【技術實現步驟摘要】
本申請涉及計算機視覺，尤其涉及一種眼底圖像質量分級方法、裝置、設備及存儲介質。
技術介紹
1、眼底圖像是眼科醫生診斷多種眼部疾病的重要依據。然而，由于拍攝條件、設備性能、患者配合度等多種因素的影響，眼底圖像的質量往往存在差異。對眼底圖像進行質量分級，有助于篩選出高質量的圖像用于臨床診斷，提高診斷的準確性和效率。目前，眼底圖像質量好壞高度依賴于拍攝者的主觀判斷，效率低，且主觀性強，準確率有待提高。
2、目前眼底圖像質量分級存在的問題主要包括：缺乏統一的評價標準：不同醫生對圖像質量的評價標準可能存在差異，導致分級結果不一致。無法實時反饋：在臨床診斷過程中，無法實時對眼底圖像的質量進行評估，影響了診斷流程的連續性和效率。人工成本高：傳統方法依賴人工進行圖像質量分級，效率低，且容易受到疲勞、情緒等因素影響。無法處理大量數據：在臨床實踐中，需要處理大量的眼底圖像，人工分級難以滿足需求。缺乏客觀性：主觀判斷容易受到個人經驗和認知偏差的影響，導致分級結果不夠客觀。系統適應性差：現有的分級系統往往針對特定類型或品牌的眼底相機設計，缺乏對不同設備和拍攝條件的適應性。總之，現有的眼底圖像質量分級方法基于人工進行分級，難以快速且準確的完成對眼底圖像的分級處理。
技術實現思路
1、針對上述問題，本申請提供了一種眼底圖像質量分級方法，包括以下內容：
2、第一方面，本申請提供了一種眼底圖像質量分級方法，該方法包括：
3、獲取待進行圖像質量分級的眼底圖像；
4、將
5、根據所述預先訓練好的眼底圖像質量分級模型得到所述待進行圖像質量分級的眼底圖像的分級結果，所述分級結果為良好、可用和拒絕中的任意一種；
6、當所述分級結果為可用時，轉到人工進行處理；
7、當所述分級結果為拒絕時，輸出重新拍攝圖像的指令。
8、可選的，所述預先訓練好的眼底圖像質量分級模型的訓練過程包括：
9、獲取眼底圖像數據集以及所述眼底圖像數據集對應的分類標簽，所述分類標簽按照預設的眼底圖像質量分類規則分為良好、可用和拒絕；
10、對所述眼底圖像數據集進行數據預處理，將預處理后的數據按照預設比例分為訓練集和測試集；
11、基于efficientnetv2網絡構建眼底圖像質量分級網絡，在所述efficientnetv2網絡中引入cbam注意力機制模塊得到改進后的efficientnetv2網絡；
12、將所述訓練集輸入到所述改進后的efficientnetv2網絡中進行訓練，得到訓練好的眼底圖像質量分級模型。
13、可選的，其特征在于，所述cbam注意力機制模塊中包括：
14、通道注意力模塊和空間注意力模塊，所述通道注意力模塊用于輸出1d通道注意力特征圖像，所述空間注意力模塊用于輸出2d空間注意力特征圖像。
15、可選的，所述通道注意力模塊輸出1d通道注意力特征圖像包括：
16、輸入特征f，對所述特征f進行最大池化及平均池化處理，產生兩個獨立的特征圖像；
17、將所述兩個特征圖像分別通過多層感知機mlp進行處理，得到mlp的輸出結果；
18、對所述mlp的輸出結果相加后，經sigmoid函數進行非線性變換，生成通道注意力特征mc(f)；
19、將所述注意力特征mc(f)與原始輸入特征f進行元素乘法計算得到初步的1d通道注意力特征圖像f′。
20、可選的，所述空間注意力模塊輸出2d空間注意力特征圖像包括：
21、將所述通道注意力模塊輸出的所述1d通道注意力特征圖像f′作為輸入，對f′執行最大池化和平均池化操作，得到新的兩個特征圖；
22、基于通道維度對所述新的兩個特征圖進行拼接，通過一個7×7的卷積核進行卷積操作，以將特征維度縮減至單一通道；
23、將縮減至單一通道的特征經過sigmoid函數處理，生成空間注意力特征ms；
24、將所述空間注意力特征ms與所述f′進行元素乘法運算，2d空間注意力特征圖像f"。
25、可選的，所述預先訓練好的眼底圖像質量分級模型為回歸模型，所述根據所述預先訓練好的眼底圖像質量分級模型得到所述待進行圖像質量分級的眼底圖像的分級結果包括：
26、根據所述預先訓練好的眼底圖像質量分級模型得到一個預測分數，根據所述預測分數按照預設的映射規則得到所述預測分數對應的結果作為所述分級結果。
27、可選的，所述預先訓練好的眼底圖像質量分級模型為分類模型，所述根據所述預先訓練好的眼底圖像質量分級模型得到所述待進行圖像質量分級的眼底圖像的分級結果包括：
28、根據所述預先訓練好的眼底圖像質量分級模型直接得到所述待進行圖像質量分級的眼底圖像的類別作為所述分級結果。
29、第二方面，本申請提供了一種眼底圖像質量分級裝置，該裝置包括：
30、獲取單元，用于獲取待進行圖像質量分級的眼底圖像；
31、輸入單元，用于將所述眼底圖像輸入預先訓練好的眼底圖像質量分級模型中進行圖像質量分級處理，所述預先訓練好的眼底圖像質量分級模型是基于引入cbam注意力機制模塊改進后的efficientnetv2網絡訓練得到的；
32、處理單元，用于根據所述預先訓練好的眼底圖像質量分級模型得到所述待進行圖像質量分級的眼底圖像的分級結果，所述分級結果為良好、可用和拒絕中的任意一種；
33、當所述分級結果為可用時，轉到人工進行處理；
34、當所述分級結果為拒絕時，輸出重新拍攝圖像的指令。
35、可選的，所述裝置還包括模型訓練單元，用于訓練眼底圖像質量分級模型，包括：
36、獲取眼底圖像數據集以及所述眼底圖像數據集對應的分類標簽，所述分類標簽按照預設的眼底圖像質量分類規則分為良好、可用和拒絕；
37、對所述眼底圖像數據集進行數據預處理，將預處理后的數據按照預設比例分為訓練集和測試集；
38、基于efficientnetv2網絡構建眼底圖像質量分級網絡，在所述efficientnetv2網絡中引入cbam注意力機制模塊得到改進后的efficientnetv2網絡；
39、將所述訓練集輸入到所述改進后的efficientnetv2網絡中進行訓練，得到訓練好的眼底圖像質量分級模型。
40、可選的，所述cbam注意力機制模塊中包括：
41、通道注意力模塊和空間注意力模塊，所述通道注意力模塊用于輸出1d通道注意力特征圖像，所述空間注意力模塊用于輸出2d空間注意力特征圖像。
42、可選的，所述通道注意力模塊輸出1d通道注意力特征圖像包括本文檔來自技高網...
【技術保護點】
1.一種眼底圖像質量分級方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述預先訓練好的眼底圖像質量分級模型的訓練過程包括：
3.根據權利要求2所述的方法，其特征在于，所述CBAM注意力機制模塊中包括：
4.根據權利要3所述的方法，其特征在于，所述通道注意力模塊輸出1D通道注意力特征圖像包括：
5.根據權利要4所述的方法，其特征在于，所述空間注意力模塊輸出2D空間注意力特征圖像包括：
6.根據權利要求1所述的方法，其特征在于，所述預先訓練好的眼底圖像質量分級模型為回歸模型，所述根據所述預先訓練好的眼底圖像質量分級模型得到所述待進行圖像質量分級的眼底圖像的分級結果包括：
7.根據權利要求1所述的方法，其特征在于，所述預先訓練好的眼底圖像質量分級模型為分類模型，所述根據所述預先訓練好的眼底圖像質量分級模型得到所述待進行圖像質量分級的眼底圖像的分級結果包括：
8.一種眼底圖像質量分級裝置，其特征在于，所述裝置包括：
9.一種計算設備，其特征在于，所述計算設備包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如權利要求1至7任一項所述的方法。
...【技術特征摘要】
1.一種眼底圖像質量分級方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述預先訓練好的眼底圖像質量分級模型的訓練過程包括：
3.根據權利要求2所述的方法，其特征在于，所述cbam注意力機制模塊中包括：
4.根據權利要3所述的方法，其特征在于，所述通道注意力模塊輸出1d通道注意力特征圖像包括：
5.根據權利要4所述的方法，其特征在于，所述空間注意力模塊輸出2d空間注意力特征圖像包括：
6.根據權利要求1所述的方法，其特征在于，所述預先訓練好的眼底圖像質量分級模型為回歸模型，所述根據所述預先訓練好...
【專利技術屬性】
技術研發人員：李云鵬，閆海茹，黨煜，何星儒，
申請(專利權)人：廣州市黃埔區何氏眼健康產業技術研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。