眼底图像深度学习网络模型的生成方法，其特征在于，所述方法包括：

通过深度学习网络对至少一个训练图像中各训练图像分别进行多层卷积计算，获得所述各训练图像最后一层卷积计算得到的特征图及至少一个更新特征图；其中，更新特征图为对一层卷积计算得到的特征图再次进行卷积计算获得的特征图；特征图包含特征概率标记，特征概率标记用于标记图像中的像素点为各种特征区域的概率；

结合所述各训练图像最后一层卷积计算得到的特征图及至少一个更新特征图，迭代更新深度学习网络模型，以获得眼底图像深度学习网络模型。

6.如权利要求5所述的方法，其特征在于，结合所述各训练图像最后一层卷积计算得到的特征图及至少一个更新特征图，迭代更新深度学习网络模型，包括：

叠加计算所述各训练图像最后一层卷积计算得到的特征图及至少一个更新特征图，以获得所述各训练图像的特征概率标记图；特征概率标记图包含特征概率标记；

比较所述各训练图像的特征概率标记图和所述各训练图像的参考标准ground truth图像，获得所述各训练图像的比较结果；其中，ground truth图像包含特征标记，特征标记用于标记图像中的像素点为何种特征区域；

根据所述各训练图像的比较结果，迭代更新深度学习网络模型。