一种眼底图像的处理方法、分割模型训练方法及装置与流程

技术特征：
1.一种眼底图像的处理方法，其特征在于，包括：获取包含有眼底血管的眼底图像；基于分割模型的第一子网络对所述眼底图像进行特征提取，获得第一特征数据；基于所述分割模型的多个分支网络分别对所述第一特征数据进行特征提取处理，获得多个第二特征数据；其中，至少部分分支网络包括全局卷积网络gcn结构；将所述多个第二特征数据进行组合获得第三特征数据，基于所述第三特征数据获得眼底血管分割图像。2.根据权利要求1所述的方法，其特征在于，所述基于所述第三特征数据获得眼底血管分割图像，包括：根据所述第三特征数据获得第一阈值，基于所述第一阈值对所述第三特征数据进行二值化处理，获得眼底血管分割图像。3.根据权利要求1所述的方法，其特征在于，所述将所述多个第二特征数据进行组合获得第三特征数据，包括：将所述多个第二特征数据进行组合，基于所述分割模型的第一边界细化br结构对组合后的所述多个第二特征数据进行边缘优化处理，获得第三特征数据。4.根据权利要求1所述的方法，其特征在于，所述第一子网络包括至少一个卷积层；所述基于分割模型的第一子网络对所述眼底图像进行特征提取，获得第一特征数据，包括：基于所述至少一个卷积层对所述眼底图像进行卷积处理，对卷积处理结果进行归一化处理，获得所述第一特征数据。5.根据权利要求1所述的方法，其特征在于，所述多个分支网络包括第一分支网络、第二分支网络和第三分支网络中的至少一个分支网络；所述第一分支网络至少包括依次连接的第一gcn结构和第二br结构；所述第二分支网络至少包括依次连接的第二gcn结构、第三gcn结构和第三br结构；所述第三分支网络至少包括依次连接的第一卷积层、第四gcn结构和第四br结构；所述基于所述分割模型的多个分支网络分别对所述第一特征数据进行处理，获得多个第二特征数据，包括以下至少之一：基于所述第一gcn结构对所述第一特征数据进行特征提取处理，获得第一特征提取结果，通过所述第二br结构对所述第一特征提取结果进行边缘优化处理，获得所述第一分支网络对应的第二特征数据；基于所述第二gcn结构对所述第一特征数据进行特征提取处理，获得第二特征提取结果，通过所述第三gcn结构对所述第二特征提取结果进行特征提取处理，获得第三特征提取结果，通过所述第三br结构对所述第三特征提取结果进行边缘优化处理，获得所述第二分支网络对应的第二特征数据；基于所述第一卷积层对所述第一特征数据进行特征提取处理，获得第四特征提取结果，通过所述第四gcn结构对所述第四特征提取结果进行特征提取处理，获得第五特征提取结果，通过所述第四br结构对所述第五特征提取结果进行边缘优化处理，获得所述第三分支网络对应的第二特征数据；所述第一卷积层的输出数据的维度小于所述第一特征数据的维度。
6.根据权利要求5所述的方法，其特征在于，所述gcn结构包括卷积核为3
×
3的第二卷积层、并联的第三卷积层和第四卷积层以及用于合并所述第三卷积层和所述第四卷积层的和函数层；其中，所述第三卷积层的卷积核为k
×
1 1
×
k，所述第四卷积层的卷积核为1
×
k k
×
1，k为不大于所述gcn结构的输入数据尺寸的正整数；基于所述gcn结构对所述gcn结构的输入数据进行特征提取处理，包括：基于所述第二卷积层对所述输入数据进行特征提取处理，获得第一子数据；分别基于所述第三卷积层和所述第四卷积层对所述第一子数据进行特征提取处理，分别获得第二子数据和第三子数据；基于所述和函数层合并所述第二子数据和所述第三子数据，得到所述gcn结构的特征处理结果。7.根据权利要求5或6所述的方法，其特征在于，所述多个分支网络还包括第四分支网络和第五分支网络中的至少一个分支网络；所述第四分支网络至少包括依次连接的第五卷积层和第五br结构；所述第五分支网络至少包括第六卷积层；所述基于所述分割模型的多个分支网络分别对所述第一特征数据进行处理，获得多个第二特征数据，还包括以下至少之一：基于所述第五卷积层对所述第一特征数据进行特征提取处理，获得第六特征提取结果，通过所述第五br结构对所述第六特征提取结果进行边缘优化处理，获得所述第四分支网络对应的第二特征数据；基于所述第六卷积层对所述第一特征数据进行特征提取处理，获得所述第五分支网络对应的第二特征数据。8.一种分割模型训练方法，其特征在于，所述方法包括：获取包含有眼底血管的样本图像以及与所述样本图像对应的标签图像，所述标签图像为已标注出眼底血管所在位置的图像；基于分割模型的第一子网络对所述样本图像进行特征提取，获得第一预测特征数据；基于所述分割模型的多个分支网络分别对所述第一预测特征数据进行特征提取处理，获得多个第二预测特征数据；其中，至少部分分支网络包括gcn结构；将所述多个第二预测特征数据进行组合获得第三预测特征数据，根据所述第三预测特征数据获得眼底血管的预测分割图像；根据所述预测分割图像与所述标签图像确定损失，基于所述损失调整所述分割模型的参数。9.根据权利要求8所述的方法，其特征在于，所述将所述多个第二预测特征数据进行组合获得第三预测特征数据，包括：将所述多个第二预测特征数据进行组合，基于所述分割模型的第一br结构对组合后的所述多个第二预测特征数据进行边缘优化处理，获得第三预测特征数据。10.一种眼底图像的处理装置，其特征在于，包括：图像获取模块，用于获取包含有眼底血管的眼底图像；第一特征提取模块，用于基于分割模型的第一子网络对所述图像获取模块获得的所述眼底图像进行特征提取，获得第一特征数据；第二特征提取模块，用于基于所述分割模型的多个分支网络分别对所述第一特征提取
模块获得的所述第一特征数据进行特征提取处理，获得多个第二特征数据；其中，至少部分分支网络包括全局卷积网络gcn结构；以及分割结果确定模块，用于将所述第二特征提取模块获得的多个第二特征数据进行组合获得第三特征数据，基于所述第三特征数据获得眼底血管分割图像。11.一种分割模型训练装置，其特征在于，包括：处理模块，用于获取包含有眼底血管的样本图像以及与所述样本图像对应的标签图像，所述标签图像为已标注出眼底血管所在位置的图像；网络训练模块，用于基于分割模型的第一子网络对所述处理模块获得的所述样本图像进行特征提取，获得第一预测特征数据；基于所述分割模型的多个分支网络分别对所述第一预测特征数据进行特征提取处理，获得多个第二预测特征数据；其中，至少部分分支网络包括gcn结构；将所述多个第二预测特征数据进行组合获得第三预测特征数据，根据所述第三预测特征数据获得眼底血管的预测分割图像；根据所述预测分割图像与所述处理模块获得的所述标签图像确定损失，基于所述损失调整所述分割模型的参数。12.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项所述方法的步骤，或者所述处理器执行所述程序时实现权利要求8至9任一项所述方法的步骤。13.一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权利要求1至7任一项所述方法的步骤；或者，该程序被处理器执行时实现权利要求8至9任一项所述方法的步骤。

技术总结
本发明公开了一种眼底图像的处理方法、分割模型训练方法及装置，眼底图像的处理方法包括：获取包含有眼底血管的眼底图像；基于分割模型的第一子网络对所述眼底图像进行特征提取，获得第一特征数据；基于所述分割模型的多个分支网络分别对所述第一特征数据进行特征提取处理，获得多个第二特征数据；其中，至少部分分支网络包括全局卷积网络(GCN)结构；将所述多个第二特征数据进行组合获得第三特征数据，基于所述第三特征数据获得眼底血管分割图像。本发明解决了眼底血管分割模型结构单一、提取特征较少的问题，通过包括GCN结构的多个分支网络在获得更多血管细节的同时降低了模型结构的复杂度和运算量。型结构的复杂度和运算量。型结构的复杂度和运算量。


技术研发人员：吴进
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2021.08.19
技术公布日：2023/2/17