[发明专利]一种视网膜图像分类方法及装置

说明书

本发明公开了一种视网膜图像分类方法及装置，所述方法包括：先根据视网膜图像得到视网膜灰度图；再将所述视网膜灰度图输入至血管分割模型中，以使所述血管分割模型从所述视网膜灰度图中提取中间层特征图，并将所述中间层特征图进行池化操作后得到血管特征向量；最后将所述血管特征向量输入到逻辑回归分类器模型中，输出得到所述视网膜图像的分类结果。采用本发明实施例能避免无关生物特征的影响，提高了视网膜图像的分类准确度和精度。

技术领域

本发明图像处理技术领域，尤其涉及一种视网膜图像分类方法及装置。

背景技术

在利用视网膜图像进行分类预测的研究中，例如利用视网膜图像对心血管手术指标的风险分类和心脏病严重性分类预测等，由于视网膜图像中有效的特征区域仅为血管，而其他视网膜图像中血管以外如视盘、色素、微动脉瘤等无效生物标记无疑加大模型的学习难度，因此通过单个模型对视网膜图像进行分类后所得到的分类结果的精度和准确度都不高。

发明内容

本发明实施例提供一种视网膜图像分类方法及装置，避免了无关生物特征的影响，提高了视网膜图像的分类准确度和精度。

本申请实施例的第一方面提供了一种视网膜图像分类方法，包括：

根据视网膜图像得到视网膜灰度图；

将视网膜灰度图输入至血管分割模型中，以使血管分割模型从视网膜灰度图中提取中间层特征图，并将中间层特征图进行池化操作后得到血管特征向量；

将血管特征向量输入到逻辑回归分类器模型中，输出得到视网膜图像的分类结果。

在第一方面的一种可能的实现方式中，血管分割模型的训练方法，具体为：

从训练数据集中获取第一图片，将第一图片上的黑边进行掩膜处理以提取最大矩形的感兴趣区域后，进行灰度化处理得到第二图片；其中，训练数据集为视网膜图像的集合；

将第二图片的分辨率设置为预设分辨率后，进行数据增强处理得到第三图片；

将第三图片作为样本图片输入神经网络模型中进行训练，以得到血管分割模型。

在第一方面的一种可能的实现方式中，根据视网膜图像得到视网膜灰度图，具体为：

将视网膜图像进行灰度处理，得到第一灰度图；

将第一灰度图分割成多个子图像，并对多个子图像进行直方图均衡化处理后，进行拼接得到视网膜灰度图。

在第一方面的一种可能的实现方式中，还包括：

根据中间层特征图，得到血管灰度图；

根据逻辑回归分类器模型的特征系数得到类别激活映射图；

将类别激活映射图的尺寸设置为预设尺寸后得到第一热度图；

将血管灰度图作为掩膜叠加在所述第一热度图上，得到第二热度图。

在第一方面的一种可能的实现方式中，根据中间层特征图，得到血管灰度图，具体为：

根据中间层特征图，得到第二灰度图；

将第二灰度图进行二值化处理，得到血管二值图；

根据血管二值图获取血管连通域的不合格像素点，将不合格像素点进行过滤后得到血管灰度图。

本申请实施例的第二方面提供了一种视网膜图像分类装置，包括：第一获取模块、第二获取模块和分类模块；

其中，第一获取模块用于根据视网膜图像得到视网膜灰度图；