CN111658308B - 一种体外聚焦超声治疗白内障手术系统 - Google Patents

一种体外聚焦超声治疗白内障手术系统 Download PDF

Info

Publication number
CN111658308B
CN111658308B CN202010455989.0A CN202010455989A CN111658308B CN 111658308 B CN111658308 B CN 111658308B CN 202010455989 A CN202010455989 A CN 202010455989A CN 111658308 B CN111658308 B CN 111658308B
Authority
CN
China
Prior art keywords
image
turbid
anterior segment
module
region
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010455989.0A
Other languages
English (en)
Other versions
CN111658308A (zh
Inventor
王开杰
姜恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Mechanics of CAS
Beijing Tongren Hospital
Original Assignee
Institute of Mechanics of CAS
Beijing Tongren Hospital
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Mechanics of CAS, Beijing Tongren Hospital filed Critical Institute of Mechanics of CAS
Priority to CN202010455989.0A priority Critical patent/CN111658308B/zh
Publication of CN111658308A publication Critical patent/CN111658308A/zh
Application granted granted Critical
Publication of CN111658308B publication Critical patent/CN111658308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/00736—Instruments for removal of intra-ocular material or intra-ocular injection, e.g. cataract instruments
    • A61F9/00745—Instruments for removal of intra-ocular material or intra-ocular injection, e.g. cataract instruments using mechanical vibrations, e.g. ultrasonic
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
    • A61F9/007—Methods or devices for eye surgery
    • A61F9/008—Methods or devices for eye surgery using laser
    • A61F2009/00885—Methods or devices for eye surgery using laser for treating a particular disease
    • A61F2009/00887—Cataract
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Ophthalmology & Optometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明提供一种体外聚焦超声治疗白内障手术系统，所述手术系统包括图像采集设备、图像处理设备和超声乳化设备，所述手术系统可利用图像识别技术识别眼前节OCT图像内的混浊区域，然后提取出影像特征，再根据影像特征确定乳化范围，然后根据乳化范围，在超声乳化设备前端设置聚能器，在体外将超声波精确聚焦到乳化范围内，利用超声波具有的组织穿透性和能量沉积性，形成高能量密度的超声波聚焦区域，通过超声的机械效应、热效应和空化效应的综合作用，使白内障乳化，从而达到治疗白内障的目的。

Description

一种体外聚焦超声治疗白内障手术系统
技术领域
本发明属于白内障超声治疗设备领域，特别涉及一种体外聚焦超声治疗白内障手术系统。
背景技术
白内障是世界首位致盲性眼病，全世界有5300万人因白内障致盲，严重影响生活质量。超声乳化手术是目前治疗白内障最有效的方法，它利用超声的机械效应、热效应和空化效应的综合作用，使白内障乳化吸除，从而达到治疗白内障的目的。
但是，现有的超声乳化技术通过侵入式振动针头实现晶状体碎核，常造成角膜内皮损伤、后囊破裂等并发症，严重者可造成角膜内皮失代偿需角膜移植，并且医生学习曲线较长，现在仅能由手术专家完成，无法满足巨大体量的患病需求。如何实现非侵入式超声乳化，突破现有手术只能由手术专家完成的瓶颈，避免产生并发症，是白内障治疗的发展方向。
发明内容
针对上述技术问题，本发明提供一种体外聚焦超声治疗白内障手术系统。
本发明其中一个技术方案提供一种体外聚焦超声治疗白内障手术系统，所述手术系统包括：
图像采集设备，所述图像采集设备被配置为利用眼前节OCT扫描眼前节OCT图像，并发送给图像处理设备；
图像处理设备，所述图像处理设备被配置为用于接收眼前节OCT图像，并根据眼前节OCT图像计划出白内障的乳化范围，并将白内障的乳化范围发送给超声乳化设备；
超声乳化设备，所述超声乳化设备被配置为用于接收图像处理设备发送的白内障乳化范围，在超声乳化设备前端设置聚能器，在体外将超声波精确聚焦到乳化范围内，利用超声波具有的组织穿透性和能量沉积性，形成高能量密度的超声波聚焦区域，使白内障乳化。
进一步改进的方案中，所述图像处理设备包括：
图像接收模块，所述图像接收模块被配置为用于接收眼前节OCT图像；
图像获取模块，所述图像获取模块被配置为用于获取带有标注的眼前节OCT图像，形成训练集；
预测模型构建模块，所述预测模型构建模块被配置为用于将训练集输入到卷积神经网络中进行训练，构建预测模型；
混浊区域标注模块，所述混浊区域标注模块被配置为用于将接收的眼前节OCT图像输入到预测模型中，输出带有混浊区域标注的眼前节OCT图像。
进一步改进的方案中，所述混浊区域指整个晶状体核及晶状体皮质混浊区域；优选，所述混浊区域指晶状体核。
进一步改进的方案中，所述图像处理设备还包括：
特征提取模块，所述特征提取模块被配置为用于提取带有混浊区域标注的眼前节OCT图像的影像特征；
第一确定模块，所述第一确定模块被配置为用于将提取的影像特征输入到训练好的卷积神经网络中，输出白内障的乳化范围。
进一步改进的方案中，所述影像特征包括晶状体核及晶状体皮质混浊区域的大小、部位、形态以及与邻近组织器官的关系。
进一步改进的方案中，所述图像获取模块被配置为用于获取带有混浊区域标注的眼前节OCT图像，形成第一训练集；还用于获取带有非混浊区域标注的眼前节OCT图像，形成第二训练集，其中非混浊区域为除了晶状体核和/或晶状体皮质混浊区域；还用于获取带有混浊区域标注的眼前节OCT图像，然后将混浊区域标注删除形成第三训练集；还用于将第三训练集内的眼前节OCT图像复制，形成第四训练集。
进一步改进的方案中，所述预测模型构建模块包括：
第一构建子模块，所述第一构建子模块被配置为用于将第一训练集输入到第一卷积神经网络中进行训练，构建第一预测模型；
第二构建子模块，所述第二构建子模块被配置为用于将第二训练集输入到第二卷积神经网络中进行训练，构建第二预测模型；
预测子模块，所述预测子模块被配置为用于将第三训练集输入到第一预测模型中，输出带有混浊区域标注的眼前节OCT图像，并用于将第四训练集输入到第二预测模型中，输出带有非混浊区域标注的眼前节OCT图像；
第一处理子模块，所述第一处理子模块被配置为用于将每一输出带有非混浊区域标注的眼前节OCT图像中的混浊区域与对应的输出带有混浊区域标注的眼前节OCT图像中的混浊区域分别做交集处理和并集处理，形成混浊区域交集和混浊区域并集；
第一计算子模块，所述第一计算子模块被配置为用于计算每一混浊区域交集占对应的混浊区域并集的比例Z，并计算比例Z小于阈值Z1的眼前节OCT图像个数占总眼前节OCT图像个数的比率x；
比较子模块，所述比较子模块被配置为用于将比率x与阈值x1进行比较，当x≤x1时，确定第一预测模型即为预测模型。
进一步改进的方案中，所述预测模型构建模块还包括：
第二处理子模块，当x＞x1时，所述第二处理子模块被配置为用于对第一训练集进行过采样处理，形成新的第一训练集，并输入到第一卷积神经网络中进行训练，形成新的第一预测模型，然后向预测子模块发送指令，直至比较子模块判断出x≤x1，判断新形成的第一预测模型即为预测模型。
进一步改进的方案中，所述过采样具体方法为：
计算每一混浊区域交集与对应的混浊区域并集的差值；
将差值内的区域分割成n个正方形小格；
计算出每一正方形小格内的中心点，找到与其邻近的k个点；
计算k个点的RSD，当RSD小于阈值RSD1，继续寻找m个邻域点，m＞k，直至RSD＝RSD1，将其余的点删除，然后将保留下来的点与混浊区域交集形成新的带有混浊区域的眼前节OCT图像。
进一步改进的方案中，所述图像处理设备还包括：
第二确定模块，所述第二确定模块被配置为用于根据混浊区域确定白内障的乳化范围。
进一步改进的方案中，所述第二确定模块包括：
边缘点提取子模块，所述边缘点提取子模块被配置为用于提取混浊区域内的边缘点；
平移子模块，所述平移子模块被配置为用于将每一边缘点平移(±x，±y)向量；
区域形成子模块，所述区域形成子模块被配置为用于将平移后的点形成待确认区域，还用于将待确认区域分割成a个子块，并筛选出每一子块内密度最大的点，a＞1；
第二计算子模块，所述第二计算子模块被配置为用于计算各子块内其余点与密度最大点的距离，并计算距离的RSD，将RSD＞阈值RSD2的点删除，确定剩下点中的边界点，所有确定的边界点形成乳化边界框，确定乳化框内的混浊区域为白内障的乳化范围。
本申请首先提供一种体外聚焦超声治疗白内障手术系统，所述手术系统可利用图像识别技术识别眼前节OCT图像内的晶状体核和/或晶体体皮质混浊区域，然后提取出影像特征，再根据影像特征确定乳化范围，在超声乳化设备前端设置聚能器，在体外将超声波精确聚焦到乳化范围内，利用超声波具有的组织穿透性和能量沉积性，形成高能量密度的超声波聚焦区域，通过超声的机械效应、热效应和空化效应的综合作用，使白内障乳化，从而达到治疗白内障的目的。
说明书附图
图1为体外聚焦超声治疗白内障手术系统的结构框图；
图2为一些实施例中图像处理设备的结构框图；
图3为预测模型构建模块的结构框图；
图4为另一些实施例中图像处理设备的结构框图；
图5为第二确定模块的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明一些实施例提供一种体外聚焦超声治疗白内障手术系统，如图1所示，所述手术系统包括：
图像采集设备10，所述图像采集设备10被配置为利用眼前节OCT扫描眼前节OCT图像，并发送给图像处理设备20；
其中，光学相干断层扫描仪(optical coherence tomography，OCT)为利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，可得到生物组织二维或三维的结构图像。眼前节OCT是一种非接触、高分辨率层析和生物显微镜成像设备，图像穿透力6μm，可用于观察眼前节结构包括角膜到晶状体后囊全部图像，是特别用作帮助检测和管理眼疾包括但不限于角膜病、白内障、青光眼的诊断设备。
图像处理设备20，所述图像处理设备20被配置为用于接收眼前节OCT图像，并根据眼前节OCT图像计划出白内障的乳化范围，并将白内障的乳化范围发送给超声乳化设备30；
其中，图像处理设备20为具有图像处理功能的设备，可以为加载处理功能的处理器或服务器。
如图2所示，在一些优选的实施例中，所述图像处理设备20内部通过设置如下模块实现其功能，具体包括：
图像接收模块21，所述图像接收模块21被配置为用于接收眼前节OCT图像；
图像获取模块22，所述图像获取模块22被配置为用于获取带有标注的眼前节OCT图像，形成训练集；
其中带有标注的眼前节OCT图像指带有混浊区域标注的眼前节OCT图像；带有标注的眼前节OCT图像为现有数据库中存储的图像。
所述混浊区域指整个晶状体核及晶状体皮质混浊区域；优选，所述混浊区域指晶状体核。其中数据库存储的带有标注的眼前节OCT图像可以是专家进行标注的，也可以是通过其他手段进行标注的，本申请不做具体限定。
预测模型构建模块23，所述预测模型构建模块23被配置为用于将训练集输入到卷积神经网络中进行训练，构建预测模型；
其中，卷积神经网络包括卷积层、池化层和全连接层。
混浊区域标注模块24，所述混浊区域标注模块24被配置为用于将接收的眼前节OCT图像输入到预测模型中，输出带有混浊区域标注的眼前节OCT图像；
特征提取模块25，所述特征提取模块25被配置为用于提取带有混浊区域标注的眼前节OCT图像的影像特征，所述影像特征包括晶状体核及晶状体皮质混浊区域的大小、部位、形态以及与邻近组织器官的关系；
其中，特征提取模块为利用已知的方法获取图像内的影像特征，例如大小和形态的影像特征可通过Hough变换检测平行直线方法等边界特征法获取，部位及与邻近组织器官的关系的影像特征可通过图像分割方法等空间关系特征方法进行获取，本申请不做具体限定。
第一确定模块26，所述第一确定模块26被配置为用于将提取的影像特征输入到训练好的卷积神经网络中，输出白内障的乳化范围。
其中，训练好的卷积神经网络的构建方法具体包括如下步骤：
获取带有乳化范围标注的眼前节OCT图像及其对应的影像特征，组成训练集；
其中乳化范围标注的眼前节OCT图像可以是人为进行标注的，也可以是通过其他方法进行的标注，本申请不做具体限定。
将训练集输入到卷积神经网络中，输出乳化范围，获得训练好的卷积神经网络；其中卷积神经网络包括卷积层、池化层和全连接层。
超声乳化设备30，所述超声乳化设备30被配置为用于接收图像处理设备20发送的白内障乳化范围，在超声乳化设备前端设置聚能器，在体外将超声波精确聚焦到乳化范围内，利用超声波具有的组织穿透性和能量沉积性，形成高能量密度的超声波聚焦区域，使白内障乳化。
其中，超声乳化设备30为已知的超声乳化设备，本申请不做具体限定。本申请首先提供一种体外聚焦超声治疗白内障手术系统，所述手术系统可利用图像识别技术识别眼前节OCT图像内的混浊区域，然后提取出影像特征，再根据影像特征确定乳化范围，然后根据乳化范围，在超声乳化设备前端设置聚能器，在体外将超声波精确聚焦到乳化范围内，利用超声波具有的组织穿透性和能量沉积性，形成高能量密度的超声波聚焦区域，通过超声的机械效应、热效应和空化效应的综合作用，使白内障乳化，从而达到治疗白内障的目的。
首先利用第一卷积神经网络对大量带有混浊区域标注的眼前节OCT图像进行训练，利用训练好的预测模型预测接收的眼前节OCT图像内的混浊区域；然后再进行特征提取，提取混浊区域内的影像特征，利用第二卷积神经网络对已标注乳化范围和对应的影像特征的眼前节OCT图像进行训练，然后将待检测影像特征输入到训练好的卷积神经网络中，最终确定出待检测眼前节OCT图像的乳化范围，通过以上方法可显著提高乳化范围确定的准确度和精确度。
在一些优选的实施例中，为了提高混浊区域预测的准确性，本申请进一步对训练集和预测模型构建模块进行了具体的限定，具体为：图像获取模块22被配置为用于获取带有混浊区域标注的眼前节OCT图像，形成第一训练集；还用于获取带有非混浊区域标注的眼前节OCT图像，形成第二训练集；还用于获取带有混浊区域标注的眼前节OCT图像，然后将混浊区域标注删除形成第三训练集；还用于将第三训练集内的眼前节OCT图像复制，形成第四训练集。
其中，混浊区域指整个晶状体核及晶状体皮质混浊区域；优选，所述混浊区域指晶状体核。非混浊区域为除了晶状体核和/或晶状体皮质混浊区域。
带有混浊区域和非混浊区域标注的图像不相同，混浊区域的标注方法可以通过专家进行标注，或者借助现有技术公开的其他方法进行标注。非混浊区域的标注方法可以是将标注有混浊区域的图像内的标注删除，然后将其余的区域标注为非混浊区域，也可直接圈出非混浊区域。
如图3所示，所述预测模型构建模块23包括：
第一构建子模块231，所述第一构建子模块231被配置为用于将第一训练集输入到第一卷积神经网络中进行训练，构建第一预测模型；
其中，第一卷积神经网络包括卷积层、池化层和全连接层。
第二构建子模块232，所述第二构建子模块232被配置为用于将第二训练集输入到第二卷积神经网络中进行训练，构建第二预测模型；
其中，第二卷积神经网络包括卷积层、池化层和全连接层。
预测子模块233，所述预测子模块233被配置为用于将第三训练集输入到第一预测模型中，输出带有混浊区域标注的眼前节OCT图像，并用于将第四训练集输入到第二预测模型中，输出带有非混浊区域标注的眼前节OCT图像；
第一处理子模块234，所述第一处理子模块234被配置为用于将每一输出带有非混浊区域标注的眼前节OCT图像中的混浊区域与对应的输出带有混浊区域标注的眼前节OCT图像中的混浊区域分别做交集处理和并集处理，形成混浊区域交集和混浊区域并集；
其中，对应指的为两张相同的图像，对应关系可通过编号实现，例如第三训练集内的眼前节OCT图像编号为OCT3-11，对应第四训练集内的OCT编号为OCT4-11。交集处理和并集处理可以为图像内像素进行交集或并集处理。也可以根据面积进行交集和并集处理，本申请不做具体限定。
第一计算子模块235，所述第一计算子模块235被配置为用于计算每一混浊区域交集占对应的混浊区域并集的比例Z，并计算比例Z小于阈值Z1的眼前节OCT图像个数占总眼前节OCT图像个数的比率x；
例如编号为OCT3-11和OCT4-11两张眼前节OCT图像的混浊区域交集为∩1，并集为∪1，比例Z＝∩1/∪1，可以为面积比，或者为像素比；比例Z1可以人为设定，例如可以为Z1＝90％；例如还有100张眼前节OCT图像，即有100个混浊区域交集和100个混浊区域并集，技术每一张对应的混浊区域交集对混浊区域并集的比例，然后再统计小于Z1的个数，例如为x0，x＝x0/100。
比较子模块236，所述比较子模块236被配置为用于将比率x与阈值x1进行比较，当x≤x1时，确定第一预测模型即为预测模型；
其中，x1为人为设定的值，当x为100时，x1可以为5、10等，x1的占比不大于10％。
第二处理子模块237，当x＞x1时，所述第二处理子模块237被配置为用于对第一训练集进行过采样处理，形成新的第一训练集，并输入到第一卷积神经网络中进行训练，形成新的第一预测模型，然后向预测子模块233发送指令，直至比较子模块236判断出x≤x1，判断新形成的第一预测模型即为预测模型。
通过过采样增加第一训练集的样本数，提高训练的准确性。过采样的方法如下：
计算每一混浊区域交集与对应的混浊区域并集的差值；
其中差值可以指像素差；
将差值内的区域分割成n个正方形小格；n＞1，根据大小进行划分，可以分成5、10等；
计算出每一正方形小格内的中心点，找到与其邻近的k个点；
中心点可以为密度中心点或重心点；k的取值根据实际情况而定，可以为10、20等；
计算k个点的RSD，当RSD小于阈值RSD1，继续寻找m个邻域点，m＞k，直至RSD＝RSD1，将其余的点删除，然后将保留下来的点与混浊区域交集形成新的带有混浊区域的眼前节OCT图像。
通过对混浊区域交集和混浊区域并集的差值区域进行分割，然后根据RSD找到每一区域内的分别均匀点，再与混浊区域交集形成新的眼前节OCT图像样本，提高了对样本采样的准确度。进而提高了乳化范围确定的准确度。
本申请提供的另一种图像处理方法首先是获取现有带有混浊区域标注的眼前节OCT图像和带有非混浊区域标注的眼前节OCT图像，然后根据上述眼前节OCT图像样本，形成4个训练集，利用第一训练集和第二训练集分别训练卷积神经网络，然后利用第三训练集和第四训练集进行预测，将输出的结果内对应的混浊区域分别做交集处理和并集处理，然后再对形成的交集和并集进行运算处理，根据处理结构确定最终的预测模型，然后根据预测模块预测出混浊区域，上述方法确定的混浊区域能够避免训练样本不足导致的卷积神经网络鲁棒性和准确性差的问题。
在一些优选的实施例中，图像处理设备20还提供另一种乳化范围的确定方法，具体通过设置如下模块实现其功能。如图4所示，所述图像处理设备20包括：
图像接收模块21，所述图像接收模块21被配置为用于接收眼前节OCT图像；
图像获取模块22，所述图像获取模块22被配置为用于获取带有标注的眼前节OCT图像，形成训练集；
其中带有标注的眼前节OCT图像指带有混浊区域标注的眼前节OCT图像；带有标注的眼前节OCT图像为现有数据库中存储的图像。
预测模型构建模块23，所述预测模型构建模块23被配置为用于将训练集输入到卷积神经网络中进行训练，构建预测模型；
其中，卷积神经网络包括卷积层、池化层和全连接层。
混浊区域标注模块24，所述混浊区域标注模块24被配置为用于将接收的眼前节OCT图像输入到预测模型中，输出带有混浊区域标注的眼前节OCT图像；
第二确定模块27，所述第二确定模块27被配置为用于根据混浊区域确定白内障的乳化范围。
如图5所示，在一些优选的实施例中，所述第二确定模块27包括：
边缘点提取子模块271，所述边缘点提取子模块271被配置为用于提取混浊区域内的边缘点；
边缘的提取方法可以基于matlab或halcon等方法进行提取。
平移子模块272，所述平移子模块272被配置为用于将每一边缘点平移±x，±y向量；
其中，x和y的取值可以人为定义，可以为0.1、0.5等；可以为像素值或其他体现出点信息的值。
区域形成子模块273，所述区域形成子模块273被配置为用于将平移后的点形成待确认区域，还用于将待确认区域分割成a个子块，并筛选出每一子块内密度最大的点，a＞1；
其中a的取值可以为10、20等；
第二计算子模块274，所述第二计算子模块274被配置为用于计算各子块内其余点与密度最大点的距离，并计算距离的RSD，将RSD＞阈值RSD2的点删除，确定剩下点中的边界点，所有确定的边界点形成乳化边界框，确定乳化框内的混浊区域为白内障的乳化范围。
其中所指的距离为欧式距离。
本申请进一步对输出的带有混浊区域的眼前节OCT图像内的边界框进行确定，进而更加准确地确定出白内障的乳化范围，提高其准确度和精确度。

Claims (5)

1.一种体外聚焦超声治疗白内障手术系统，其特征在于，所述手术系统包括：
图像采集设备(10)，所述图像采集设备(10)被配置为利用眼前节OCT扫描眼前节OCT图像，并发送给图像处理设备(20)；
图像处理设备(20)，所述图像处理设备(20)被配置为用于接收眼前节OCT图像，并根据眼前节OCT图像计划出白内障的乳化范围，并将白内障的乳化范围发送给超声乳化设备(30)；
超声乳化设备(30)，所述超声乳化设备(30)被配置为用于接收图像处理设备(20)发送的白内障乳化范围，在超声乳化设备前端设置聚能器，在体外将超声波精确聚焦到乳化范围内，利用超声波具有的组织穿透性和能量沉积性，形成高能量密度的超声波聚焦区域，使白内障乳化；
所述图像处理设备(20)包括：
图像接收模块(21)，所述图像接收模块(21)被配置为用于接收眼前节OCT图像；
图像获取模块(22)，所述图像获取模块(22)被配置为用于获取带有标注的眼前节OCT图像，形成训练集；
预测模型构建模块(23)，所述预测模型构建模块(23)被配置为用于将训练集输入到卷积神经网络中进行训练，构建预测模型；混浊区域标注模块(24)，所述混浊区域标注模块(24)被配置为用于将接收的眼前节OCT图像输入到预测模型中，输出带有混浊区域标注的眼前节OCT图像；
所述图像处理设备(20)还包括：
特征提取模块(25)，所述特征提取模块(25)被配置为用于提取带有混浊区域标注的眼前节OCT图像的影像特征；
第一确定模块(26)，所述第一确定模块(26)被配置为用于将提取的影像特征输入到训练好的卷积神经网络中，输出白内障的乳化范围；
所述影像特征包括晶状体核及晶状体皮质混浊区域的大小、部位、形态以及与邻近组织器官的关系；
所述图像获取模块(22)被配置为用于获取带有混浊区域标注的眼前节OCT图像，形成第一训练集；还用于获取带有非混浊区域标注的眼前节OCT图像，形成第二训练集；还用于获取带有混浊区域标注的眼前节OCT图像，然后将混浊区域标注删除形成第三训练集；还用于将第三训练集内的眼前节OCT图像复制，形成第四训练集；所述预测模型构建模块(23)包括：
第一构建子模块(231)，所述第一构建子模块(231)被配置为用于将第一训练集输入到第一卷积神经网络中进行训练，构建第一预测模型；
第二构建子模块(232)，所述第二构建子模块(232)被配置为用于将第二训练集输入到第二卷积神经网络中进行训练，构建第二预测模型；
预测子模块(233)，所述预测子模块(233)被配置为用于将第三训练集输入到第一预测模型中，输出带有混浊区域标注的眼前节OCT图像，并用于将第四训练集输入到第二预测模型中，输出带有非混浊区域标注的眼前节OCT图像；
第一处理子模块(234)，所述第一处理子模块(234)被配置为用于将每一输出带有非混浊区域标注的眼前节OCT图像中的混浊区域与对应的输出带有混浊区域标注的眼前节OCT图像中的混浊区域分别做交集处理和并集处理，形成混浊区域交集和混浊区域并集；
第一计算子模块(235)，所述第一计算子模块(235)被配置为用于计算每一混浊区域交集占对应的混浊区域并集的比例Z，并计算比例Z小于阈值Z1的眼前节OCT图像个数占总眼前节OCT图像个数的比率x；
比较子模块(236)，所述比较子模块(236)被配置为用于将比率x与阈值x1进行比较，当x≤x1时，确定第一预测模型即为预测模型。
2.如权利要求1所述的体外聚焦超声治疗白内障手术系统，其特征在于，所述预测模型构建模块(23)还包括：
第二处理子模块(237)，当x＞x1时，所述第二处理子模块(237)被配置为用于对第一训练集进行过采样处理，形成新的第一训练集，并输入到第一卷积神经网络中进行训练，形成新的第一预测模型，然后向预测子模块(233)发送指令，直至比较子模块(236)判断出x≤x1，判断新形成的第一预测模型即为预测模型。
3.如权利要求2所述的体外聚焦超声治疗白内障手术系统，其特征在于，所述过采样具体方法为：
计算每一混浊区域交集与对应的混浊区域并集的差值；
将差值内的区域分割成n个正方形小格；
计算出每一正方形小格内的中心点，找到与其邻近的k个点；
计算k个点的RSD，当RSD小于阈值RSD1，继续寻找m个邻域点，m＞k，直至RSD＝RSD1，将其余的点删除，然后将保留下来的点与混浊区域交集形成新的带有混浊区域的眼前节OCT图像。
4.如权利要求1所述的体外聚焦超声治疗白内障手术系统，其特征在于，所述图像处理设备(20)还包括：
第二确定模块(27)，所述第二确定模块(27)被配置为用于根据混浊区域确定白内障的乳化范围。
5.如权利要求4所述的体外聚焦超声治疗白内障手术系统，其特征在于，所述第二确定模块(27)包括：
边缘点提取子模块(271)，所述边缘点提取子模块(271)被配置为用于提取混浊区域内的边缘点；
平移子模块(272)，所述平移子模块(272)被配置为用于将每一边缘点平移(±x，±y)向量；
区域形成子模块(273)，所述区域形成子模块(273)被配置为用于将平移后的点形成待确认区域，还用于将待确认区域分割成a个子块，并筛选出每一子块内密度最大的点，a＞1；
第二计算子模块(274)，所述第二计算子模块(274)被配置为用于计算各子块内其余点与密度最大点的距离，并计算距离的RSD，将RSD＞阈值RSD2的点删除，确定剩下点中的边界点，所有确定的边界点形成乳化边界框，确定乳化框内的混浊区域为白内障的乳化范围。
CN202010455989.0A 2020-05-26 2020-05-26 一种体外聚焦超声治疗白内障手术系统 Active CN111658308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010455989.0A CN111658308B (zh) 2020-05-26 2020-05-26 一种体外聚焦超声治疗白内障手术系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010455989.0A CN111658308B (zh) 2020-05-26 2020-05-26 一种体外聚焦超声治疗白内障手术系统

Publications (2)

Publication Number Publication Date
CN111658308A CN111658308A (zh) 2020-09-15
CN111658308B true CN111658308B (zh) 2022-06-17

Family

ID=72384648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010455989.0A Active CN111658308B (zh) 2020-05-26 2020-05-26 一种体外聚焦超声治疗白内障手术系统

Country Status (1)

Country Link
CN (1) CN111658308B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113057574A (zh) * 2020-11-26 2021-07-02 泰州国安医疗用品有限公司 应用灰度检测的浑浊度等级辨识系统及方法
CN114931436B (zh) * 2022-07-27 2022-11-15 中国科学院宁波材料技术与工程研究所 一种白内障手术导航系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108472017A (zh) * 2015-10-06 2018-08-31 爱视珍科技有限责任公司 用于眼部治疗的超声引导空化方法和系统
CN109102494A (zh) * 2018-07-04 2018-12-28 中山大学中山眼科中心 一种后发性白内障图像分析方法及装置
CN110516685A (zh) * 2019-05-31 2019-11-29 沈阳工业大学 基于卷积神经网络的晶状体浑浊程度检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120155726A1 (en) * 2009-08-24 2012-06-21 Huiqi Li method and system of determining a grade of nuclear cataract
KR101977645B1 (ko) * 2017-08-25 2019-06-12 주식회사 메디웨일 안구영상 분석방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108472017A (zh) * 2015-10-06 2018-08-31 爱视珍科技有限责任公司 用于眼部治疗的超声引导空化方法和系统
CN109102494A (zh) * 2018-07-04 2018-12-28 中山大学中山眼科中心 一种后发性白内障图像分析方法及装置
CN110516685A (zh) * 2019-05-31 2019-11-29 沈阳工业大学 基于卷积神经网络的晶状体浑浊程度检测方法

Also Published As

Publication number Publication date
CN111658308A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
WO2019140957A1 (zh) 一种骨折识别模型的构建方法及应用
CN105513077B (zh) 一种用于糖尿病性视网膜病变筛查的系统
CN110177504B (zh) 超声图像中参数测量的方法和超声成像系统
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
CN111658308B (zh) 一种体外聚焦超声治疗白内障手术系统
CN108618749B (zh) 基于便携式数字化眼底照相机的视网膜血管三维重建方法
CN108765392B (zh) 一种基于滑动窗口的消化道内镜病变检测和识别方法
Sharif et al. An efficient intelligent analysis system for confocal corneal endothelium images
Zhang et al. A novel deep learning method for nuclear cataract classification based on anterior segment optical coherence tomography images
US20210393240A1 (en) Ultrasonic imaging method and device
CN111160431B (zh) 一种基于多维特征融合的圆锥角膜识别方法及装置
CN110189324A (zh) 一种医学图像处理方法及处理装置
CN112950577B (zh) 图像处理方法、装置、电子设备和存储介质
Elbita et al. Preparation of 2D sequences of corneal images for 3D model building
WO2022209574A1 (ja) 医療画像処理装置、医療画像処理プログラム、および医療画像処理方法
Balamurugan et al. A novel method for predicting kidney diseases using optimal artificial neural network in ultrasound images
Amini Head circumference measurement with deep learning approach based on multi-scale ultrasound images
Vashishtha et al. Nerve segmentation in ultrasound images
KR20220141218A (ko) 자동 알고리즘 기반의 확장성 심근병증 보조진단을 위한 의사결정 시스템
CN113951932A (zh) 一种超声设备的扫查方法及设备
CN110772280B (zh) 超声波诊断装置和方法以及图像处理装置和方法
Abdel-Latif et al. Achieving information security by multi-modal iris-retina biometric approach using improved mask R-CNN
CN109447995B (zh) 一种眼前节图像的分割方法及其相关装置
Chaskar et al. Learning to predict diabetes from iris image analysis
Ballerini Detection and quantification of diabetic retinopathy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant