1.本发明涉及眼底图像图像处理技术领域，具体涉及一种眼底视网膜脉络膜萎缩弧的识别方法、装置、介质和设备。
背景技术：2.视网膜脉络膜萎缩弧，是指视网膜色素上皮层、光感受器和脉络膜毛细血管层中与视盘边界相邻的萎缩变形，在视盘周围呈新月形着色区域，是视网膜和色素上皮细胞的一种细化结构，通常出现在视盘颞侧，严重时可能环绕整个视盘。其通常出现在近视患者眼底，有临床研究表明，萎缩弧的面积和近视程度高度相关，因此常常又被称作近视弧，萎缩弧的大小常被用作衡量近视眼底改变程度的指标之一。因此对萎缩弧进行提取，对于帮助医生精细了解近视患者眼底改变情况非常有意义。
技术实现要素：3.有鉴于此，本发明实施例的目的在于提供一种眼底视网膜脉络膜萎缩弧的识别方法、装置、介质和设备，以快速并精准地识别眼底视网膜脉络膜萎缩弧。
4.为达上述目的，第一方面，本发明实施例提供了一种视网膜脉络膜萎缩弧的识别方法，包括：
5.获取待识别的眼底图像；
6.将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对所述待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。
7.在一些可能的实施方式中，在所述获取待识别的眼底图像数据之前，还可以包括：
8.获取眼底训练样本图像；
9.对所述眼底训练样本图像中的视网膜脉络膜萎缩弧区域进行标注处理，得到样本标注图像；
10.将所述眼底训练样本图像和所述样本标注图像一起输入到resunet神经网络中进行训练，获得resunet神经网络模型。
11.在一些可能的实施方式中，所述的将所述样本标注图像和所述眼底训练样本图像一起输入到resunet神经网络中进行训练，具体可以包括：
12.通过resunet神经网络对所述样本标注图像中标注的轮廓信息进行学习，对所述训练样本图像进行卷积特征提取和下采样，得到不同尺度的轮廓特征图像；
13.对所述轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与所述眼底训练图像的相同尺寸。
14.在一些可能的实施方式中，所述的对所述轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与所述眼底训练图像的相同尺寸，具体可以包括：
15.通过跨层连接的方式，将所述上采样后的特征部分与所述下采样过程中得到的不
同尺度的轮廓特征图像中的特征进行结合，将得到的轮廓特征图像还原至与所述眼底训练图像的相同尺寸。
16.在一些可能的实施方式中，所述将所述标注图像和所述眼底训练样本图像一起输入到resunet神经网络中进行训练，具体还可以包括：
17.采用损失函数作为监督方式对resunet神经网络进行训练，将所述训练得到的损失通过反向传播的方式传递至所述resunet神经网络进行参数更新，直到resunet神经网络模型收敛。
18.在一些可能的实施方式中，所述的对所述轮廓特征图像进行上采样，具体可以包括：
19.通过双线性插值或者转置卷积的方式对所述轮廓特征图像进行上采样。
20.在一些可能的实施方式中，所述将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对所述待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域的图像，具体可以包括：
21.将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对待识别的眼底图像进行识别，分别得到萎缩弧区域和背景区域的图像；
22.对所述萎缩弧区域和所述背景区域的图像进行二值化处理，得到视网膜脉络膜萎缩弧区域的图像。
23.第二方面，本发明实施例提供了一种眼底脉络膜视网膜萎缩弧的识别装置，包括：
24.获取单元，用于获取待识别的眼底图像；
25.识别单元，用于将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对所述待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。
26.第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任意一种眼底脉络膜视网膜萎缩弧的识别方法。
27.第四方面，本发明提供了一种眼底脉络膜视网膜萎缩弧的识别设备，其包括：
28.一个或多个处理器；
29.存储装置，用于存储一个或多个程序；
30.当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任意一种眼底脉络膜视网膜萎缩弧的识别方法。
31.上述技术方案具有如下有益效果：
32.本发明实施例通过将获取待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。通过本发明实施例，可以快速精准的识别眼底脉络膜视网膜中的萎缩弧区域图像。
附图说明
33.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
34.图1是本发明实施例的一种视网膜脉络膜萎缩弧的识别方法的流程图；
35.图2是本发明实施例的获取待识别的眼底图像；
36.图3是本发明实施例的roi区域图像；
37.图4是本发明实施例的一种训练resunet神经网络模型的方法流程图；
38.图5是本发明实施例的获取的眼底训练样本图像；
39.图6是本发明实施例的对眼底训练样本图像进行标注的图像；
40.图7是本发明实施例的一种resunet神经网络的结构示意图；
41.图8是本发明实施例的一种将两个相同维度的特征图在相同位置点的值直接相加；
42.图9是本发明实施例的一种将两个特征图在通道上直接拼接示意图；
43.图10是本发明实施例的一种视网膜脉络膜萎缩弧的识别装置的功能框图；
44.图11是本发明实施例的一种计算机可读存储介质的功能框图；
45.图12是本发明实施例的一种视网膜脉络膜萎缩弧的识别设备的功能框图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.实施例一
48.图1是本发明实施例提供的一种视网膜脉络膜萎缩弧的识别方法的流程图，如图1所示，该方法包括如下步骤：
49.s10，获取待识别的眼底图像。
50.本实施例中，在获取到待识别的眼底图像后，先对眼底图像进行预处理，预处理操作可以包括：对眼底图像的三通道进行分离，选取一个通道的平均值或者多个通道组合后通道的平均值进行阈值分割，再进行blob分析进行特征选取，最后进行外接圆或椭圆拟合确定最终roi区域，如图2和图3所示，图2是获取的待识别的眼底图像，图3是确定的最终的roi区域图像，提取roi区域图像之后还可以对提取的roi图像进行进一步的增强和归一化，以凸显特征和提高数据的一致性。
51.s20，将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。
52.本实施例中，将预处理后的待识别的眼底图像输入预先训练好的resunet神经网络模型后，先通过resunet神经网络模型中的下采样网络对眼底图像进行下采样，得到待识别的眼底图像的不同尺度的特征图，然后再通过resunet神经网络模型中的上采样网络对特征图进行还原，得到与原图尺寸相同的视网膜脉络膜萎缩弧区域图像。
53.图4是本发明实施例的一种训练resunet神经网络模型的方法流程图，如图4所示，在一些实施例中，在获取待识别的眼底图像数据之前，还包括：
54.s11，获取眼底训练样本图像；
55.s12，对眼底训练样本图像中的视网膜脉络膜萎缩弧区域进行标注处理，得到样本标注图像；
56.s13，将眼底训练样本图像和样本标注图像一起输入到resunet神经网络中进行训练，获得resunet神经网络模型。
57.具体的，如图5和图6所示，图5是获取的眼底训练样本图像，图6是对眼底训练样本图像进行标注的图像，具体的，获取眼底训练样本图像(即roi提取后的眼底图像)，在获取眼底训练样本图像之后，对眼底训练样本图像进行二值化标注处理，得到样本标注图像，即标注的二值图像，然后将标出轮廓信息的二值图像和眼底训练图像的原始图像一起输入到resunet神经网络中，将二值图像中标注的萎缩弧区域的轮廓信息作为输出，对resunet神经网络进行训练，resunet神经网络主要完成的功能是识别分割出萎缩弧区域，在设计上将它的输出定义为对每个像素完成二分类的语义分割任务，即区分背景和萎缩弧区域，所以若输入的影像是[1,3,512,512]，则网络输出的结果是[1,2,512,512]，其中输出的第一个channel为背景概率值，第二个channel为萎缩弧区域概率值，每个像素取其中概率值高的作为该像素的分类结果。
[0058]
在一些实施例中，将样本标注图像(即标注二值图像)和眼底训练样本图像(即roi提取后的眼底图像)一起输入到resunet神经网络中进行训练，具体包括：通过resunet神经网络对样本标注图像中标注的轮廓信息进行学习，在对样本标注图像中标注的轮廓信息进行学习的过程中，对训练样本图像进行卷积特征提取和下采样，得到不同尺度的特征图；对训练样本图像经过卷积特征提取和下采样获取的轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与眼底训练图像的相同尺寸。
[0059]
图7是本发明实施例的一种resunet神经网络的结构示意图，resunet神经网络包括左侧的下采样模块和右侧的上采样模块，通过resunet神经网络中的下采样模块按照样本标注图像中的轮廓信息对眼底训练图像进行卷积特征提取和下采样，提取眼底训练图像的轮廓特征，获得多个不同尺度的特征图，在对眼底训练图像进行特征提取后，眼底训练图像的尺寸已经降至较低的水平，为了将轮廓信息还原至眼底训练图像的尺寸，因此，需要通过图7中右侧的上采样模块对不同尺度的特征图进行上采样。
[0060]
具体的，本实施例中采用了四级下采样模块，每一级下采样模块分别包括conv、bn、relu、conv和addition，其中，conv(卷积层)，主要是特征提取，卷积层的每个过滤器就是一个特征映射，用于提取某一个特征，过滤器的数量决定了卷积层输出特征个数，或者输出深度；bn(批量标注化，全称batch normalization)，就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0、方差为1的标准正态分布，把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数中对输入比较敏感的区域，网络的输出差别就不会很大，可以得到比较大的梯度，避免因梯度消失而产生问题，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。
[0061]
relu(激活层)，relu函数的作用就是增加了神经网络各层之间的非线性关系，如果没有激活函数，层与层之间是简单的线性关系，每层都相当于矩阵相乘，这样神经网络就无法完成的复杂任务。
[0062]
addition(加法指令)，如图8所示，是指将两个相同维度的feature map(特征图)
在相同位置点的值直接相加，例如，输入x，输出为“conv2d+bn+relu与conv2d+bn+relu相同位置的点直接相加”作为输出，得到新的相同维度feature map，这个操作可以融合之前的特征，增加信息的表达。
[0063]
本实施例中的上采样模块有三级，每一级分别包括bn、relu、conv、bn、relu、conv、addition、conv和sigmod，其中bn、relu、conv、addition的作用与下采样过程中的作用相同；
[0064]
concatenate是指将两个feature map(特征图)在通道上直接拼接，如图9所示，例如，输入x，输出为conv2d+bn+relu与conv2d+bn+relu的直接拼接，和addition不同的是，它只要求两个feature map的hw(h是指图像的高度，w是指图像的宽度)相同，通道数可以不同，然后两个feature map在通道上直接拼接，得到一个更大的feature map，它保留了一些原始的特征，增加了特征的数量，使得有效的信息流继续向后传递；sigmoid是用于计算每个类别的概率，将背景和前景的范围拉回到0～1之间。
[0065]
另外，本实施例中，对轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与眼底训练图像的相同尺寸，具体可以包括：通过跨层连接的方式，将上采样后的特征部分与下采样过程中得到的不同尺度的特征图中的特征进行结合，即每上采样一次，就和特征提取部分对应的通道数相同尺度融合，这里的融合也是拼接，本实施例中上采样的次数为三次。将得到的轮廓特征图像还原至与眼底训练图像的相同尺寸，以充分利用下采样模块获得的高精度信息，得到更加精确的轮廓。
[0066]
在一些实施例中，将标注图像和眼底训练样本图像一起输入到resunet神经网络中进行训练，具体还可以包括：采用损失函数作为监督方式对resunet神经网络进行训练，将训练得到的损失通过反向传播的方式传递至resunet神经网络进行参数更新，直到resunet神经网络模型收敛。
[0067]
具体的，采用有监督训练模式，目标输出为标注样本中真实标注的萎缩弧区域轮廓信息，监督方式为交叉熵损失函数，然后将这种交叉熵损失函数得到的损失通过网络反向传播的方式传递至整个网络进行参数更新，不断训练优化，直到网络收敛。
[0068]
在一些实施例中，可以通过双线性插值或者转置卷积的方式对轮廓特征图像进行上采样，本实施例中采用的是双线性插值的方式。
[0069]
在一些实施例中，步骤s20中，将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像，具体包括：将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，分别得到萎缩弧区域和背景区域的图像；对萎缩弧区域和背景区域的图像进行二值化处理，得到视网膜脉络膜萎缩弧区域的图像。
[0070]
本发明实施例通过将获取待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。通过本发明实施例，可以快速精准的识别眼底脉络膜视网膜中的萎缩弧区域图像。
[0071]
实施例二
[0072]
图10是本发明实施例的一种眼底脉络膜视网膜萎缩弧的识别装置的功能框图。如
图10所示，基于类似的发明构思，该眼底脉络膜视网膜萎缩弧的识别装置100包括：
[0073]
获取单元110，用于获取待识别的眼底图像；
[0074]
识别单元120，用于将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。
[0075]
本发明实施例通过获取单元110将获取待识别的眼底图像输入预先训练好的resunet神经网络模型，再通过识别单元120通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。通过本发明实施例，可以快速精准的识别眼底脉络膜视网膜中的萎缩弧区域图像。
[0076]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将该装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0077]
实施例三
[0078]
图11是本发明实施例的一种计算机可读介质300的框图，本发明实施例还提供了一种计算机可读存储介质300，计算机可读存储介质300内存储有计算机程序310，计算机程序310被处理器执行时，实现：
[0079]
获取待识别的眼底图像；
[0080]
将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。
[0081]
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0082]
实施例四
[0083]
本发明实施例还提供了一种电子设备400，如图12所示，包括一个或多个处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通
过通信总线404完成相互间的通信。
[0084]
存储器403，用于存放计算机程序；
[0085]
处理器401，用于执行存储器403上所存放的程序时，实现：
[0086]
一种视网膜脉络膜萎缩弧的识别方法，包括：
[0087]
获取待识别的眼底图像；
[0088]
将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。
[0089]
一种可能的设计中，处理器401执行的处理中，在获取待识别的眼底图像数据之前，还包括：
[0090]
获取眼底训练样本图像；
[0091]
对眼底训练样本图像中的视网膜脉络膜萎缩弧区域进行标注处理，得到样本标注图像；
[0092]
将眼底训练样本图像和样本标注图像一起输入到resunet神经网络中进行训练，获得resunet神经网络模型。
[0093]
一种可能的设计中，处理器401执行的处理中，将样本标注图像和眼底训练样本图像一起输入到resunet神经网络中进行训练，具体包括：
[0094]
通过resunet神经网络对样本标注图像中标注的轮廓信息进行学习，对训练样本图像进行卷积特征提取和下采样，得到不同尺度的轮廓特征图像；
[0095]
对轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与眼底训练图像的相同尺寸。
[0096]
一种可能的设计中，处理器401执行的处理中，对轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与眼底训练图像的相同尺寸，具体包括：
[0097]
通过跨层连接的方式，将上采样后的特征部分与下采样过程中得到的得到不同尺度的轮廓特征图像中的特征进行结合，将得到的轮廓特征图像还原至与眼底训练图像的相同尺寸。
[0098]
一种可能的设计中，处理器401执行的处理中，将标注图像和眼底训练样本图像一起输入到resunet神经网络中进行训练，具体还包括：
[0099]
采用损失函数作为监督方式对resunet神经网络进行训练，将训练得到的损失通过反向传播的方式传递至resunet神经网络进行参数更新，直到resunet神经网络模型收敛。
[0100]
在一些可能的实施方式中，对轮廓特征图像进行上采样，具体包括：
[0101]
通过双线性插值或者转置卷积的方式对训练样本图像经过卷积特征提取和下采样获取的轮廓特征图像进行上采样。
[0102]
一种可能的设计中，处理器401执行的处理中，将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域的图像，具体包括：
[0103]
将待识别的眼底图像输入预先训练好的resunet神经网络模型，通过resunet神经网络模型对待识别的眼底图像进行识别，分别得到萎缩弧区域和背景区域的图像数据；
[0104]
对萎缩弧区域和背景区域的图像数据进行二值化处理，得到视网膜脉络膜萎缩弧
区域的图像。
[0105]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于上述电子设备与其他设备之间的通信。
[0106]
总线404包括硬件、软件或两者，用于将上述部件彼此耦接在一起。举例来说，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线可包括一个或多个总线。尽管本发明实施例描述并示出了特定的总线，但本发明考虑任何合适的总线或互连。
[0107]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non-volatile memory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0108]
存储器403可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器403可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器403可包括可移除或不可移除(或固定)的介质。在特定实施例中，存储器403是非易失性固态存储器。在特定实施例中，存储器403包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0109]
上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0110]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0111]
虽然本技术提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。
[0112]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0113]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0114]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0115]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0116]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备及可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0117]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
技术特征：1.一种视网膜脉络膜萎缩弧的识别方法，其特征在于，包括：获取待识别的眼底图像；将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对所述待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。2.根据权利要求1所述的识别方法，其特征在于，在所述获取待识别的眼底图像数据之前，还包括：获取眼底训练样本图像；对所述眼底训练样本图像中的视网膜脉络膜萎缩弧区域进行标注处理，得到样本标注图像；将所述眼底训练样本图像和所述样本标注图像一起输入到resunet神经网络中进行训练，获得resunet神经网络模型。3.根据权利要求2所述的识别方法，其特征在于，所述的将所述样本标注图像和所述眼底训练样本图像一起输入到resunet神经网络中进行训练，具体包括：通过resunet神经网络对所述样本标注图像中标注的轮廓信息进行学习，对所述训练样本图像进行卷积特征提取和下采样，得到不同尺度的轮廓特征图像；对所述轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与所述眼底训练图像的相同尺寸。4.根据权利要求3所述的识别方法，其特征在于，所述的对所述轮廓特征图像进行上采样，将得到的轮廓特征图像还原至与所述眼底训练图像的相同尺寸，具体包括：通过跨层连接的方式，将所述上采样后的特征部分与所述下采样过程中得到的不同尺度的轮廓特征图像中的特征进行结合，将得到的轮廓特征图像还原至与所述眼底训练图像的相同尺寸。5.根据权利要求2所述的识别方法，其特征在于，所述的将所述标注图像和所述眼底训练样本图像一起输入到resunet神经网络中进行训练，还包括：采用损失函数作为监督方式对resunet神经网络进行训练，将所述训练得到的损失通过反向传播的方式传递至所述resunet神经网络进行参数更新，直到resunet神经网络模型收敛。6.根据权利要求3所述的识别方法，其特征在于，所述的对所述轮廓特征图像进行上采样，具体包括：通过双线性插值或者转置卷积的方式对所述轮廓特征图像进行上采样。7.根据权利要求1或6所述的识别方法，其特征在于，所述将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对所述待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域的图像，具体包括：将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对待识别的眼底图像进行识别，分别得到萎缩弧区域和背景区域的图像；对所述萎缩弧区域和所述背景区域的图像数据进行二值化处理，得到视网膜脉络膜萎缩弧区域的图像。8.一种眼底脉络膜视网膜萎缩弧的识别装置，其特征在于，包括：获取单元，用于获取待识别的眼底图像；
识别单元，用于将所述待识别的眼底图像输入预先训练好的resunet神经网络模型，通过所述resunet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域的轮廓特征。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任意一项所述的一种眼底视网膜脉络膜萎缩弧的识别方法。10.一种眼底脉络膜视网膜萎缩弧的识别设备，其特征在于，其包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-7中任意一项所述的一种眼底脉络膜视网膜萎缩弧的识别方法。
技术总结本发明提供了一种眼底视网膜脉络膜萎缩弧的识别方法、装置、介质和设备，通过将待识别的眼底图像输入预先训练好的ResUnet神经网络模型，通过ResUnet神经网络模型对待识别的眼底图像进行识别，得到视网膜脉络膜萎缩弧区域图像。通过本发明实施例，可以快速精准的识别眼底视网膜脉络膜萎缩弧区域图像。眼底视网膜脉络膜萎缩弧区域图像。眼底视网膜脉络膜萎缩弧区域图像。
技术研发人员：凌赛广 王茜
受保护的技术使用者：依未科技（北京）有限公司
技术研发日：2022.06.03
技术公布日：2022/11/1
