(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211413605.4 (22)申请日 2022.11.11 (71)申请人 北京鹰瞳科技发展股份有限公司 地址 100089 北京市海淀区北理工国防科 技园2号楼4层21室 (72)发明人 黄烨霖　史晓宇　贺婉佶　 (74)专利代理 机构 北京维昊知识产权代理事务 所(普通合伙) 11804 专利代理师 王颖慧 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 3/12(2006.01) A61B 3/14(2006.01) (54)发明名称 分级预测模 型的训练方法、 分级预测的方法 及相关产品 (57)摘要 本申请公开了一种分级预测模型的训练方 法、 分级预测的方法及相关产品， 该训练方法包 括： 基于眼底样本图像中动脉样 本网络和静脉样 本网络的交叉点， 获取包含所述交叉点的样本图 像块； 根据所述样本图像块中交叉点处的压迹程 度， 对所述样本图像块赋予相应级别的标签； 以 及使用带所述标签的样本图像块对分级预测模 型进行训练。 根据本申请实施例的训练方法， 可 以使得训练后的分级预测模型能够用于对眼底 动静脉交叉处的压 迹分级预测。 权利要求书3页 说明书13页 附图7页 CN 115457038 A 2022.12.09 CN 115457038 A 1.一种用于眼底压 迹预测的分级预测模型的训练方法， 其特 征在于， 包括： 基于眼底样本图像中动脉样本网络和静脉样本网络的交叉点， 获取包含所述交叉点的 样本图像块； 根据所述样本图像块中交叉点处的压迹程度， 对所述样本图像块赋予相应级别的标 签； 以及 使用带所述标签的样本图像块对分级预测模型进行训练。 2.根据权利要求1所述的训练方法， 其特 征在于， 基于交叉点获取样本图像块包括： 获取带样本标注的眼底样本图像， 其中所述样本标注用于标识所述眼底样本图像 中的 压迹交叉点； 基于所述眼底样本图像中动脉样本网络和静脉样本网络的一个或多个交叉点， 确定所 述眼底样本图像中相应的一个或多个候选区域； 根据所述样本标注中标注框与各候选区域的对比结果， 在各候选区域中确定阳性候选 区域和阴性 候选区域； 以及 基于所述阳性候选区域和所述阴性候选区域， 获取包含阳性候选区域的阳性图像块和 包含阴性候选区域的阴性图像块。 3.根据权利要求2所述的训练方法， 其特征在于， 在基于交叉点确定候选区域之前， 所 述训练方法还 包括： 使用分割 模型对所述眼底样本图像进行分割处理， 以得到连续的动脉样本网络和连续 的静脉样本网络； 对所述连续的动脉样本网络进行骨架提取， 以得到连续的动脉样本骨架； 对所述连续的静脉样本网络进行骨架提取， 以得到连续的静脉样本骨架； 以及 根据动脉样本骨架与静脉样本骨架之间的交点， 确定动脉样本网络和静脉样本网络的 交叉点。 4.根据权利要求3所述的训练方法， 其特征在于， 根据动脉样本骨架与静脉样本骨架之 间的交点确定交叉点包括： 基于所述动脉样本骨架， 确定所述动脉样本网络中各中心点处的动脉管径值和所述动 脉样本网络的平均动脉 管径值； 根据动脉样本网络 中动脉管径值大于平均动脉管径值的动脉部分， 确定有 效动脉样本 骨架； 基于所述静脉样本骨架， 确定所述静脉样本网络中各中心点处的静脉管径值和所述静 脉样本网络的平均静脉 管径值； 根据静脉样本网络 中静脉管径值大于平均静脉管径值的静脉部分， 确定有 效静脉样本 骨架； 以及 将有效动脉样本骨架与有效静脉样本骨架之间的交点确定为所述交叉点。 5.根据权利要求4所述的训练方法， 其特征在于， 将有 效动脉样本骨架与有 效静脉样本 骨架之间的交点确定为交叉点进一 步包括： 获取所述有效动脉样本骨架的第一掩膜样本图； 获取所述有效静脉样本骨架的第二掩膜样本图； 将所述第一掩模样本图和所述第 二掩膜样本图中相应像素点的像素值进行叠加， 以得权　利　要　求　书 1/3 页 2 CN 115457038 A 2到每个像素点的叠加像素值； 以及 将叠加像素值大于或等于像素值阈值的像素点确定为所述交叉点。 6.根据权利要求2 ‑5任一所述的训练方法， 其特征在于， 根据标注框与各候选区域的对 比结果， 确定阳性 候选区域和阴性 候选区域包括： 根据每个标注框与每个候选区域之间的交并比， 确定每个候选区域是否为所述阳性候 选区域或所述阴性 候选区域。 7.根据权利要求6所述的训练方法， 其特征在于， 根据交并比确定阳性候选区阈或阴性 候选区域包括： 响应于存在候选区域与任一标注框之间的交并比大于或等于第 一阈值， 确定该候选区 域为相应级别的阳性 候选区域； 响应于存在候选区域与任一标注框之间的交并比均小于第 二阈值， 确定该候选区域为 阴性候选区域。 8.根据权利要求7 所述的训练方法， 其特 征在于， 所述第二阈值小于所述第一阈值。 9.根据权利要求1 ‑5任一所述的训练方法， 其特征在于， 所述样本图像块包括阳性图像 块和阴性图像块； 对所述样本图像块赋予相应级别的标签包括： 对所述阴性图像块赋予阴性标签； 以及 根据所述阳性图像块中压迹交叉点的压迹程度， 对所述阳性图像块赋予相应级别的阳 性标签。 10.根据权利要求9所述的训练方法， 其特征在于， 所述阴性标签为0， 所述阳性标签为 正整数。 11.根据权利要求3 ‑5任一所述的训练方法， 其特征在于， 在使用分割模型对所述眼底 样本图像进行分割处理之前， 所述训练方法还包括对所述眼底样本图像进 行以下预处理中 的至少一项： 去除眼底样本图像中的黑色背景区域； 对眼底样本图像进行直方图均衡化处 理。 12.根据权利要求1 ‑5任一所述的训练方法， 其特征在于， 所述分级预测模型包括基于 神经网络的回归 模型。 13.一种基于眼底图像进行压 迹分级预测的方法， 其特 征在于， 包括： 基于待测眼底图像中动脉网络和静脉网络的目标交叉点， 获取包含所述目标交叉点的 目标图像块； 以及 使用经由权利要求1 ‑12任一所述的训练方法训练后的分级预测模型对所述目标图像 块进行压 迹分级预测， 以得到所述目标交叉点处的压 迹分级结果。 14.根据权利要求13所述的方法， 其特征在于， 在基于目标交叉点获取目标图像块之 前， 所述方法还 包括： 使用分割 模型对所述待测眼底图像进行分割处理， 以得到连续的动脉网络和连续的静 脉网络； 对所述连续的动脉网络进行骨架提取， 以得到连续的动脉骨架； 对所述连续的静脉网络进行骨架提取， 以得到连续的静脉骨架； 以及权　利　要　求　书 2/3 页 3 CN 115457038 A 3