CN111803024B - 基于深度学习算法测量眼球突出度的系统 - Google Patents
基于深度学习算法测量眼球突出度的系统 Download PDFInfo
- Publication number
- CN111803024B CN111803024B CN202010874348.9A CN202010874348A CN111803024B CN 111803024 B CN111803024 B CN 111803024B CN 202010874348 A CN202010874348 A CN 202010874348A CN 111803024 B CN111803024 B CN 111803024B
- Authority
- CN
- China
- Prior art keywords
- eyeball
- protrusion
- module
- degree
- deep learning
- 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
Links
- 210000005252 bulbus oculi Anatomy 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 210000001508 eye Anatomy 0.000 claims abstract description 73
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 21
- 210000004279 orbit Anatomy 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 9
- 208000001936 exophthalmos Diseases 0.000 claims description 5
- 238000002591 computed tomography Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 12
- 238000005259 measurement Methods 0.000 description 7
- 210000003128 head Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 208000035606 Eyeball rupture Diseases 0.000 description 1
- 206010016042 Facial bones fracture Diseases 0.000 description 1
- 206010020850 Hyperthyroidism Diseases 0.000 description 1
- 208000007825 Orbital Fractures Diseases 0.000 description 1
- 208000018087 Orbital disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229920002545 silicone oil Polymers 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Ophthalmology & Optometry (AREA)
- Quality & Reliability (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- Pulmonology (AREA)
- Fuzzy Systems (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
Abstract
本发明涉及一种基于深度学习算法测量眼球突出度的系统以及方法,包括通信连接的CT/MRI眼眶图片切割模块、眼环轮廓标记模块、眼球突出部分标记模块、眼球突出度计算模块以及终端,通过模块计算突出眼眶外部分体积与眼球体积之比,相比现有的人工平面测量距离来作为突出度的方式,由于采用体积测量计算,精度更高,给甲亢突眼病的定量诊断与治疗提供更可靠的参考。
Description
【技术领域】
本发明属于医学影像领域,涉及一种眼球突出度的测量系统以及方法,具体地,涉及一种基于深度学习算法测量眼球突出度的系统以及方法。
【背景技术】
突眼,是甲亢的后遗症状之一,眼球突出程度是由眶内容物的体积与眶骨形态特征之间的关系决定的,并受眶隔的紧密性和眶内血管流动的影响。眼球突出程度的测量是眼眶疾病诊断和疗效评估的基本临床检查之一。
现有技术中,对于突出程度的测量是在二维的基础上的,通常有以下几种:一种如图1所示(该图是横向矢面图),采用人工测量CT图像中的角膜前缘顶点到两侧眶外缘连线的垂直距离,并以此来计算眼球突出度。这种方法测量眼球突出可能受检查者的经验或眶周变化的影响较小,但可能会因患者仰头低头、头向左右偏曲、睁眼闭眼而出现严重偏差,并且无法在没有侧壁的情况下(例如在眼眶骨折后)和严重斜视患者中准确测量眼球突出度。另一种是采用计算眼球(globe area,GA)与埋入眼眶内部分眼球(orbital area,OA)在CT扫描的轴位图像上的面积比(globe area,GA)来反映眼球突出的程度,该面积比可以减少由于患者头部位置偏斜引起的测量误差。但OA/GA比以眼眶内外缘连线作为单一的参考线,由于眶外侧缘的相对位置对眶深的影响很大,可能导致误诊。还有一种是通过测量角膜表面到眼眶CT矢状面上下眶缘连线的距离,角膜表面到眼眶CT横切面两侧眶外缘连线的距离,角膜表面到眼眶CT横切面眼眶内外缘连线的距离,以及三维重建图像上眼球表面距中面部的距离。可以看出,以上各种方法的这些参数都是二维的。
综上所述,目前尚缺乏基于高分辨眼眶CT,不受患者头位、眶周软组织厚度、睁眼或闭眼影响,不受测量者经验影响,重复性高,能三维反映眼球突出程度的高精度测量系统和方法。
【发明内容】
为解决上述问题,本发明提出了一种基于深度学习算法测量眼球突出度的系统,包括通信连接的CT/MRI眼眶图片切割模块、眼环轮廓标记模块、眼球突出部分标记模块、眼球突出度计算模块以及终端;CT/MRI眼眶图片切割模块对CT/MRI扫描形成的容积图像以预定的厚度和间隔按照从右向左的方向进行纵向切割并最终输出多张矢状面图给眼环轮廓标记模块;所述眼环轮廓标记模块基于深度学习算法以多张人工标注的图像为参照进行多次自我训练后达到准确预测所述多张矢状面图中的眼环轮廓,并输出眼环轮廓参数给眼球突出部分标记模块和眼球突出度计算模块;所述眼球突出部分标记模块根据所述眼环轮廓参数依照眼眶上、下最突出点连线划分突出部分并输出突出部分参数给眼球突出度计算模块;所述眼球突出度计算模块根据曲面计算方法计算突出部分的面积以及整个眼环轮廓面积,将所有矢状面图的突出部分面积相加得出突出部分体积,所有眼环轮廓面积相加得出眼球体积,突出部分体积除以眼球体积之比即为眼球突出度,将眼球突出度的结果输出给终端。
本发明还公开了一种基于前述系统测量眼球突出度的方法,包括如下步骤:
S1:选取多张纵向切割CT/MRI图像得到的眼眶图片进行人工标注眼环轮廓;
S2:将S1中人工标注过的眼眶图片输入给眼环轮廓标记模块作为学习参照,眼环轮廓标记模块经过多次自我学习后达到准确标记眼环的轮廓;
S3:CT/MRI机扫描患者头部获得容积图像并将其输入给CT/MRI眼眶图片切割模块,CT/MRI眼眶图片切割模块以预定的厚度和间隔对容积图像按照从右向左的方向进行纵向切割,从而获得多张矢状面图,然后将所述矢状面图输出给所述眼环轮廓标记模块;
S4:所述眼环轮廓标记模块对多张矢状面图预测眼环轮廓并输出眼环轮廓参数给眼球突出部分标记模块以及眼球突出度计算模块;
S5:所述眼球突出部分标记模块对矢状面图中眼环轮廓划分出突出部分并将突出部分参数输出给所述眼球突出度计算模块;
S6:所述眼球突出度计算模块根据曲面算法对突出部分和整个眼环分别计算面积,整合所有矢状面图的突出部分面积之和以及眼环轮廓面积之和,突出部分面积之和相当于突出部分体积,眼环轮廓面积之和相当于眼球体积,前者体积与后者体积之比即为眼球突出度;
S7:将眼球突出度计算的结果输出给终端。
本发明先通过人工标注结果作为深度学习算法学习训练的参照,通过多次的自我学习和训练之后能达到准确预测任意眼环轮廓的程度。所谓眼环轮廓是指经切割的CT/MRI平面图像上所显示的眼球最外一圈的整个轮廓,因为是平面矢面图,显示的是环状的轮廓,本领域中通常称为眼环轮廓。人工标注眼环轮廓是用人工来描画出眼环轮廓的边缘,而眼环轮廓标记模块经训练后可以自动对眼环轮廓边缘进行预测并得出相应的轮廓参数。此处采用的深度学习算法是现有的卷积神经网络,具体可采用python来执行。经过反复的实验,发现作为参照的人工标注图像数量在1000张以上,训练次数达到38500张次以上能达到最佳学习训练效果。
眼球突出从外观上指的是突出眼眶的部分,即假设以人体侧立作为正视图方向拍出图像后,以眼眶上、下最凸点连线为分界线划分的,以该分界线为起点,远离眼眶的部分为眼球突出部分,靠近眼眶部分为眼内部份,凸点的标记可采用现有技术中常用的图像顶点标记算法,通常的原理是,整个眼眶图像由多个坐标点形成,以中间点为原点建立X和Y轴,中间点的左为X负值,右为X正值,上为Y正值,下为Y负值,计算出最小值的X轴坐标和最大值Y坐标的点为上最凸点,最小值的X坐标和最小值的Y坐标的点为下最凸点。通过该算法计算标记出上下凸点之后,对整个眼环轮廓的参数就以两个凸点的连线划分为两个部分,连线左侧的眼环轮廓坐标点构成了突出部分的轮廓,剩下的为眼内部分轮廓,突出部分的轮廓参数输出给眼球突出度计算模块可用于计算该部分轮廓的面积。
在对突出部分进行标记后,要得到准确的眼球突出度需要能准确的测量出眼球突出部分的体积。由于眼球是球体,而眼球突出部分又因人而异,所以通过普通的方式难以准确计算出该部分体积。本发明通过计算曲面体积来解决这个问题,现有技术中计算曲面体积的算法有很多,通常借鉴了积分计算曲面体积的原理,即:CT/MRI眼眶图片切割模块将任一扫描的容积图像按照从右到左的方向以一定的厚度和间隔纵向切割成多张矢状面图,并以bmp的格式导出图像。因为CT或MRI成像方式是容积成像,即X光定速旋转,床以固定的速度移动,当人躺在床上经过X光时,相当于X光围绕人体做360度扫描,由此形成立体的容积图像。将该容积图像数据输入给切割模块(通常是CT/MRI后处理工作站)进行切割成平面矢状面图,当每张矢状面图的厚度和间隔足够小到接近可以忽略不计的时候,整个突出部分的体积大小无限接近于所有矢状面图中突出部分的面积之和,厚度和间隔越小,精度越高,优选的,可以将每张图片的厚度和间隔设定为1mm。同理,整个眼球的体积就是无限接近于矢状面图中整个眼环轮廓的面积之和。本申请的眼球突出度计算模块就是采用这种算法,算出的突出部分的体积/眼球体积=突出眼球比,最后直接输出该结果给终端。
本发明具有如下有益效果:
1、这种基于切割眼眶图像逐个精确标注眼环计算出的体积比,属于三维参数,精确度比普通二维直线测量和平面测量的面积比高,为眼眶减压手术从主观预测提升到定量预测提供了基础。
2、人工智能的算法测量出来的体积比值较二维测量的绝对数值可重复性高、测量误差小。
3、还可进一步为单侧眼球破裂损伤后硅油注入量提供更精确的预测。
4、成为数字定义美丽眼睛的基础。
【附图说明】
图1为现有技术测量方法示意图;
图2为侧立状态拍摄的头部CT图像示意图;
图3为图2中眼眶部位的放大图;
图4为系统结构示意图;
图5为本发明测量方法流程图;
图中附图标记:1-突出部分;2-未突出部分;3-眼眶。
【实施例】
如图2-3所示,该图是纵向矢面图,其中以眼眶3的上下最凸点连线为分界线,眼球远离眼眶的部分为突出部分1,靠近眼眶的部分为未突出部分2,整个圆形轮廓即为眼球的环形轮廓。
基于深度学习算法测量眼球突出度的系统结构如图4所示,包括依次通信连接的CT/MRI眼眶图片切割模块、眼环轮廓标记模块、眼球突出部分标记模块、眼球突出度计算模块以及终端,并且眼环轮廓标记模块又同时与眼球突出部分标记模块和眼球突出度计算模块通信连接。
CT/MRI眼眶图片切割模块对输入的CT/MRI容积图像以预定的厚度和间隔按照从右向左的方向进行纵向切割并最终输出多张矢状面图给眼环轮廓标记模块;所述眼环轮廓标记模块基于深度学习算法以多张人工标注的图像为参照进行多次自我训练后达到准确预测所述多张矢状面图中的眼环轮廓,并输出眼环轮廓参数给眼球突出部分标记模块和眼球突出度计算模块;所述眼球突出部分标记模块根据所述眼环轮廓参数依照眼眶上、下最突出点连线划分突出部分并输出突出部分参数给眼球突出度计算模块;所述眼球突出度计算模块根据曲面计算方法对突出部分的面积以及整个眼环轮廓面积,将所有矢状面图的突出部分面积相加得出突出部分体积,所有眼环轮廓面积相加得出眼球体积,突出部分体积除以眼球体积之比即为眼球突出度,将眼球突出度的结果输出给终端。
如图5所示,本发明的测量方法总体包括人工标注、深度学习、图片切割、眼环轮廓标记、突出部分标记、突出度计算及结果输出几个大步骤,具体为:
S1:选取多张纵向切割CT/MRI图像得到的眼眶图片进行人工标注眼环轮廓;
S2:将S1中人工标注过的眼眶图片输入给眼环轮廓标记模块作为学习参照,眼环轮廓标记模块经过多次自我学习后达到准确标记眼环的轮廓;
S3:CT/MRI眼眶图片切割模块以预定的厚度和间隔对图像按照从右向左的方向进行纵向切割,从而获得多张矢状面图,然后将所述矢状面图输出给所述眼环轮廓标记模块;
S4:所述眼环轮廓标记模块对多张矢状面图标记眼环轮廓并输出眼环轮廓参数给眼球突出部分标记模块以及眼球突出度计算模块;
S5:所述眼球突出部分标记模块对矢状面图中眼环轮廓划分出突出部分并将突出部分参数输出给所述眼球突出度计算模块;
S6:所述眼球突出度计算模块根据曲面算法对突出部分和整个眼环分别计算面积,整合所有矢状面图的突出部分面积之和以及眼环轮廓面积之和,突出部分面积之和相当于突出部分体积,眼环轮廓面积之和相当于眼球体积,前者体积与后者体积之比即为眼球突出度,将眼球突出度计算的结果输出给终端。
S7:输出S6中计算出的突出度。
上述实施例仅用于对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变更或改进,均属于本发明的保护范围。
Claims (5)
1.一种基于深度学习算法测量眼球突出度的系统,其特征在于:包括通信连接的CT/MRI眼眶图片切割模块、眼环轮廓标记模块、眼球突出部分标记模块、眼球突出度计算模块以及终端;CT/MRI眼眶图片切割模块对CT/MRI扫描形成的容积图像以预定的厚度和间隔按照从右向左的方向进行纵向切割并最终输出多张矢状面图给眼环轮廓标记模块;所述眼环轮廓标记模块基于深度学习算法以多张人工标注的图像为参照进行多次自我训练后达到准确预测所述多张矢状面图中的眼环轮廓,并输出预测的眼环轮廓参数给眼球突出部分标记模块和眼球突出度计算模块;所述眼球突出部分标记模块根据所述眼环轮廓参数依照眼眶上、下最突出点连线划分突出部分并输出突出部分参数给眼球突出度计算模块;所述眼球突出度计算模块根据曲面计算方法计算突出部分的面积以及整个眼环轮廓面积,并将所有矢状面图的突出部分面积相加得出突出部分体积,所有眼环轮廓面积相加得出眼球体积,突出部分体积除以眼球体积之比即为眼球突出度,将眼球突出度的结果输出给终端。
2.如权利要求1所述的一种基于深度学习算法测量眼球突出度的系统,其特征在于:所述CT/MRI眼眶图片切割模块为CT/MRI后处理工作站。
3.如权利要求1或2所述的一种基于深度学习算法测量眼球突出度的系统,其特征在于:所述深度学习算法通过卷积神经网络实现。
4.如权利要求1或2所述的一种基于深度学习算法测量眼球突出度的系统,其特征在于:所述多张人工标注的图像达到1000张以上,所述多次自我训练的次数达到38500张次以上。
5.如权利要求1所述的一种基于深度学习算法测量眼球突出度的系统,其特征在于:所述预定的厚度和间隔都为1mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010874348.9A CN111803024B (zh) | 2020-08-27 | 2020-08-27 | 基于深度学习算法测量眼球突出度的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010874348.9A CN111803024B (zh) | 2020-08-27 | 2020-08-27 | 基于深度学习算法测量眼球突出度的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111803024A CN111803024A (zh) | 2020-10-23 |
CN111803024B true CN111803024B (zh) | 2022-10-04 |
Family
ID=72859690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010874348.9A Active CN111803024B (zh) | 2020-08-27 | 2020-08-27 | 基于深度学习算法测量眼球突出度的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111803024B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116725563B (zh) * | 2023-01-13 | 2024-02-09 | 深圳市眼科医院(深圳市眼病防治研究所) | 眼球突出度测量装置 |
CN115969400A (zh) * | 2023-01-13 | 2023-04-18 | 深圳市眼科医院(深圳市眼病防治研究所) | 眼球突出截面积测量装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102475536A (zh) * | 2010-11-29 | 2012-05-30 | 上海交通大学医学院附属第九人民医院 | 一种测量眼球突出量的方法、仪器及仪器应用 |
CN104720738A (zh) * | 2015-04-02 | 2015-06-24 | 深圳市斯尔顿科技有限公司 | 利用眼科设备测人眼球突出度的方法及眼科设备 |
CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
CN110037648A (zh) * | 2019-04-25 | 2019-07-23 | 深圳市乐享医疗科技有限公司 | 一种测量眼球突出量的设备和标记定位方法 |
CN210130812U (zh) * | 2019-03-26 | 2020-03-10 | 北京交通大学 | 基于双目立体视觉的眼球突出度测量平台 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108771530B (zh) * | 2017-05-04 | 2021-03-30 | 深圳硅基智能科技有限公司 | 基于深度神经网络的眼底病变筛查系统 |
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
-
2020
- 2020-08-27 CN CN202010874348.9A patent/CN111803024B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102475536A (zh) * | 2010-11-29 | 2012-05-30 | 上海交通大学医学院附属第九人民医院 | 一种测量眼球突出量的方法、仪器及仪器应用 |
CN104720738A (zh) * | 2015-04-02 | 2015-06-24 | 深圳市斯尔顿科技有限公司 | 利用眼科设备测人眼球突出度的方法及眼科设备 |
CN108806792A (zh) * | 2017-05-03 | 2018-11-13 | 金波 | 深度学习面诊系统 |
CN210130812U (zh) * | 2019-03-26 | 2020-03-10 | 北京交通大学 | 基于双目立体视觉的眼球突出度测量平台 |
CN110037648A (zh) * | 2019-04-25 | 2019-07-23 | 深圳市乐享医疗科技有限公司 | 一种测量眼球突出量的设备和标记定位方法 |
Non-Patent Citations (1)
Title |
---|
A generative adversarial network approach to predicting postoperative appearance after orbital decompression surgery for thyroid eye disease;Tae Keun Yoo et al.;《Computers in Biology and Medicine》;20200331;第118卷;第103628-1至103628-8页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111803024A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10653381B2 (en) | Motion tracking system for real time adaptive motion compensation in biomedical imaging | |
CN111803024B (zh) | 基于深度学习算法测量眼球突出度的系统 | |
KR20190020756A (ko) | 치아 수복물의 형상, 위치 및 배향 중 적어도 하나를 추정하는 방법 | |
KR102006019B1 (ko) | 시술에 대한 결과 정보를 제공하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체 | |
CN108701354A (zh) | 识别超声图像中感兴趣区域轮廓的方法及系统 | |
EP2130491A1 (en) | Method and apparatus for radiographic imaging | |
US20200375546A1 (en) | Machine-guided imaging techniques | |
US9299148B2 (en) | Method and system for automatically determining a localizer in a scout image | |
Yoo et al. | Three-dimensional geometric modeling of the cochlea using helico-spiral approximation | |
JP4584232B2 (ja) | 脳模型 | |
CN112053400A (zh) | 数据处理方法及机器人导航系统 | |
EP3699929A1 (en) | Patient weight estimation from surface data using a patient model | |
CN109844869B (zh) | 用于评估对象的心脏的流出道梗阻的系统和方法 | |
WO2022105813A1 (en) | Systems and methods for subject positioning | |
CN113223028A (zh) | 一种基于mr和ct的多模态肝脏肿瘤分割方法 | |
CN112258640A (zh) | 颅骨模型的建立方法、装置、存储介质及电子设备 | |
KR20120092451A (ko) | 골밀도 측정을 이용한 환자 맞춤형 인공삽입물 설계 장치 | |
CN108510506A (zh) | 一种管状结构图像分割方法 | |
CN116883322A (zh) | 一种三维超声模型应用于心脏参数测量与管理方法及终端 | |
Christensen et al. | Automatic measurement of the labyrinth using image registration and a deformable inner ear atlas | |
EP4329621A1 (en) | Methods, systems, and storage mediums for image generation | |
KR20130036526A (ko) | 안면 영상과 엑스레이 영상을 이용한 형상진단기 | |
CN116264995A (zh) | 脊柱侧弯矫形支具的个性化3d建模方法、计算机设备 | |
CN115330681A (zh) | 一种超声图像测量方法、系统、智能终端及存储介质 | |
Ross et al. | Ultrasound imaging offers promising alternative to create 3-D models for personalised auricular implants |
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 |