一种视网膜图像分类方法及装置与流程

技术特征：
1.一种视网膜图像分类方法，其特征在于，包括：根据视网膜图像得到视网膜灰度图；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；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。2.根据权利要求1所述的一种视网膜图像分类方法，其特征在于，所述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，将所述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，所述训练数据集为视网膜图像的集合；将所述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；将所述第三图片作为样本图片输入神经网络模型中进行训练，以得到所述血管分割模型。3.根据权利要求2所述的一种视网膜图像分类方法，其特征在于，所述根据视网膜图像得到视网膜灰度图，具体为：将所述视网膜图像进行灰度处理，得到第一灰度图；将所述第一灰度图分割成多个子图像，并对多个所述子图像进行直方图均衡化处理后，进行拼接得到所述视网膜灰度图。4.根据权利要求1
‑
3中任意一项所述的一种视网膜图像分类方法，还包括：根据所述中间层特征图，得到血管灰度图；根据所述逻辑回归分类器模型的特征系数得到类别激活映射图；将所述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；将所述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。5.根据权利要求4所述的一种视网膜图像分类方法，其特征在于，所述根据所述中间层特征图，得到血管灰度图，具体为：根据所述中间层特征图，得到第二灰度图；将所述第二灰度图进行二值化处理，得到血管二值图；根据所述血管二值图获取血管连通域的不合格像素点，将所述不合格像素点进行过滤后得到所述血管灰度图。6.一种视网膜图像分类装置，其特征在于，包括：第一获取模块、第二获取模块和分类模块；其中，所述第一获取模块根据视网膜图像得到视网膜灰度图；所述第二获取模块用于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；所述分类模块用于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。7.根据权利要求6所述的一种视网膜图像分类装置，其特征在于，所述血管分割模型的
训练方法，具体为：从训练数据集中获取第一图片，将所述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，所述训练数据集为视网膜图像的集合；将所述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；将所述第三图片作为样本图片输入神经网络模型中进行训练，以得到所述血管分割模型。8.根据权利要求7所述的一种视网膜图像分类装置，其特征在于，所述根据视网膜图像得到视网膜灰度图，具体为：将所述视网膜图像进行灰度处理，得到第一灰度图；将所述第一灰度图分割成多个子图像，并对多个所述子图像进行直方图均衡化处理后，进行拼接得到所述视网膜灰度图。9.根据权利要求6
‑
8中任意一项所述的一种视网膜图像分类装置，还包括：热度图生成模块；所述热度图生成模块用于根据所述中间层特征图，得到血管灰度图；根据所述逻辑回归分类器模型的特征系数得到类别激活映射图；将所述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；将所述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。10.根据权利要求9所述的一种视网膜图像分类装置，其特征在于，所述根据所述中间层特征图，得到血管灰度图，具体为：根据所述中间层特征图，得到第二灰度图；将所述第二灰度图进行二值化处理，得到血管二值图；根据所述血管二值图获取血管连通域的不合格像素点，将所述不合格像素点进行过滤后得到所述血管灰度图。

技术总结
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。高了视网膜图像的分类准确度和精度。高了视网膜图像的分类准确度和精度。


技术研发人员：杨小红 彭庆晟
受保护的技术使用者：广东省人民医院
技术研发日：2021.06.23
技术公布日：2021/10/23