[发明专利]基于机器学习的眼底图像检测方法、装置及系统

说明书

本发明公开了一种基于机器学习的眼底图像检测方法、装置及系统，其中方法包括如下步骤：获取待检测的眼底图像；对所述眼底图像整体区域进行第一特征集检测；如果所述眼底图像中不存在第一特征集，针对所述眼底图像中特定区域进行第二特征集检测；所述第一特征集的显著度大于第二特征集的显著度。在将特征种类繁多的眼底图像先进行一个大分类，将较为明显的特征先进行识别，在无较为明显的特征的图像中再进行分区的精细检测，分步串联检测，独立输出检测结果，不仅可以减少检测的数量，大大的提高识别效率，可以实现同时精确的检测明显的特征和微小的特征。

技术领域

本发明涉及图像处理技术领域，具体涉及到一种基于机器学习的眼底图像检测方法、装置及系统。

背景技术

近年来机器学习在医学领域得到了广泛的应用，尤其以深度学习为代表的机器学习技术在医疗影像领域被广泛关注。例如，在眼底图像检测方面，深度学习技术可以较为准确的检测出眼底图像某一特征，如利用大量黄斑裂孔这一特征的样本对深度学习模型进行训练，利用训练后的模型对眼底图像进行黄斑裂孔检测。这些技术往往只局限于单一特征或者少量关联特征的检测，对其他特征不能准确的检测。然而，由于眼睛是人体中一个非常精细且复杂的器官，其包含的特征种类繁多，并且各个特征之间的差别往往也比较大。因此，采用现有的检测技术往往会导致检测结果难以收敛，致使检测结果不够准确。或者，将每一个特征均训练一个模型分别进行检测，不仅所需的样本数量巨大，在特征数量较大的情况下，导致计算量急剧提升，进而导致检测效率下降。

因此如何快速准确的对眼底图像进行检测成为亟待解决的技术问题。

发明内容

本发明要解决的技术问题在于如何快速准确的对眼底图像进行检测。

为此，根据第一方面，本发明实例提供了一种基于机器学习的眼底图像检测方法，包括：获取待检测的眼底图像；对眼底图像整体区域进行第一特征集检测；如果眼底图像中不存在第一特征集，针对眼底图像中特定区域进行第二特征集检测；第一特征集的显著度大于第二特征集的显著度。

可选地，特定区域包括：视盘区域、黄斑区域、血管区域和视网膜区域中的至少之一。

可选地，所述第一特征集包括至少一个第一种类子特征；所述第二特征集包括特定区域中的至少一个第二种类子特征。

可选地，在获取待检测的眼底图像和判断眼底图像中是否存在第一特征集之间还包括：对眼底图像进行质量检测，以筛选眼底图像。

可选地，对眼底图像进行质量检测包括：对眼底图像进行污点/亮斑检测、曝光度检测、清晰度检测、漏光检测、局部阴影检测中的任意一种或任意组合。

可选地，在对眼底图像的不同眼底区域分别进行第二特征集检测之后还包括：将非包含第二特征集的眼底图像进行第三特征检测；第三特征的显著度小于第二特征集的显著度。

可选地，通过机器学习对第一特征集、第二特征集或质量中的至少之一进行检测。

根据第二方面，本发明实施例提供了一种基于机器学习的眼底图像检测装置，包括：获取模块，用于获取待检测的眼底图像；第一检测模块，用于对眼底图像整体区域进行第一特征集检测；第二检测模块，用于在第一检测模块检测出眼底图像中不存在第一特征集，针对眼底图像中特定区域进行第二特征集检测；第一特征集的显著度大于第二特征集的显著度。

可选地，特定区域包括：视盘区域、黄斑区域、血管区域和视网膜区域中的至少之一。

可选地，第一特征集和/或第二特征集为多特征集。

可选地，眼底图像检测装置还包括：第三检测模块，用于对眼底图像进行质量检测，以筛选眼底图像。

可选地，第三检测模块包括：检测单元，用于对眼底图像进行污点/亮斑检测、曝光度检测、清晰度检测、漏光检测、局部阴影检测中的任意一种或任意组合。