[发明专利]基于卷积神经网络的检测方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质。该方法属于计算机技术领域，其包括：对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图；根据预设方法对多个不同尺度的特征图进行调整以获得第一特征图；通过预设算法计算每个第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得第二特征图；通过上采样方法将每个第二特征图进行分辨率还原以获得目标特征图；根据区域生成网络以及响应值识别目标特征图中的目标区域以获得待检测OCT图像；将待检测OCT图像输入至多层全连接网络以分别确定病灶存在的位置和类别。本申请实施例可以提高检测OCT图像中病灶的效率和准确率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质。

背景技术

光学相干断层扫描技术(OCT)是用于视网膜病变检测的一项重要技术，通过OCT图像可以观测到多种视网膜病灶，例如，视网膜内积液、色素上皮脱离、脉络膜新生血管等。而通过图像处理技术以及深度学习技术对眼科OCT图像进行自动病灶检测，可以为医生对眼科疾病进行初始诊断、治疗反应的评估以及随访检查提供有效的影响学诊断指标。

目前常用的检测模型有Mask-RCNN模型和YOLO模型，这些检测模型在很多自然图像的物体检测定位任务中取得了良好的效果，而这些模型通常是通过构建图像金字塔或者特征金字塔等方法来提取图像各个层次的特征。但是，与自然图像中的目标物体相比，眼科OCT图像中的病灶有很大的区别，其一是 OCT图像中存在玻璃膜疣等面积较小的病灶，该类病灶远远小于常规自然图像中的目标物体的面积，其二是OCT图像中的视网膜病变相比自然图像中的目标具有更多的类别和更复杂的形态。这些特点使得OCT图像病灶检测任务更加困难，目前并没有一种适合于检测OCT图像的检测模型。

发明内容

本发明实施例提供了一种基于卷积神经网络的检测方法、装置、计算机设备及存储介质，旨在提高快速而又准确的实现检测OCT图像中的病灶。

第一方面，本发明实施例提供了一种基于卷积神经网络的检测方法，其包括：

对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；

根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；

通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图，其中，所述响应值越大表示相对应的像素点存在所述病灶的概率越大；

通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；

根据区域生成网络以及所述响应值识别所述目标特征图中的目标区域以获得待检测OCT图像；

将所述待检测OCT图像输入至多层全连接网络以分别确定所述病灶存在的位置和类别而得到检测结果。

第二方面，本发明实施例还提供了一种基于卷积神经网络的检测装置，其包括：

预处理单元，用于对获取的目标OCT图像进行预处理以获得多个不同尺度的特征图，所述目标OCT图像包括多个病灶；

第一处理单元，用于根据预设方法对所述多个不同尺度的特征图的分辨率进行调整以获得多个具有相同分辨率的特征图作为第一特征图；

第一计算单元，用于通过预设算法计算每个所述第一特征图中的每个像素点的响应值并将计算结果标识在相对应的第一特征图上以获得标识后的第一特征图作为第二特征图；

还原单元，用于通过上采样方法将每个所述第二特征图进行分辨率还原以使每个所述第二特征图还原至原始分辨率以获得目标特征图；