[发明专利]基于视网膜眼底图像的目标检测定位方法和装置

说明书

本申请涉及一种基于视网膜眼底图像的目标检测定位方法，包括：采集当前需要检测的视网膜眼底图像；对视网膜眼底图像进行质量评估，得到相应的质量评估结果；在质量评估结果为清晰可见时，采用第一神经网络模型对视网膜眼底图像进行检测，定位出视网膜眼底图像中的异常区域；其中，异常区域包括病灶区域和形态异常区域；将定位出的异常区域由视网膜眼底图像中分割出来，并采用第二神经网络模型对分割出来的异常区域进行异常引发因素分析，确定并抑制由噪声引发的异常后，在视网膜眼底图像中标注出除由噪声引发的异常之外的其他异常区域，并输出标注后的眼底图像。其有效提高了眼底图像检测结果的精确度。

技术领域

本公开涉及医学图像处理技术领域，尤其涉及一种基于视网膜眼底图像的目标检测定位方法和装置、设备及存储介质。

背景技术

近年来，随着人工智能时代的到来，医学成像采集设备的不断完善，以及图像处理、机器学习、深度学习等技术的不断发展，越来越多的技术研发人员投入到AI医学领域中，使得医学图像取得了丰硕的成果。特别是深度学习的兴起，让医学图像异常检测更加精准和高效，对医生诊断起到了很强的辅助作用，节省了医生的工作时间。但是，在相关技术中，应用深度学习的方法对眼底图像进行异常检测中，通常只是检测眼底图像中的病灶异常，对于激光斑等形态的异常不能检测出来，这就导致相关应用深度学习进行眼底图像异常检测的技术的检测结果不够全面，从而影响检测结果的准确度。

发明内容

有鉴于此，本公开提出了一种基于视网膜眼底图像的目标检测定位方法，可以有效提高了检测结果的精确度。

根据本公开的一方面，提供了一种基于视网膜眼底图像的目标检测定位方法，包括：

采集当前需要检测的视网膜眼底图像；

对所述视网膜眼底图像进行质量评估，得到相应的质量评估结果；

在所述质量评估结果为清晰可见时，采用第一神经网络模型对所述视网膜眼底图像进行检测，定位出所述视网膜眼底图像中的异常区域；

其中，所述异常区域包括病灶区域和形态异常区域；

将定位出的所述异常区域由所述视网膜眼底图像中分割出来，并采用第二神经网络模型对分割出来的所述异常区域进行异常引发因素分析，确定并抑制由噪声引发的异常后，在所述视网膜眼底图像中标注出除由所述噪声引发的异常之外的其他异常区域，并输出标注后的眼底图像。

在一种可能的实现方式中，对所述视网膜眼底图像进行质量评估，得到相应的质量评估结果，包括：

对所述视网膜眼底图像进行预处理，包括去除视网膜眼底图像中的黑边、尺寸缩放、归一化中的至少一种；

将预处理后的视网膜眼底图像输入至深度学习分类网络模型中，由所述深度学习分类网络模型对预处理后的视网膜眼底图像进行质量评估，得到所述质量评估结果。

在一种可能的实现方式中，去除所述视网膜眼底图像中的黑边，包括：

对所述视网膜眼底图像进行中值滤波，去除所述黑边中的噪声；

分别沿所述视网膜眼底图像的宽度方向和高度方向正向遍历所述视网膜眼底图像，确定出沿宽度方向遍历过的像素点的像素和大于第一阈值时的第一位置坐标和沿高度方向遍历过的像素点的像素和大于所述第一阈值时的第二位置坐标；

分别沿所述视网膜眼底图像的宽度方向和高度方向反向遍历所述视网膜眼底图像，确定出沿宽度方向遍历过的像素点的像素和大于第一阈值时的第三位置坐标和沿高度方向遍历过的像素点的像素和大于所述第一阈值时的第四位置坐标；

以所述第一位置坐标作为左边界、以所述第二位置坐标作为上边界、所述第三位置坐标作为右边界和以所述第四位置坐标作为下边界，对所述视网膜眼底图像进行裁剪，得到去除黑边后的视网膜眼底图像；