眼底图像的检测方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种眼底图像的检测方法、装置及电子设备，具体可用于计算机视觉技术领域、深度学习技术领域、以及智慧医疗技术领域。

背景技术

通过眼底照相机可以获取到大量的眼底图像，但由于各拍摄人员的技术参差不齐，会导致获取到的眼底图像中可能包括质量较差的眼底图像，因此，对获取到的眼底图像进行质量检测是至关重要的。

现有技术中，在对眼底图像进行质量检测时，是基于预先训练得到的深度学习模型直接对眼底图像进行质量检测，并输出质量检测结果。但是，仅采用深度学习模型进行检测，可能会因为深度学习模型的偏差，泛化效果较差，从而导致质量检测结果的准确度较低。

发明内容

本申请提供了一种眼底图像的检测方法、装置及电子设备，在检测眼底图像的质量时，可以在一定程度上解决因深度学习模型的偏差导致泛化效果问题，提高了泛化效果，从而在一定程度上提高了图像检测结果的准确度。

根据本申请的一方面，提供了一种眼底图像的检测方法，该眼底图像的检测方法可以包括：

根据深度学习模型确定待检测眼底图像对应的第一检测结果；其中，所述第一检测结果用于指示所述待检测眼底图像为图像检测结果高于预设阈值的预设眼底图像的概率。

获取所述待检测眼底图像对应的血管图像占比率。

根据所述第一检测结果和所述血管图像占比率确定所述待检测眼底图像的图像检测结果。

根据本申请的另一方面，提供了一种眼底图像的检测装置，该眼底图像的检测装置可以包括：

处理模块，用于根据深度学习模型确定待检测眼底图像对应的第一检测结果；其中，所述第一检测结果用于指示所述待检测眼底图像为图像检测结果高于预设阈值的预设眼底图像的概率。

获取模块，用于获取所述待检测眼底图像对应的血管图像占比率。

所述处理模块，还用于根据所述第一检测结果和所述血管图像占比率确定所述待检测眼底图像的图像检测结果。

根据本申请的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述第一方面所述的眼底图像的检测方法。

根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的眼底图像的检测方法。

根据本申请的技术方案，在检测眼底图像的质量时，是分别获取深度学习模型确定的待检测眼底图像对应的第一检测结果，以及待检测眼底图像对应的血管图像占比率，并根据第一检测结果和血管图像占比率这两个因素共同确定待检测眼底图像的图像检测结果，与仅基于深度学习模型确定待检测眼底图像的检测结果相比，血管图像占比率可以辅助校正深度学习模型确定的质量检测结果，以得到最终的质量检测结果，这样可以在一定程度上解决因深度学习模型的偏差导致泛化效果较差的问题，提高了泛化效果，从而在一定程度上提高了图像检测结果的准确度。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的一种眼底图像检测系统的示意图；

图2是根据本申请第一实施例提供的眼底图像的检测方法的流程示意图；

图3是根据本申请第二实施例提供的眼底图像的检测方法的流程示意图；

图4是根据本申请第三实施例提供的眼底图像的检测装置的结构示意图；

图5是根据本申请实施例的眼底图像的检测方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本申请的实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。在本申请的文字描述中，字符“/”一般表示前后关联对象是一种“或”的关系。

本申请实施例提供的眼底图像的检测方法可以应用于眼底图像的检测系统中。示例的，请参见图1所示，图1是本申请实施例提供的一种眼底图像检测系统的示意图，在眼底图像检测系统中，可以包括至少一个眼底图像获取装置和眼底图像检测装置，眼底图像获取装置用于采集眼底图像，在采集眼底图像时，可能会由于采集人员拍摄技能欠佳，导致采集到的眼底图像质量较差，不满足采集需求，因此，眼底图像获取装置在采集眼底图像后，可以先将其获取到的眼底图像发送给眼底图像检测装置，眼底图像检测装置主要用于对眼底图像获取装置采集的眼底图像的质量进行检测，并根据图像检测结果对眼底图像获取装置采集到的眼底图像进行筛选，从而得到质量较好，满足采集需求的眼底图像；这样在得到质量较好眼底图像后，就可以将质量较好的眼底图像投入应用，例如，可以基于质量较好的眼底图像进行辅助诊断，例如眼底疾病的筛查等。示例的，在本申请实施例中，眼底图像获取装置可以为眼底照相机或者眼底摄像机，眼底图像检测装置可以为终端或者服务器。

现有技术中，眼底图像检测装置在对眼底图像进行质量检测时，是基于预先训练得到的深度学习模型直接对眼底图像进行质量检测，并输出质量检测结果。但是，仅采用深度学习模型进行检测，可能会因为深度学习模型的偏差，泛化效果较差，从而导致质量检测结果的准确度较低。

为了提高质量检测结果的准确度，在一种可能的尝试中，考虑到现有的深度学习模型在训练过程中，可能只是提取了样本眼底图像中的颜色、形状、边缘等特征，并基于这些特征训练得到深度学习模型，由于眼底图像的亮度、清晰度、以及眼底图像中的血管图像是影响眼底图像的质量的重要因素，因此，可以考虑在训练深度学习模型的过程中，一并提取样本眼底图像中的眼底图像的亮度、清晰度、以及血管图像等特征，并结合这些特征共同训练得到深度学习模型，以提高深度学习模型的准确度，但是，即使提高了深度学习模型的准确度，但该深度学习模型最终输出的还是一个眼底图像质量的指示值，因此，还是会存在因深度学习模型的偏差，泛化效果较差的问题，从而导致质量检测结果的准确度较低。

为了解决因深度学习模型的偏差，泛化效果较差的问题，从而提高质量检测结果的准确度，可以继续结合眼底图像的亮度、清晰度、以及血管图像确定眼底图像的质量检测结果，只是将眼底图像的亮度、清晰度、以及血管图像的质量检测结果与深度学习模型的质量检测结果单独割裂开，这些在深度学习模型检测的基础上，结合眼底图像的亮度、清晰度、以及血管图像确定眼底图像的质量时，就可以得到眼底图像对应的四个质量检测结果，通过额外的眼底图像的亮度、清晰度、以及血管图像确定的质量检测结果可以辅助校正深度学习模型确定的质量检测结果，以得到最终的质量检测结果，这样可以在一定程度上解决因仅通过深度学习模型确定质量检测结果时，可能会因为深度学习模型的偏差，泛化效果较差的问题，从而在一定程度上提高了图像检测结果的准确度。

基于上述构思，本申请实施例提供了一种眼底图像的检测方法，涉及计算机视觉技术、深度学习、及智慧医疗技术领域，具体可应用于医疗影像分析场景下。在检测待检测眼底图像时，可以根据深度学习模型确定待检测眼底图像对应的第一检测结果；其中，第一检测结果用于指示待检测眼底图像为图像检测结果高于预设阈值的眼底图像的概率；并获取待检测眼底图像对应的血管图像占比率；再根据第一检测结果和血管图像占比率确定待检测眼底图像的图像检测结果。

其中，图像检测结果高于预设阈值的眼底图像可以理解为高质量的眼底图像，血管图像占比率可以理解为待检测眼底图像对应的血管掩膜图像中非0像素所占的比值与预设值之间的比值；其中，预设值为高质量的预设眼底图像对应的血管掩膜图像中非0像素所占的比值。预设阈值可以根据实际需要进行设置，在此，对于预设阈值的大小，本申请实施例不做进一步地限制。

示例的，深度学习模型可以为ResNet模型，也可以其它类似于ResNet模型的深度学习模型，只要可以基于该深度学习模型确定待检测眼底图像对应的检测结果即可。

可以看出，本申请实施例中，在检测眼底图像的质量时，是分别获取深度学习模型确定的待检测眼底图像对应的第一检测结果，以及待检测眼底图像对应的血管图像占比率，并根据第一检测结果和血管图像占比率这两个因素共同确定待检测眼底图像的图像检测结果，与仅基于深度学习模型确定待检测眼底图像的检测结果相比，血管图像占比率可以辅助校正深度学习模型确定的质量检测结果，以得到最终的质量检测结果，这样可以在一定程度上解决因深度学习模型的偏差导致泛化效果较差的问题，提高了泛化效果，从而在一定程度上提高了图像检测结果的准确度。

下面，将通过具体的实施例对本申请提供的眼底图像的检测方法进行详细地说明。可以理解的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

实施例一

图2是根据本申请第一实施例提供的眼底图像的检测方法的流程示意图，该眼底图像的检测方法可以由软件和/或硬件装置执行，例如，该硬件装置可以为眼底图像的检测装置，该眼底图像的检测装置可以为终端或者服务器。示例的，请参见图2所示，该眼底图像的检测方法可以包括：

S201、根据深度学习模型确定待检测眼底图像对应的第一检测结果。

其中，第一检测结果用于指示待检测眼底图像为图像检测结果高于预设阈值的眼底图像的概率。

示例的，在根据深度学习模型确定待检测眼底图像对应的第一检测结果时，采用优化后的focal loss，既能控制正负样本权重，又能控制易分类难分类样本权重，以训练得到二分类的ResNet模型。在通过二分类的ResNet模型对待检测眼底图像的质量进行判断，可以将待检测眼底图像作为ResNet模型的输入，将该ResNet模型的输出结果经过softmax映射得到的0-1之间的概率值，该概率值即为根据深度学习模型得到的待检测眼底图像对应的第一检测结果。

S202、获取待检测眼底图像对应的血管图像占比率。

其中，血管图像占比率可以理解为待检测眼底图像对应的血管掩膜图像中非0像素所占的比值与预设值之间的比值；其中，预设值为高质量的预设眼底图像对应的血管掩膜图像中非0像素所占的比值。

示例的，在获取待检测眼底图像对应的血管图像占比率时，可以先对待检测眼底图像进行血管分割，得到待检测眼底图像对应的血管掩膜图像；计算该待检测眼底图像对应的血管掩膜图像中非0像素所占的第一比值，并计算高质量的预设眼底图像对应的血管掩膜图像中非0像素所占的第二比值，再计算第一比值与第二比值之间的比值，并将第一比值与第二比值之间的比值确定为该待检测眼底图像对应的血管检出率，该血管检出率可以理解为血管图像占比率，即将第一比值与第二比值之间的比值确定为待检测眼底图像对应的血管图像占比率。

在通过上述S201和S202分别得到第一检测结果和血管图像占比率后，就可以根据第一检测结果和血管图像占比率确定待检测眼底图像的图像检测结果，即执行下述S203：

S203、根据第一检测结果和血管图像占比率确定待检测眼底图像的图像检测结果。

示例的，图像检测结果可以以“高、中、低”的方式描述，其中，“高”表示该待检测眼底图像为高质量的眼底图像，“中”表示该待检测眼底图像为普通质量的眼底图像，“低”表示该待检测眼底图像为低质量的眼底图像；图像检测结果也可以以评分制的方式描述，例如，评分越高，说明待检测眼底图像的图像质量越高；此外，图像检测结果也可以以概率值的方式描述，例如，概率值越高，说明待检测眼底图像的图像质量越高，具体可以根据实际需要进行设置，在此，本申请实施例只是以检测结果可以通过这三种方式描述为例进行说明，但并不代表本申请实施例仅局限于此。

示例的，在根据第一检测结果和血管图像占比率确定待检测眼底图像的图像检测结果时，可以分别确定第一检测结果和血管图像占比率各自对应的权重值；并根据各自对应的权重值，对第一检测结果和血管图像占比率进行加权，得到待检测眼底图像的图像检测结果。

需要说明的是，在得到待检测眼底图像的图像检测结果后，若图像检测结果小于预设阈值，说明该待检测眼底图像为质量较差的眼底图像，则可以确定血管图像占比率对应的图像描述信息，该图像描述信息用于通过血管这个参数，描述该待检测眼底图像为质量较差的眼底图像的原因，并输出该图像描述信息，这样工作人员不仅可以获取到图像检测结果，而且还可以获取到图像检测结果对应的图像描述信息，尤其是在图像检测结果指示待检测眼底图像为质量较差的眼底图像时，可以使得工作人员根据该图像描述信息确定该待检测眼底图像为质量较差的眼底图像的原因，实现了图像检测结果的可解释。

可以看出，本申请实施例中，在检测眼底图像的质量时，是分别获取深度学习模型确定的待检测眼底图像对应的第一检测结果，以及待检测眼底图像对应的血管图像占比率，并根据第一检测结果和血管图像占比率这两个因素共同确定待检测眼底图像的图像检测结果，与仅基于深度学习模型确定待检测眼底图像的检测结果相比，血管图像占比率可以辅助校正深度学习模型确定的质量检测结果，以得到最终的质量检测结果，这样可以在一定程度上解决因深度学习模型的偏差导致泛化效果较差的问题，提高了泛化效果，从而在一定程度上提高了图像检测结果的准确度。

基于上述图2所示的实施例，由于眼底图像的亮度和眼底图像的清晰度也是影响眼底图像的图像检测结果的重要因素，因此，为了使得眼底图像的图像检测结果的准确度更高，可以在结合血管图像占比率确定待检测眼底图像的图像检测结果的前提下，进一步结合眼底图像的亮度和/或眼底图像的清晰度的检测结果对根据第一检测结果和血管图像占比率确定的图像检测结果进行校正，使得最终的图像检测结果的准确度更高。下面，将详细描述在图2所示的实施例的基础上，如何结合眼底图像的亮度和/或眼底图像的清晰度的检测结果对根据第一检测结果和血管图像占比率确定的图像检测结果进行校正，从而得到图像检测结果，具体可参见下述图3所示的实施例二。

实施例二

图3是根据本申请第二实施例提供的眼底图像的检测方法的流程示意图，该眼底图像的检测方法同样可以由软件和/或硬件装置执行。示例的，请参见图3所示，该眼底图像的检测方法可以包括：

S301、对待检测眼底图像进行亮度检测，和/或，对待检测眼底图像进行清晰度检测，得到待检测图像对应的第二检测结果。

可以看出，在S301中，可以仅对待检测眼底图像进行亮度检测，得到待检测图像对应的第二检测结果，在该种情况下，第二检测结果仅包括亮度检测结果；也可以仅对待检测眼底图像进行清晰度检测，得到待检测图像对应的第二检测结果，在该种情况下，第二检测结果仅包括清晰度检测结果；也可以对待检测眼底图像进行亮度检测，和对待检测眼底图像进行清晰度检测，得到待检测图像对应的第二检测结果，在该种情况下，第二检测结果仅包括亮度检测结果和清晰度检测结果，具体可以根据实际需要进行设置。

以对待检测眼底图像进行亮度检测和清晰度检测为例，示例的，在对待检测眼底图像进行亮度检测时，在一种可能的实现方式中，可以直接采用现有的图像像素统计方法，得到待检测眼底图像整张图像的亮度均值，并根据整张图像的亮度均值得到待检测眼底图像对应的亮度检测结果；在另一种可能的实现方式中，为了考虑到人眼的局部视觉因素，可以先对待检测眼底图像进行分割处理，得到待检测眼底图像对应的多个像素块；根据多个像素块的亮度值，以及多个像素块之间的坐标关系，确定眼底中各区域的局部亮度值；再根据眼底中各区域的局部亮度值确定亮度检测结果。采用该种可能的实现方式确定亮度检测结果，好处在于：考虑到了人眼的局部视觉因素，通过对局部亮度进行检测，从而确定整个图像的亮度评估结果；此外，通过对待检测眼底图像进行分区，不仅保证了对图像准确的质量评估，还保留了针对不同区域具有一定可读性的图像。

示例的，在对待检测眼底图像进行清晰度检测时，可以使用sobel算子分别计算沿X、Y方向的梯度，进行加权结合，过滤待检测眼底图像边缘和噪音像素点，再计算非0像素所占的比值，通过二次函数映射到0到1之间，得到对焦准确性概率值，该焦准确性概率值用于描述待评估眼底图像对应的清晰度评估结果，从而得到待检测眼底图像对应的清晰度检测结果。

在分别对待检测眼底图像的亮度检测和清晰度检测，得到包括亮度检测结果和清晰度检测结果的第二检测结果后，就可以根据该第二检测结果对待检测眼底图像的图像检测结果进行辅助校正，从而得到准确度更高的新的图像检测结果，即执行下述S302：

S302、根据第二检测结果对待检测眼底图像的图像检测结果进行辅助校正，得到新的图像检测结果。

与上述S203的图像检测结果的描述方法类似，在本申请实施例中，新的图像检测结果可以以“高、中、低”的方式描述，其中，“高”表示该待检测眼底图像为高质量的眼底图像，“中”表示该待检测眼底图像为普通质量的眼底图像，“低”表示该待检测眼底图像为低质量的眼底图像；图像检测结果也可以以评分制的方式描述，例如，评分越高，说明待检测眼底图像的图像质量越高；此外，图像检测结果也可以以概率值的方式描述，例如，概率值越高，说明待检测眼底图像的图像质量越高，具体可以根据实际需要进行设置，在此，本申请实施例只是以检测结果可以通过这三种方式描述为例进行说明，但并不代表本申请实施例仅局限于此。

示例的，在根据第二检测结果对待检测眼底图像的图像检测结果进行辅助校正时，可以分别确定第二检测结果和待检测眼底图像的图像检测结果各自对应的权重值；并根据各自对应的权重值，对第二检测结果和待检测眼底图像的图像检测结果进行加权，得到新的图像检测结果。

可以理解的是，当第二检测结果包括亮度检测结果和清晰度检测结果时，可以根据亮度检测结果对应的权重值、清晰度检测结果对应的权重值、以及待检测眼底图像的图像检测结果对应的权重值，对亮度检测结果、清晰度检测结果、以及图像检测结果进行加权，得到新的图像检测结果。

需要说明的是，在得到新的图像检测结果后，若新的图像检测结果小于预设阈值，说明该待检测眼底图像为质量较差的眼底图像，则可以根据亮度检测结果确定亮度检测结果对应的图像描述信息，并根据清晰度检测结果确定清晰度检测结果对应的图像描述信息；其中，亮度检测结果对应的图像描述信息用于通过亮度参数，描述该待检测眼底图像为质量较差的眼底图像的原因，清晰度检测结果对应的图像描述信息用于通过清晰度参数，描述该待检测眼底图像为质量较差的眼底图像的原因，并输出该图像描述信息，这样工作人员不仅可以获取到该新的图像检测结果，而且还可以获取到该新的图像检测结果对应的图像描述信息，尤其是在图像检测结果指示待检测眼底图像为质量较差的眼底图像时，可以使得工作人员根据该亮度检测结果对应的图像描述信息和清晰度检测结果对应的图像描述信息，确定该待检测眼底图像为质量较差的眼底图像的原因，实现了图像检测结果的可解释。

可以看出，本申请实施例中，在检测眼底图像的质量时，通过对待检测眼底图像进行亮度检测，和/或，对待检测眼底图像进行清晰度检测，得到待检测图像对应的第二检测结果，并根据第二检测结果对根据第一检测结果和血管图像占比率确定的图像检测结果进行校正，与仅基于深度学习模型确定待检测眼底图像的检测结果相比，第二检测结果可以辅助校正根据第一检测结果和血管图像占比率确定的图像检测结果，以得到最终的图像检测结果，这样可以在一定程度上解决因深度学习模型的偏差导致泛化效果较差的问题，提高了泛化效果，从而在一定程度上提高了图像检测结果的准确度。

实施例三

图4是根据本申请第三实施例提供的眼底图像的检测装置40的结构示意图，示例的，请参见图4所示，该眼底图像的检测装置40可以包括：

处理模块401，用于根据深度学习模型确定待检测眼底图像对应的第一检测结果；其中，第一检测结果用于指示待检测眼底图像为图像检测结果高于预设阈值的预设眼底图像的概率。

获取模块402，用于获取待检测眼底图像对应的血管图像占比率。

处理模块401，还用于根据第一检测结果和血管图像占比率确定待检测眼底图像的图像检测结果。

可选的，处理模块401，还用于对待检测眼底图像进行亮度检测，和/或，对待检测眼底图像进行清晰度检测，得到待检测图像对应的第二检测结果；并根据第二检测结果对待检测眼底图像的图像检测结果进行辅助校正，得到新的图像检测结果。

可选的，处理模块401包括第一处理子模块。

第一处理子模块，用于分别确定第二检测结果和待检测眼底图像的图像检测结果各自对应的权重值；并根据各自对应的权重值，对第二检测结果和待检测眼底图像的图像检测结果进行加权，得到新的图像检测结果。

可选的，获取模块402包括获取子模块。

获取子模块，用于对待检测眼底图像进行血管分割，得到待检测眼底图像对应的血管掩膜图像；并根据血管掩膜图像中非0像素所占的比值确定血管图像占比率。

可选的，获取子模块包括获取子单元。

获取子单元，用于确定根据血管掩膜图像中非0像素所占的比值与预设值之间的比值；其中，预设值为预设眼底图像对应的血管掩膜图像中非0像素所占的比值；并将血管掩膜图像中非0像素所占的比值与预设值之间的比值确定为血管图像占比率。

可选的，第二检测结果包括亮度检测结果，处理模块401还包括第二处理子模块；

第二处理子模块，用于对待检测眼底图像进行分割处理，得到待检测眼底图像对应的多个像素块；并根据多个像素块的亮度值确定亮度检测结果。

可选的，第二处理子模块包括处理子单元。

处理子单元，用于根据多个像素块的亮度值，以及多个像素块之间的坐标关系，确定眼底中各区域的局部亮度值；并根据眼底中各区域的局部亮度值确定亮度检测结果。

可选的，处理模块401还包括第三处理子模块。

第三处理子模块，用于分别确定第一检测结果和血管图像占比率各自对应的权重值；并根据各自对应的权重值，对第一检测结果和血管图像占比率进行加权，得到待检测眼底图像的图像检测结果。

可选的，该眼底图像的检测装置40还可以包括输出模块403。

处理模块401，还用于若图像检测结果小于预设阈值，则确定血管图像占比率对应的图像描述信息。

输出模块403，用于输出图像描述信息。

本申请实施例提供的眼底图像的检测装置40，可以执行上述任一实施例中的眼底图像的检测方法的技术方案，其实现原理以及有益效果与眼底图像的检测方法的实现原理及有益效果类似，可参见眼底图像的检测方法的实现原理及有益效果，此处不再进行赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，图5是根据本申请实施例的眼底图像的检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的眼底图像的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的眼底图像的检测方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的眼底图像的检测方法对应的程序指令/模块(例如，附图4所示的处理模块401、获取模块402和输出模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的眼底图像的检测方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据眼底图像的检测方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至眼底图像的检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

眼底图像的检测方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与眼底图像的检测方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算机程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，在检测眼底图像的质量时，是分别获取深度学习模型确定的待检测眼底图像对应的第一检测结果，以及待检测眼底图像对应的血管图像占比率，并根据第一检测结果和血管图像占比率这两个因素共同确定待检测眼底图像的图像检测结果，与仅基于深度学习模型确定待检测眼底图像的检测结果相比，血管图像占比率可以辅助校正深度学习模型确定的质量检测结果，以得到最终的质量检测结果，这样可以在一定程度上解决因深度学习模型的偏差导致泛化效果较差的问题，提高了泛化效果，从而在一定程度上提高了图像检测结果的准确度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。