CN109285191B - 人工晶体的检测方法及系统 - Google Patents

Abstract

本发明公开了一种人工晶体的检测方法及系统，检测方法包括：获取若干张包含人工晶体的历史眼部图像；根据若干张历史眼部图像中预先标记的历史特征点，建立特征点获取模型；自动获取目标眼部图像中的目标特征点；根据目标特征点，计算目标眼部图像中的人工晶体的实际轴位度数。本发明能够自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数；最终确定人工晶体在随访期间发生的旋转度数，进而评估人工晶体的旋转稳定性，从而提高了检测人工晶体在植入手术后的轴位旋转变化的准确度和工作效率，便于医生找到患者视力下降的原因，及时进行对应处理，以挽救和改善患者的视力，提升患者的满意度。

Description

人工晶体的检测方法及系统

技术领域

本发明涉及图像处理技术领域，特别涉及一种人工晶体的检测方法及系统。

背景技术

白内障是目前全世界第一位的致盲性眼病，在60～89岁的老年人中，白内障的发病率达80％，90岁以上的人群发病率可达90％以上。随着老龄化社会的到来，白内障患者人数不断增加。同时，随着时代的进步，患者对白内障术后视觉质量和舒适度的要求也日益增高，已不再停留在术后能“看得见”的阶段，而是需要“看的清”和“看得舒适”，这也使得白内障手术已从复明手术跨入屈光手术时代。由于散光在白内障眼中的发生率较高，据文献报道，约43％的白内障患者术前角膜散光超过1.0D，超过1.5D的约22％，超过2.0D的约8％。加之手术切口带来的散光，术后散光对患者的裸眼视力和视觉质量都有严重的影响，使得患者术后裸眼视力不佳，甚至仍需带眼镜进一步矫正。

目前，白内障超声乳化吸除联合散光型人工晶体植入术以其更高的准确性、可预测性和稳定性，且手术损伤小，恢复快，患者术后裸眼视力好，得到了患者较高的满意度和医生的好评，已超越了角膜缘松解术等其他手术方式，成为当前针对白内障合并角膜散光的治疗中最主流的手术方式，在全世界范围得到广泛应用。

但这一手术方式对散光的有效矫正，依赖于散光型人工晶体术后在囊袋内的旋转稳定性，即人工晶体的轴位能保持在手术预设轴位，而不发生旋转偏移的状态。倘若人工晶体在囊带内发生旋转，轴位发生变化，可能严重降低散光的矫正效能，不仅达不到矫正的目的，甚至可能会增加术后散光。研究表明，散光型人工晶体旋转1度，矫正效能丧失3.3％；旋转10度则丧失约35％；旋转30度则完全丧失；旋转大于30度则更增加了术后散光度数。这可能使得术后视力下降，极大影响了手术效果和患者的满意度。根据数据统计，目前散光型人工晶体术后的旋转度数在3～10度不等。因此，在术后随访时检查和计算人工晶体旋转度数意义重大，有助于判断人工晶体的旋转稳定性，便于医生找到视力下降的原因，及时进行对应处理，挽救和改善患者的视力。

现有技术中对于散光型人工晶体植入术后的轴位旋转度数测算，是通过患者在术后定期(一天后、一周后、一个月后、三个月后等)随访时行裂隙灯检查时，让患者将下颌置于裂隙灯下颌托上，眼位向正前方注视，医生以裂隙灯进行检查，然后调整裂隙灯光带的照射角度，使之与人工晶体的轴位相重合，再在刻度盘上读出此时的角度度数，即为人工晶体的轴位。较先进些的办法为：在裂隙灯下进行数码拍照，获取眼前段照相图像，之后通过手工计算的方式对该图像进行分析：选择人工晶体光学部的中心作为坐标系原点，该眼部图像的水平方向和垂直方向作为坐标轴的横轴和竖轴，将人工晶体上的轴位标志点连接形成一条轴位线(经过人工晶体的光学部即坐标系原点)，计算该轴位线的轴位度数。相邻两次随访时测得的轴位度数之差即为人工晶体在这阶段发生的旋转度数。然而这种检测方法存在的问题在于：在行裂隙灯检查时，患者将下颌置于裂隙灯下颌托上，每次的实际头位会有轻微的差别，包括旋转偏斜、上下或左右倾斜等，因此，拍照所得的图像也会有一定程度的偏斜。若每次均以该张眼部图像的水平方向和垂直方向定义坐标轴，就会使得坐标系不一致，在此基础上计算出的人工晶体的轴位度数和旋转度数也必然不过准确，而不能作为客观正确的分析结果。根据数据统计表明，患者每次放置头位的旋转偏斜可能有3～5度之多，意味着每次坐标系本身可能偏离3～5度，这对于通常在3～10度范围的人工晶体的旋转度数而言意味着较大的偏差，而使得计算结果不准确，丧失了评价的客观性；因此，现有技术中人工晶体的检测方法存在检测不一致性、准确性较差且效率低等缺陷。

发明内容

本发明要解决的技术问题是现有技术中人工晶体术后的检测方法存在不能保证不同随访时间点检测的目标眼部图像均对应同一坐标系，导致检测不一致性、准确性较差且效率低等缺陷，目的在于提供一种人工晶体的检测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

本发明提供一种人工晶体的检测方法，所述检测方法包括：

S1、获取若干张包含人工晶体的历史眼部图像；

S2、根据若干张所述历史眼部图像中预先标记的历史特征点，建立特征点获取模型；

其中，所述历史特征点包括所述历史眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点；

S3、根据所述特征点获取模型自动获取目标眼部图像中的目标特征点；

其中，所述目标特征点包括所述目标眼部图像中的设定角巩膜缘血管对应的参考点、人工晶体的中心点和轴位标志点；

所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点处于同一坐标系中；

S4、根据所述目标特征点，计算所述目标眼部图像中的人工晶体的实际轴位度数；

其中，所述实际轴位度数为所述目标眼部图像中的轴位标志点连接形成的线与所述坐标系中的一参考线之间的夹角。

较佳地，步骤S4具体包括：

根据所述目标特征点，分别计算在不同的时间点所述目标眼部图像中的人工晶体的所述实际轴位度数；

步骤S4之后还包括：

S5、获取相邻的所述随访时间点对应的所述实际轴位度数之间的第一轴位度数差值；

S6、判断所述第一轴位度数差值是否大于第一设定阈值，若是，则确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内不稳定；否则，确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内稳定；

其中，不同的随访时间点的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系均为同一坐标系。

较佳地，步骤S4之后还包括：

S7、获取所述实际轴位度数与预设轴位度数之间的第二轴位度数差值；

其中，所述预设轴位度数为所述人工晶体在植入手术结束时所述目标眼部图像中的所述人工晶体的轴位度数，所述实际轴位度数为所述人工晶体在植入手术后的随访时所述目标眼部图像中的所述人工晶体的轴位度数；

S8、判断所述第二轴位度数差值是否大于第二设定阈值，若是，则确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内不稳定；否则，确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内稳定；

其中，随访时所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系，与植入手术结束时的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系为同一坐标系。

较佳地，步骤S2具体包括：

根据若干张所述历史眼部图像中预先标记的历史特征点，采用卷积神经网络算法建立特征点获取模型。

较佳地，所述检测方法还包括：

存储与所述人工晶体的植入手术相对应的记录信息；

其中，所述记录信息包括所述人工晶体的所述预设轴位度数、所述实际轴位度数、患者的姓名、性别、年龄、手术时间、随访时间、随访时的裸眼视力、矫正视力、验光结果中的至少一种。

本发明还提供一种人工晶体的检测系统，所述检测系统还包括眼部图像获取模块、模型建立模块、特征点获取模块和轴位度数计算模块；

所述眼部图像获取模块用于获取若干张包含人工晶体的历史眼部图像；

所述模型建立模块用于根据若干张所述历史眼部图像中预先标记的历史特征点，建立特征点获取模型；

其中，所述历史特征点包括所述历史眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点；

所述特征点获取模块用于根据所述特征点获取模型自动获取目标眼部图像中的目标特征点；

其中，所述目标特征点包括所述目标眼部图像中的设定角巩膜缘血管对应的参考点、人工晶体的中心点和轴位标志点；

所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点处于同一坐标系中；

所述轴位度数计算模块用于根据所述目标特征点，计算所述目标眼部图像中的人工晶体的实际轴位度数；

其中，所述实际轴位度数为所述目标眼部图像中的轴位标志点连接形成的线与所述坐标系中的一参考线之间的夹角。

较佳地，所述检测系统还包括第一差值获取模块、第一判断模块和第一确定模块；

所述轴位度数计算模块用于根据所述目标特征点，分别计算在不同的随访时间点所述目标眼部图像中的人工晶体的所述实际轴位度数；

所述第一差值获取模块用于获取相邻的所述随访时间点对应的所述实际轴位度数之间的第一轴位度数差值；

所述第一判断模块用于判断所述第一轴位度数差值是否大于第一设定阈值，若是，则调用所述第一确定模块确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内不稳定；

若否，则调用所述第一确定模块确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内稳定；

其中，不同的随访时间点的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系均为同一坐标系。

较佳地，所述检测系统还包括第二差值获取模块、第二判断模块和第二确定模块；

所述第二差值获取模块用于获取所述实际轴位度数与预设轴位度数之间的第二轴位度数差值；

其中，所述预设轴位度数为所述人工晶体植入手术结束时所述目标眼部图像中的所述人工晶体的轴位度数，所述实际轴位度数为所述人工晶体植入手术后的随访时所述目标眼部图像中的所述人工晶体的轴位度数；

所述第二判断模块用于判断所述第二轴位度数差值是否大于第二设定阈值，若是，则调用所述第二确定模块确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内不稳定；

若否，则调用所述第二确定模块确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内稳定；

其中，随访时所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系，与植入手术结束时的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系为同一坐标系。

较佳地，所述模型建立模块用于根据若干张所述历史眼部图像中预先标记的历史特征点，采用卷积神经网络算法建立特征点获取模型。

较佳地，所述检测系统还包括存储模块；

所述存储模块用于存储与所述人工晶体的植入手术相对应的记录信息；

其中，所述记录信息包括所述人工晶体的所述预设轴位度数、所述实际轴位度数、患者的姓名、性别、年龄、手术时间、随访时间、随访时的裸眼视力、矫正视力、验光结果中的至少一种。

本发明的积极进步效果在于：

本发明中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数；且在同一坐标系中，计算患者每次随访检查时人工晶体的实际轴位度数，确定人工晶体在随访期间发生的轴位旋转变化度数，进而评估人工晶体的旋转稳定性，从而提高了检测人工晶体在植入手术后的轴位旋转变化的准确度，以及工作效率，便于医生找到患者视力下降的原因，及时进行对应处理，以挽救和改善患者的视力，提升患者的满意度。

附图说明

图1为本发明实施例1的人工晶体的检测方法的流程图。

图2为本发明实施例2的人工晶体的检测方法的流程图。

图3为本发明实施例3的人工晶体的检测方法的流程图。

图4为本发明实施例4的人工晶体的检测系统的模块示意图。

图5为本发明实施例5的人工晶体的检测系统的模块示意图。

图6为本发明实施例6的人工晶体的检测系统的模块示意图。

具体实施方式

下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。

实施例1

如图1所示，本实施例的人工晶体的检测方法包括：

S101、获取若干张包含人工晶体的历史眼部图像；

其中，人工晶体为散光型人工晶体，具体地，历史眼部图像为散光型人工晶体植入术后通过眼前段裂隙灯拍摄的图像。

S102、根据若干张历史眼部图像中预先标记的历史特征点，建立特征点获取模型；

其中，历史特征点包括历史眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点；

S103、根据特征点获取模型自动获取目标眼部图像中的目标特征点；

其中，目标特征点包括目标眼部图像中的设定角巩膜缘血管对应的参考点、人工晶体的中心点和轴位标志点；

目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点处于同一坐标系中。另外，轴位标志点为人工晶体的生产厂家在生产人工晶体时已经标志在其上的点。

本实施例中，利用每个患者的设定角巩膜缘血管对应着眼球的特定方位不会改变的特点，即该参考点相对于坐标系中的坐标轴的度数不变(作为定位标志点)，然后再结合人工晶体的中心点和轴位标志点来测量人工晶体的实际轴位度数。

S104、根据目标特征点，计算目标眼部图像中的人工晶体的实际轴位度数；

其中，实际轴位度数为目标眼部图像中的轴位标志点连接形成的线与坐标系中的一参考线之间的夹角，该参考线一般为坐标轴的横轴。

本实施例中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数，从而实现能够自动且快速地获取目标眼部图像中目标特征点，便于进一步的检测人工晶体在植入手术后的旋转变化，提高了工作效率，提升了患者的满意度。

实施例2

如图2所示，本实施例的人工晶体的检测方法是对实施例1的进一步改进，具体地：

步骤S102具体包括：

S1021、根据若干张历史眼部图像中预先标记的历史特征点，采用卷积神经网络算法建立特征点获取模型。

具体地，历史眼部图像中预先标记的历史特征点通过人工标记的方式获得。例如，采用卷积神经网络算法对1万张经过人工标记过的历史眼部图像中的历史特征点进行机器学习，建立特征点获取模型；然后采用用于验证特征点获取模型的准确性的1千张眼部图像进行验证，对验证后结果有一定差异的眼部图像人工重新进行标注并再次机器学习，再通过迭代升级和参数优化等来，大大提高特征点获取模型获取目标特征点的特异性和灵敏性。在实际应用中，采用机器自动识别加人工验证两者相结合的方法，保证了目标特征点获取结果的准确性和可靠性。

步骤S104具体包括：

S1041、根据目标特征点，分别计算在不同的随访时间点目标眼部图像中的人工晶体的实际轴位度数。

本实施例中，在识别出同一对象在不同随访时间点的目标眼部图像中的相同的设定角巩膜缘血管上的参考点，且同一对象在不同随访时间点的目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系均为同一坐标系的情况下，计算人工晶体的实际轴位度数，进而评估确定人工晶体的旋转稳定性，保证对术后多次随访时的目标眼部图像分析处理时采用一致性的坐标系，进而保证计算结果的准确性。

具体地，例如，根据患者术后第一次随访检查时的目标眼部图像，将人工晶体的中心点作为坐标系的原点，目标眼部图像的水平方向作为坐标系的横轴，竖直方向作为坐标系的纵轴，来建立坐标系；然后根据目标眼部图像中的人工晶体上的轴位标志点连接形成的线与坐标系的横轴之间的夹角确定人工晶体的实际轴位度数；同时，在识别并标记出设定角巩膜缘血管上的参考点，并计算设定角巩膜缘血管上的参考点和人工晶体的中心点的连线与坐标系的横轴之间的夹角。

根据患者术后第二次随访检查时的目标眼部图像，自动识别出目标眼部图像中人工晶体的中心点，且识别并标记出与第一次随访检查时相同的设定角巩膜缘血管上的参考点，由于该设定角巩膜缘血管上的参考点对应着的眼球相应位置不会发生变化，根据第一次随访检查时设定角巩膜缘血管上的参考点和人工晶体的中心点的连线与坐标系的横轴之间的夹角，来确定第二次随访检查时的目标眼部图像对应的横轴和纵轴的位置，从而设定与第一次随访检查时的目标眼部图像分析相同的坐标系，在此基础上，根据目标眼部图像中的人工晶体上的轴位标志点连接形成的线与坐标系的横轴之间的夹角确定人工晶体的实际轴位度数。再根据两次随访检查时的实际轴位度数的差值确定两次随访期间该人工晶体的旋转角度。

步骤S104之后还包括：

S105、获取相邻的随访时间点对应的实际轴位度数之间的第一轴位度数差值；

S106、判断第一轴位度数差值是否大于第一设定阈值，若是，则确定目标眼部图像中的人工晶体在与相邻的随访时间点对应的时间范围内不稳定；否则，确定目标眼部图像中的人工晶体在与相邻的随访时间点对应的时间范围内稳定。

检测方法还包括：

存储与人工晶体在植入手术相对应的记录信息；

其中，记录信息包括人工晶体的预设轴位度数、实际轴位度数、患者的姓名、性别、年龄、手术时间、随访时间、随访时的裸眼视力、矫正视力、验光结果、眼别、手术中和术后的备注信息等。

通过将每个患者的与人工晶体在植入手术相对应的记录信息存储在数据库中，可以完整构建患者的信息库，便于进行科研统计和分析，对临床处理和研究都有很大的帮助。

本实施例中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数；且在同一坐标系中，计算患者每次随访检查时目标眼部图像中的人工晶体的实际轴位度数，确定人工晶体在随访期间发生的旋转度数，进而确定人工晶体的稳定性，从而提高了检测人工晶体在植入手术后的旋转变化的准确度，以及工作效率，便于医生找到患者视力下降的原因，及时进行对应处理，挽救和改善患者的视力，提升了患者的满意度。

实施例3

如图3所示，本实施例的人工晶体的检测方法是对实施例1的进一步改进，具体地：

步骤S104之后还包括：

S107、获取实际轴位度数与预设轴位度数之间的第二轴位度数差值；

其中，预设轴位度数为人工晶体植入手术结束时目标眼部图像中的人工晶体的轴位度数，实际轴位度数为人工晶体植入手术后的随访时目标眼部图像中的人工晶体的轴位度数；

S108、判断第二轴位度数差值是否大于第二设定阈值，若是，则确定目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内不稳定；否则，确定目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内稳定；

其中，随访时所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系，与植入手术结束时的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系为同一坐标系。

本实施例中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数；且在同一坐标系中，计算人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内的旋转度数，进而确定人工晶体的稳定性，从而提高了检测人工晶体在植入手术后的旋转变化的准确度，以及工作效率，便于医生找到患者视力下降的原因，及时进行对应处理，挽救和改善患者的视力，提升了患者的满意度。

实施例4

如图4所示，本实施例的人工晶体的检测系统包括眼部图像获取模块1、模型建立模块2、特征点获取模块3和轴位度数计算模块4。

眼部图像获取模块1用于获取若干张包含人工晶体的历史眼部图像；

其中，人工晶体为散光型人工晶体，具体地，历史眼部图像为散光型人工晶体植入术后通过眼前段裂隙灯拍摄的图像。

模型建立模块2用于根据若干张历史眼部图像中预先标记的历史特征点，建立特征点获取模型；

其中，历史特征点包括历史眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点。特征点获取模块3用于根据特征点获取模型自动获取目标眼部图像中的目标特征点；

其中，目标特征点包括目标眼部图像中的设定角巩膜缘血管对应的参考点、人工晶体的中心点和轴位标志点。

目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点处于同一坐标系中；另外，轴位标志点为人工晶体的生产厂家在生产人工晶体时已经标志在其上的点。

本实施例中，利用每个患者的设定角巩膜缘血管对应着眼球的特定方位不会改变的特点，即该参考点相对于坐标系中的坐标轴的度数不变(作为定位标志点)，然后再结合人工晶体的中心点和轴位标志点来测量人工晶体的实际轴位度数。

轴位度数计算模块4用于根据目标特征点，计算目标眼部图像中的人工晶体的实际轴位度数；

其中，实际轴位度数为目标眼部图像中的轴位标志点连接形成的线与坐标系中的一参考线之间的夹角，该参考线一般为坐标轴的横轴。

本实施例中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数，从而实现能够自动且快速地获取目标眼部图像中目标特征点，便于进一步的检测人工晶体在植入手术后的旋转变化，提高了工作效率，提升了患者的满意度。

实施例5

如图5所示，本实施例的人工晶体的检测方法是对实施例4的进一步改进，具体地：

检测系统还包括第一差值获取模块5、第一判断模块6、第一确定模块7和存储模块8。

模型建立模块2用于根据若干张历史眼部图像中预先标记的历史特征点，采用卷积神经网络算法建立特征点获取模型。

具体地，历史眼部图像中预先标记的历史特征点通过人工标记的方式获得。例如，采用卷积神经网络算法对1万张经过人工标记过的历史眼部图像中的历史特征点进行机器学习，建立特征点获取模型；然后采用用于验证特征点获取模型的准确性的1千张眼部图像进行验证，对验证后结果有一定差异的眼部图像人工重新进行标注并再次机器学习，再通过迭代升级和参数优化等来，大大提高特征点获取模型获取目标特征点的准确率和灵敏性。在实际应用中，采用机器自动识别加人工验证两者相结合的方法，保证了目标特征点获取结果的准确性和可靠性。

轴位度数计算模块4用于根据目标特征点，分别计算在不同的随访时间点目标眼部图像中的人工晶体的实际轴位度数；

本实施例中，在识别出同一对象在不同随访时间点的目标眼部图像中的相同的设定角巩膜缘血管上的参考点，且同一对象在不同随访时间点的目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系均为同一坐标系的情况下，计算人工晶体的实际轴位度数，进而评估确定人工晶体的旋转稳定性，保证对术后多次随访时的目标眼部图像分析处理时采用一致性的坐标系，进而保证计算结果的准确性。

具体地，例如，根据患者术后第一次随访检查时的目标眼部图像，将人工晶体的中心点作为坐标系的原点，目标眼部图像的水平方向作为坐标系的横轴，竖直方向作为坐标系的纵轴，来建立坐标系；然后根据目标眼部图像中的人工晶体上的轴位标志点连接形成的线与坐标系的横轴之间的夹角确定人工晶体的实际轴位度数；同时，在识别并标记出设定角巩膜缘血管上的参考点，并计算设定角巩膜缘血管上的参考点和人工晶体的中心点的连线与坐标系的横轴之间的夹角。

根据患者术后第二次随访检查时的目标眼部图像，自动识别出目标眼部图像中人工晶体的中心点，且识别并标记出与第一次随访检查时相同的设定角巩膜缘血管上的参考点，由于该设定角巩膜缘血管上的参考点不会发生变化，根据第一次随访检查时设定角巩膜缘血管上的参考点和人工晶体的中心点的连线与坐标系的横轴之间的夹角，来确定第二次随访检查时的目标眼部图像对应的横轴和纵轴的位置，从而设定与第一次随访检查时的目标眼部图像分析相同的坐标系，在此基础上，根据目标眼部图像中的人工晶体上的轴位标志点连接形成的线与坐标系的横轴之间的夹角确定人工晶体的实际轴位度数。再根据两次随访检查时的实际轴位度数的差值确定两次随访期间该人工晶体的旋转角度。

第一差值获取模块5用于获取相邻的随访时间点对应的实际轴位度数之间的第一轴位度数差值；

第一判断模块6用于判断第一轴位度数差值是否大于第一设定阈值，若是，则调用第一确定模块7确定目标眼部图像中的人工晶体在与相邻的随访时间点对应的时间范围内不稳定；

若否，则调用第一确定模块7确定目标眼部图像中的人工晶体在与相邻的随访时间点对应的时间范围内稳定。

存储模块8用于存储与人工晶体在植入手术相对应的记录信息；

其中，记录信息包括人工晶体的预设轴位度数、实际轴位度数、患者的姓名、性别、年龄、手术时间、随访时间、随访时的裸眼视力、矫正视力、验光结果、眼别、手术中和术后的备注信息等。

通过将每个患者的与人工晶体在植入手术相对应的记录信息存储在数据库中，可以完整构建患者的信息库，便于进行科研统计和分析，对临床处理和研究都有很大的帮助。

本实施例中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数；且在同一坐标系中，计算患者每次随访检查时目标眼部图像中的人工晶体的实际轴位度数，确定人工晶体在随访期间发生的旋转度数，进而确定人工晶体的稳定性，从而提高了检测人工晶体在植入手术后的旋转变化的准确度，以及工作效率，便于医生找到患者视力下降的原因，及时进行对应处理，挽救和改善患者的视力，提升了患者的满意度。

实施例6

如图6所示，本实施例的人工晶体的检测方法是对实施例4的进一步改进，具体地：

检测系统还包括第二差值获取模块9、第二判断模块10和第二确定模块11。

第二差值获取模块9用于获取实际轴位度数与预设轴位度数之间的第二轴位度数差值；

其中，预设轴位度数为人工晶体植入手术结束时目标眼部图像中的人工晶体的轴位度数，实际轴位度数为人工晶体植入手术后的随访时目标眼部图像中的人工晶体的轴位度数；

第二判断模块10用于判断第二轴位度数差值是否大于第二设定阈值，若是，则调用第二确定模块11确定目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内不稳定；

若否，则调用第二确定模块11确定目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内稳定。

其中，随访时所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系，与植入手术结束时的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系为同一坐标系。

本实施例中，通过若干张包含人工晶体的历史眼部图像，训练特征点获取模型；经由特征点获取模型自动获取目标眼部图像中目标特征点，再根据目标眼部图像中目标特征点计算人工晶体的实际轴位度数；且在同一坐标系中，计算人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内的旋转度数，进而确定人工晶体的稳定性，从而提高了检测人工晶体在植入手术后的旋转变化的准确度，以及工作效率，便于医生找到患者视力下降的原因，及时进行对应处理，挽救和改善患者的视力，提升了患者的满意度。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (8)

1.一种人工晶体的检测方法，其特征在于，所述检测方法包括：

S1.获取若干张包含人工晶体的历史眼部图像；

S2.根据若干张所述历史眼部图像中预先标记的历史特征点，建立特征点获取模型；

其中，所述历史特征点包括所述历史眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点；

S3.根据所述特征点获取模型自动获取目标眼部图像中的目标特征点；

其中，所述目标特征点包括所述目标眼部图像中的设定角巩膜缘血管对应的参考点、人工晶体的中心点和轴位标志点；

所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点处于同一坐标系中；

S4.根据所述目标特征点，计算所述目标眼部图像中的人工晶体的实际轴位度数；

其中，所述实际轴位度数为所述目标眼部图像中的轴位标志点连接形成的线与所述坐标系中的一参考线之间的夹角；

步骤S4之后还包括：

S7.获取所述实际轴位度数与预设轴位度数之间的第二轴位度数差值；

其中，所述预设轴位度数为所述人工晶体在植入手术结束时所述目标眼部图像中的所述人工晶体的轴位度数，所述实际轴位度数为所述人工晶体在植入手术后的随访时所述目标眼部图像中的所述人工晶体的轴位度数；

S8.判断所述第二轴位度数差值是否大于第二设定阈值，若是，则确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内不稳定；否则，确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内稳定；

其中，随访时所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系，与植入手术结束时的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系为同一坐标系。

2.如权利要求1所述的人工晶体的检测方法，其特征在于，步骤S4具体包括：

根据所述目标特征点，分别计算在不同的随访时间点所述目标眼部图像中的人工晶体的所述实际轴位度数；

步骤S4之后还包括：

S5.获取相邻的所述随访时间点对应的所述实际轴位度数之间的第一轴位度数差值；

S6.判断所述第一轴位度数差值是否大于第一设定阈值，若是，则确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内不稳定；否则，确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内稳定；

其中，不同的随访时间点的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系均为同一坐标系。

3.如权利要求1所述的人工晶体的检测方法，其特征在于，步骤S2具体包括：

根据若干张所述历史眼部图像中预先标记的历史特征点，采用卷积神经网络算法建立特征点获取模型。

4.如权利要求1所述的人工晶体的检测方法，其特征在于，所述检测方法还包括：

存储与所述人工晶体的植入手术相对应的记录信息；

其中，所述记录信息包括所述人工晶体的所述预设轴位度数、所述实际轴位度数、患者的姓名、性别、年龄、手术时间、随访时间、随访时的裸眼视力、矫正视力、验光结果中的至少一种。

5.一种人工晶体的检测系统，其特征在于，所述检测系统还包括眼部图像获取模块、模型建立模块、特征点获取模块和轴位度数计算模块；

所述眼部图像获取模块用于获取若干张包含人工晶体的历史眼部图像；

所述模型建立模块用于根据若干张所述历史眼部图像中预先标记的历史特征点，建立特征点获取模型；

其中，所述历史特征点包括所述历史眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点；

所述特征点获取模块用于根据所述特征点获取模型自动获取目标眼部图像中的目标特征点；

其中，所述目标特征点包括所述目标眼部图像中的设定角巩膜缘血管对应的参考点、人工晶体的中心点和轴位标志点；

所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点处于同一坐标系中；

所述轴位度数计算模块用于根据所述目标特征点，计算所述目标眼部图像中的人工晶体的实际轴位度数；

其中，所述实际轴位度数为所述目标眼部图像中的轴位标志点连接形成的线与所述坐标系中的一参考线之间的夹角；

所述检测系统还包括第二差值获取模块、第二判断模块和第二确定模块；

所述第二差值获取模块用于获取所述实际轴位度数与预设轴位度数之间的第二轴位度数差值；

其中，所述预设轴位度数为所述人工晶体植入手术结束时所述目标眼部图像中的所述人工晶体的轴位度数，所述实际轴位度数为所述人工晶体植入手术后的随访时所述目标眼部图像中的所述人工晶体的轴位度数；

所述第二判断模块用于判断所述第二轴位度数差值是否大于第二设定阈值，若是，则调用所述第二确定模块确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内不稳定；

若否，则调用所述第二确定模块确定所述目标眼部图像中的人工晶体在植入手术结束时和植入手术后的随访时对应的时间范围内稳定；

其中，随访时所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系，与植入手术结束时的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系为同一坐标系。

6.如权利要求5所述的人工晶体的检测系统，其特征在于，所述检测系统还包括第一差值获取模块、第一判断模块和第一确定模块；

所述轴位度数计算模块用于根据所述目标特征点，分别计算在不同的随访时间点所述目标眼部图像中的人工晶体的所述实际轴位度数；

所述第一差值获取模块用于获取相邻的所述随访时间点对应的所述实际轴位度数之间的第一轴位度数差值；

所述第一判断模块用于判断所述第一轴位度数差值是否大于第一设定阈值，若是，则调用所述第一确定模块确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内不稳定；

若否，则调用所述第一确定模块确定所述目标眼部图像中的人工晶体在与所述相邻的所述随访时间点对应的时间范围内稳定；

其中，不同的随访时间点的所述目标眼部图像中的设定角巩膜缘血管上的参考点、人工晶体的中心点和轴位标志点对应的坐标系均为同一坐标系。

7.如权利要求5所述的人工晶体的检测系统，其特征在于，所述模型建立模块用于根据若干张所述历史眼部图像中预先标记的历史特征点，采用卷积神经网络算法建立特征点获取模型。

8.如权利要求5所述的人工晶体的检测系统，其特征在于，所述检测系统还包括存储模块；

所述存储模块用于存储与所述人工晶体的植入手术相对应的记录信息；

其中，所述记录信息包括所述人工晶体的所述预设轴位度数、所述实际轴位度数、患者的姓名、性别、年龄、手术时间、随访时间、随访时的裸眼视力、矫正视力、验光结果中的至少一种。