CN112006651A - 一种白内障手术辅助诊断系统及其方法 - Google Patents
一种白内障手术辅助诊断系统及其方法 Download PDFInfo
- Publication number
- CN112006651A CN112006651A CN202010949477.XA CN202010949477A CN112006651A CN 112006651 A CN112006651 A CN 112006651A CN 202010949477 A CN202010949477 A CN 202010949477A CN 112006651 A CN112006651 A CN 112006651A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- module
- diagnosis
- improved
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 125
- 208000002177 Cataract Diseases 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001356 surgical procedure Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 57
- 230000006872 improvement Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000015556 catabolic process Effects 0.000 claims description 35
- 238000006731 degradation reaction Methods 0.000 claims description 35
- 210000000695 crystalline len Anatomy 0.000 claims description 28
- 230000010354 integration Effects 0.000 claims description 16
- 210000003664 lens nucleus crystalline Anatomy 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 6
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 239000002775 capsule Substances 0.000 description 4
- 201000008525 senile cataract Diseases 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 206010007748 Cataract cortical Diseases 0.000 description 2
- 206010024214 Lenticular opacities Diseases 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 201000002764 cortical senile cataract Diseases 0.000 description 2
- 230000001804 emulsifying effect Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002503 metabolic effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- A61B3/14—Arrangements specially adapted for eye photography
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种白内障手术辅助诊断系统，包括图像采集模块，用于采集并发送患者白内障的眼部图像；图像改善模块，用于对眼部图像进行图像增强和图像复原，以得到初始目标图像；目标选定模块，用于在初始目标图像上选取晶状体区域，以得到目标图像；清晰处理模块，用于通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；特征提取模块，用于通过特征提取模型提取清晰图像中的图像特征；结果输出模块，用于根据图像特征通过诊断模型生成并发送诊断结果。本发明还公开了一种白内障手术辅助诊断方法。本发明可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
Description
技术领域
本发明涉及医疗辅助设备技术领域，具体而言，涉及一种白内障手术辅助诊断系统及其方法。
背景技术
白内障属于较常见的老年病，由于我国人口基数大且老龄化程度越来越严重，使得我国白内障患者数量较多，白内障手术正经历着重大变革，白内障手术的许多方面的精确度和速度在过去几年中已经得到显著提高。先进的光学系统对激光脉冲的放置和瞄准提供前所未有的控制。此外，成像系统提供高质量图像以辅助外科医生计划并执行白内障手术。
医学影像学在医学诊断领域是一门新兴学科，目前其在临床的应用上非常广泛，为疾病的诊断提供了较大的科学和直观的依据，可以更好地配合临床的症状、化验等，为最终准确地诊断病情起到不可替代的作用。由于医学图像能够直观地反映病人的病情，从而大大提高了医生诊断的正确率。更进一步地，从图像上的信息提取和定量分析可以使诊断更科学，与医生的临床经验相结合，使得医生可以对病人的病情做出更为准确的诊断。在图像特征提取中，采集图像时，由于多种复杂环境的影响，部分图像在黑暗环境中拍摄，部分图像在明亮环境中拍摄，不同光线和拍摄情境下来源的图像在特征的具体表现上有差异，并且存在不同的干扰因素，导致图像整体不清晰，难以分辨待识别区域，导致无法获取准确的结果，难以进行下一步病情分析。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种白内障手术辅助诊断系统及其方法，可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
本发明的实施例是这样实现的：
第一方面，本发明实施例提供一种白内障手术辅助诊断系统，包括图像采集模块、图像改善模块、目标选定模块、清晰处理模块、特征提取模块以及结果输出模块，其中：
图像采集模块，用于采集并发送患者白内障的眼部图像；
图像改善模块，用于对眼部图像进行图像增强和图像复原，以得到初始目标图像；
目标选定模块，用于在初始目标图像上选取晶状体区域，以得到目标图像；
清晰处理模块，用于通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；
特征提取模块，用于通过特征提取模型提取清晰图像中的图像特征；
结果输出模块，用于根据图像特征通过诊断模型生成并发送诊断结果。
在进行白内障手上之前，首先通过图像采集模块采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块，图像改善模块接收到眼部图像后对其进行图像增强和图像复原处理，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，通过目标选定模块在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，上述图像去模糊模型是指对图像进行减小或增加相应的图像像素，使得图像更加清晰，得到更加清晰的图像，通过清晰处理模块得到清晰图像后，通过特征提取模块通过现有的特征提取模型提取清晰图像中的图像特征，该图像特征包含颜色特征、纹理特征等，提取到图像特征后，通过结果输出模块根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。本系统可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
基于第一方面，在本发明的一些实施例中，一种白内障手术辅助诊断系统，图像改善模块包括图像增强子模块、图像复原子模块以及图像整合子模块，其中：
图像增强子模块，用于通过灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像；
图像复原子模块，用于通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像；
图像整合子模块，用于将第一改善图像和第二改善图像进行整合，以得到初始目标图像。
基于第一方面，在本发明的一些实施例中，一种白内障手术辅助诊断系统，图像复原子模块包括第一复原单元和第二复原单元，其中：
第一复原单元，用于建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型去除或减少退化源影响数据，以得到第二改善图像；
第二复原单元，用于建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，以得到第二改善图像。
基于第一方面，在本发明的一些实施例中，一种白内障手术辅助诊断系统，图像整合子模块包括划分单元、对比单元以及整合单元，其中：
划分单元，用于将第一改善图像和第二改善图像划分为多个一一对应的图像区域；
对比单元，用于将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像；
整合单元，用于将每个图像区域的最优图像进行整合，以得到初始目标图像。
基于第一方面，在本发明的一些实施例中，一种白内障手术辅助诊断系统，结果输出模块包括模型建立子模块、分级子模块以及输出子模块，其中：
模型建立子模块，用于根据常规医学白内障晶状体核硬度等级建立诊断模型；
分级子模块，用于将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果；
输出子模块，用于将诊断结果输出给终端设备。
第二方面，本发明实施例提供一种白内障手术辅助诊断方法，一种白内障手术辅助诊断方法，包括以下步骤：
采集并发送患者白内障的眼部图像；
对眼部图像进行图像增强和图像复原，以得到初始目标图像；
在初始目标图像上选取晶状体区域，以得到目标图像；
通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；
通过特征提取模型提取清晰图像中的图像特征；
根据图像特征通过诊断模型生成并发送诊断结果。
在进行白内障手上之前，首先采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块，接收到眼部图像后对其进行图像增强和图像复原处理，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，上述图像去模糊模型是指对图像进行减小或增加相应的图像像素，使得图像更加清晰，得到更加清晰的图像，通过清晰处理模块得到清晰图像后，通过现有的特征提取模型提取清晰图像中的图像特征，该图像特征包含颜色特征、纹理特征等，提取到图像特征后，根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。本方法可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
基于第二方面，在本发明的一些实施例中，一种白内障手术辅助诊断方法，对眼部图像进行图像增强和图像复原，以得到初始目标图像的方法包括以下步骤：
通过灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像；
通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像；
将第一改善图像和第二改善图像进行整合，以得到初始目标图像。
基于第二方面，在本发明的一些实施例中，一种白内障手术辅助诊断方法，通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像的方法包括以下步骤：
建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型去除或减少退化源影响数据，以得到第二改善图像；
建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，以得到第二改善图像。
基于第二方面，在本发明的一些实施例中，一种白内障手术辅助诊断方法，将第一改善图像和第二改善图像进行整合，以得到初始目标图像的方法包括以下步骤：
将第一改善图像和第二改善图像划分为多个一一对应的图像区域；
将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像；
将每个图像区域的最优图像进行整合，以得到初始目标图像。
基于第二方面，在本发明的一些实施例中，一种白内障手术辅助诊断方法，根据图像特征通过诊断模型生成并发送诊断结果的方法包括以下步骤：
根据常规医学白内障晶状体核硬度等级建立诊断模型；
将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果；
将诊断结果输出给终端设备。
本发明实施例至少具有如下优点或有益效果：
本发明实施例提供一种白内障手术辅助诊断系统，在进行白内障手上之前，首先通过图像采集模块采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块，图像改善模块接收到眼部图像后对其进行图像增强和图像复原处理，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，通过目标选定模块在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，通过清晰处理模块得到清晰图像后，通过特征提取模块通过现有的特征提取模型提取清晰图像中的图像特征，提取到图像特征后，通过结果输出模块根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。本系统可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
本发明实施例还提供一种白内障手术辅助诊断方法，在进行白内障手上之前，首先采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块，接收到眼部图像后对其进行图像增强和图像复原处理，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，通过清晰处理模块得到清晰图像后，通过现有的特征提取模型提取清晰图像中的图像特征，提取到图像特征后，根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。本方法可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例一种白内障手术辅助诊断系统的原理框图；
图2为本发明实施例一种白内障手术辅助诊断方法的流程图；
图3为本发明实施例一种白内障手术辅助诊断方法中对图像进行修复改善的流程图；
图4为本发明实施例一种白内障手术辅助诊断方法中获取初始目标图像的流程图。
图标：10、图像采集模块；20、图像改善模块；21、图像增强子模块；22、图像复原子模块；221、第一复原单元；222、第二复原单元；23、图像整合子模块；231、划分单元；232、对比单元；223、整合单元；30、目标选定模块；40、清晰处理模块；50、特征提取模块；60、结果输出模块；61、模型建立子模块；62、分级子模块；63、输出子模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本发明实施例的描述中，需要说明的是，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中，“多个”代表至少2个。
实施例
如图1所示，本实施例提供一种白内障手术辅助诊断系统，包括图像采集模块10、图像改善模块20、目标选定模块30、清晰处理模块40、特征提取模块50以及结果输出模块60，其中：
图像采集模块10，用于采集并发送患者白内障的眼部图像；
图像改善模块20，用于对眼部图像进行图像增强和图像复原，以得到初始目标图像；
目标选定模块30，用于在初始目标图像上选取晶状体区域，以得到目标图像；
清晰处理模块40，用于通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；
特征提取模块50，用于通过特征提取模型提取清晰图像中的图像特征；
结果输出模块60，用于根据图像特征通过诊断模型生成并发送诊断结果。
在进行白内障手上之前，首先通过图像采集模块10采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块20，图像改善模块20接收到眼部图像后对其进行图像增强和图像复原处理，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，通过目标选定模块30在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，上述图像去模糊模型是指对图像进行减小或增加相应的图像像素，使得图像更加清晰，得到更加清晰的图像，通过清晰处理模块40得到清晰图像后，通过特征提取模块50通过现有的特征提取模型提取清晰图像中的图像特征，该图像特征包含颜色特征、纹理特征等，提取到图像特征后，通过结果输出模块60根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。本系统可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
在其中一个实施例中，如图1所示，图像改善模块20包括图像增强子模块21、图像复原子模块22以及图像整合子模块23，其中：
图像增强子模块21，用于通过灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像；
图像复原子模块22，用于通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像；
图像整合子模块23，用于将第一改善图像和第二改善图像进行整合，以得到初始目标图像。
当获取到患者白内障眼部图像后，对眼部图像进行效果改善处理，该效果改善处理包括通过图像增强子模块21通过逆反处理、阈值变换、灰度拉伸、灰度切分、灰度级修正、动态范围调整等灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像，通过图像复原子模块22通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像，上述图像复原模型是指除去或减少图像退化，增强图像像素，将图像进行原始图像复原，保证得到更加清晰的图像的数学模型，然后通过图像整合子模块23将第一改善图像和第二改善图像进行整合，以最优的图像作为初始目标图像。
在其中一个实施例中，如图1所示，图像复原子模块22包括第一复原单元221和第二复原单元222，其中：
第一复原单元221，用于建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型去除或减少退化源影响数据，以得到第二改善图像；
第二复原单元222，用于建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，以得到第二改善图像。
在对图像进行复原处理时，可根据实际情况采用不同的方式进行图像复原，当不知道图像本身的性质时，通过第一复原单元221建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型采用复原算法除去或减少退化源的影响，以得到第二改善图像；当有了关于图像本身的先验知识时，通过第二复原单元222建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，在观测到的退化图像中通过检测原始图像而复原图像，以得到第二改善图像。
在其中一个实施例中，如图1所示，图像整合子模块23包括划分单元231、对比单元232以及整合单元223，其中：
划分单元231，用于将第一改善图像和第二改善图像划分为多个一一对应的图像区域；
对比单元232，用于将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像；
整合单元223，用于将每个图像区域的最优图像进行整合，以得到初始目标图像。
为了得到更加清晰的图像，通过划分单元231将第一改善图像和第二改善图像划分为多个图像区域，第一改善图像的图像区域和第二改善图像的图像区域一一对应，划分完成后，通过对比单元232将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像(当第一改善图像的像素高于第二改善图像的像素时，获取第一改善图像中此区域的图像，作为最优图像；当第一改善图像的像素低于或等于第二改善图像的像素时，获取第二改善图像中此区域的图像，作为最优图像)，然后通过整合单元223将每个图像区域的最优图像进行整合，将最优图像组合形成一个最优图像，以得到初始目标图像。
在其中一个实施例中，如图1所示，结果输出模块60包括模型建立子模块61、分级子模块62以及输出子模块63，其中：
模型建立子模块61，用于根据常规医学白内障晶状体核硬度等级建立诊断模型；
分级子模块62，用于将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果；
输出子模块63，用于将诊断结果输出给终端设备。
当提取到图像的图像特征后，根据图像特征生成诊断结果，在常规医学中将白内障晶状体核硬度等级分为五个级别，Ⅰ级(软核)：裂隙灯下为透明或淡灰白色，一般为皮质型或后囊下混浊型白内障的特点；某些与代谢有关的白内障类型，其核硬度亦为Ⅰ级。这种类型的白内障，因为核质特别软，比较容易被雕刻，因此，只需很小的能量即可将其吸除。Ⅱ级(软核)：晶状体核呈灰白或灰黄色。主要出现在后囊下混浊型白内障中晚期及年龄较轻的皮质型老年性白内障中。因核硬度稍大，对乳化针头及辅助器械均有阻抗，便于刻出一定形状的沟槽。Ⅲ级(中等硬度核)：大多数老年性白内障的核硬度为Ⅲ级，核呈黄色或谈棕黄色。这种白内障以核混浊为主，裂隙灯下光学切面可清晰勾勒出核界线，中心部颜色最深，渐渐向较淡的皮质过渡。这种核硬度的白内障是超乳化手术最佳适应证。Ⅳ级(硬核)：晶状体核呈深潢色或淡琥珀色。多见于老年性白内障晚期或病史较长、视力极差的老年患者。Ⅴ级(极硬核)：临床上比较少见，晶状体核呈深棕褐色或黑色，是典型的“陈旧性”白内障类型，整个晶状体呈现高密度团块外观。通过模型建立子模块61根据常规医学白内障晶状体核硬度等级建立诊断模型，该诊断模型是指根据图像特征获取白内障硬度等级的数学模型，模型建立完成后，通过分级子模块62将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果至数据库，并通过输出子模块63将诊断结果发送给用户终端，方便通过终端及时进行查看。
如图2所示，本发明实施例提供一种白内障手术辅助诊断方法，一种白内障手术辅助诊断方法，包括以下步骤：
S1、采集并发送患者白内障的眼部图像；
S2、对眼部图像进行图像增强和图像复原，以得到初始目标图像；
S3、在初始目标图像上选取晶状体区域，以得到目标图像；
S4、通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；
S5、通过特征提取模型提取清晰图像中的图像特征；
S6、根据图像特征通过诊断模型生成并发送诊断结果。
在进行白内障手上之前，首先采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块20，接收到眼部图像后对其进行图像增强和图像复原处理，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，上述图像去模糊模型是指对图像进行减小或增加相应的图像像素，使得图像更加清晰，得到更加清晰的图像，通过清晰处理模块40得到清晰图像后，通过现有的特征提取模型提取清晰图像中的图像特征，该图像特征包含颜色特征、纹理特征等，提取到图像特征后，根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。本方法可获取完整清晰的图像，生成精确的分级诊断结果，以便后续对病情进行有效分析。
在其中一个实施例中，如图3所示，对眼部图像进行图像增强和图像复原，以得到初始目标图像的方法包括以下步骤：
S21、通过灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像；
S22、通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像；
S23、将第一改善图像和第二改善图像进行整合，以得到初始目标图像。
当获取到患者白内障眼部图像后，对眼部图像进行效果改善处理，该效果改善处理包括通过图像增强子模块21通过逆反处理、阈值变换、灰度拉伸、灰度切分、灰度级修正、动态范围调整等灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像，通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像，上述图像复原模型是指除去或减少图像退化，增强图像像素，将图像进行原始图像复原，保证得到更加清晰的图像的数学模型，然后将第一改善图像和第二改善图像进行整合，以最优的图像作为初始目标图像。
在其中一个实施例中，通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像的方法包括以下步骤：
建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型去除或减少退化源影响数据，以得到第二改善图像；
建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，以得到第二改善图像。
在对图像进行复原处理时，可根据实际情况采用不同的方式进行图像复原，当不知道图像本身的性质时，通过建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型采用复原算法除去或减少退化源的影响，以得到第二改善图像；当有了关于图像本身的先验知识时，通过建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，在观测到的退化图像中通过检测原始图像而复原图像，以得到第二改善图像。
在其中一个实施例中，如图4所示，将第一改善图像和第二改善图像进行整合，以得到初始目标图像的方法包括以下步骤：
S231、将第一改善图像和第二改善图像划分为多个一一对应的图像区域；
S232、将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像；
S233、将每个图像区域的最优图像进行整合，以得到初始目标图像。
为了得到更加清晰的图像，将第一改善图像和第二改善图像划分为多个图像区域，第一改善图像的图像区域和第二改善图像的图像区域一一对应，划分完成后，将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像(当第一改善图像的像素高于第二改善图像的像素时，获取第一改善图像中此区域的图像，作为最优图像；当第一改善图像的像素低于或等于第二改善图像的像素时，获取第二改善图像中此区域的图像，作为最优图像)，然后将每个图像区域的最优图像进行整合，将最优图像组合形成一个最优图像，以得到初始目标图像。
在其中一个实施例中，根据图像特征通过诊断模型生成并发送诊断结果的方法包括以下步骤：
根据常规医学白内障晶状体核硬度等级建立诊断模型；
将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果；
将诊断结果输出给终端设备。
当提取到图像的图像特征后，根据图像特征生成诊断结果，在常规医学中将白内障晶状体核硬度等级分为五个级别，Ⅰ级(软核)：裂隙灯下为透明或淡灰白色，一般为皮质型或后囊下混浊型白内障的特点；某些与代谢有关的白内障类型，其核硬度亦为Ⅰ级。这种类型的白内障，因为核质特别软，比较容易被雕刻，因此，只需很小的能量即可将其吸除。Ⅱ级(软核)：晶状体核呈灰白或灰黄色。主要出现在后囊下混浊型白内障中晚期及年龄较轻的皮质型老年性白内障中。因核硬度稍大，对乳化针头及辅助器械均有阻抗，便于刻出一定形状的沟槽。Ⅲ级(中等硬度核)：大多数老年性白内障的核硬度为Ⅲ级，核呈黄色或谈棕黄色。这种白内障以核混浊为主，裂隙灯下光学切面可清晰勾勒出核界线，中心部颜色最深，渐渐向较淡的皮质过渡。这种核硬度的白内障是超乳化手术最佳适应证。Ⅳ级(硬核)：晶状体核呈深潢色或淡琥珀色。多见于老年性白内障晚期或病史较长、视力极差的老年患者。Ⅴ级(极硬核)：临床上比较少见，晶状体核呈深棕褐色或黑色，是典型的“陈旧性”白内障类型，整个晶状体呈现高密度团块外观。通过模型建立子模块61根据常规医学白内障晶状体核硬度等级建立诊断模型，该诊断模型是指根据图像特征获取白内障硬度等级的数学模型，模型建立完成后，通过分级子模块62将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果至数据库，并通过输出子模块63将诊断结果发送给用户终端，方便通过终端及时进行查看。
综上，本发明的实施例提供一种白内障手术辅助诊断系统及方法，在进行白内障手上之前，首先通过图像采集模块10采集患者白内障眼部图像，并将采集的眼部图像发送给图像改善模块20，当获取到患者白内障眼部图像后，对眼部图像进行效果改善处理，该效果改善处理包括通过图像增强子模块21通过逆反处理、阈值变换、灰度拉伸、灰度切分、灰度级修正、动态范围调整等灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像，通过图像复原子模块22通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像，上述图像复原模型是指除去或减少图像退化，增强图像像素，将图像进行原始图像复原，保证得到更加清晰的图像的数学模型，为了得到更加清晰的图像，通过划分单元231将第一改善图像和第二改善图像划分为多个图像区域，第一改善图像的图像区域和第二改善图像的图像区域一一对应，划分完成后，通过对比单元232将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像(当第一改善图像的像素高于第二改善图像的像素时，获取第一改善图像中此区域的图像，作为最优图像；当第一改善图像的像素低于或等于第二改善图像的像素时，获取第二改善图像中此区域的图像，作为最优图像)，然后通过整合单元223将每个图像区域的最优图像进行整合，将最优图像组合形成一个最优图像，以最优的图像作为初始目标图像，提高眼部图像的清晰度，以便提高后续处理的有效性和准确性，将进行图像增强和图像复原后的眼部图像作为初始目标图像，得到初始目标图像后，通过目标选定模块30在初始目标图像上选取晶状体区域，将选取的晶状体区域的图像作为目标图像，得到目标图像后通过图像去模糊模型对目标图像进行清晰处理，上述图像去模糊模型是指对图像进行减小或增加相应的图像像素，使得图像更加清晰，得到更加清晰的图像，通过清晰处理模块40得到清晰图像后，通过特征提取模块50通过现有的特征提取模型提取清晰图像中的图像特征，该图像特征包含颜色特征、纹理特征等，提取到图像特征后，通过结果输出模块60根据图像特征，将图像特征导入到诊断模型中进行等级诊断，然后生成并发送诊断结果，以便医护人员进行后续的处理。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种白内障手术辅助诊断系统，其特征在于，包括图像采集模块、图像改善模块、目标选定模块、清晰处理模块、特征提取模块以及结果输出模块，其中：
图像采集模块，用于采集并发送患者白内障的眼部图像；
图像改善模块，用于对眼部图像进行图像增强和图像复原，以得到初始目标图像；
目标选定模块，用于在初始目标图像上选取晶状体区域，以得到目标图像；
清晰处理模块，用于通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；
特征提取模块，用于通过特征提取模型提取清晰图像中的图像特征；
结果输出模块，用于根据图像特征通过诊断模型生成并发送诊断结果。
2.根据权利要求1所述的一种白内障手术辅助诊断系统，其特征在于，所述图像改善模块包括图像增强子模块、图像复原子模块以及图像整合子模块，其中：
图像增强子模块，用于通过灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像；
图像复原子模块，用于通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像；
图像整合子模块，用于将第一改善图像和第二改善图像进行整合，以得到初始目标图像。
3.根据权利要求2所述的一种白内障手术辅助诊断系统，其特征在于，所述图像复原子模块包括第一复原单元和第二复原单元，其中：
第一复原单元，用于建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型去除或减少退化源影响数据，以得到第二改善图像；
第二复原单元，用于建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，以得到第二改善图像。
4.根据权利要求2所述的一种白内障手术辅助诊断系统，其特征在于，所述图像整合子模块包括划分单元、对比单元以及整合单元，其中：
划分单元，用于将第一改善图像和第二改善图像划分为多个一一对应的图像区域；
对比单元，用于将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像；
整合单元，用于将每个图像区域的最优图像进行整合，以得到初始目标图像。
5.根据权利要求1所述的一种白内障手术辅助诊断系统，其特征在于，所述结果输出模块包括模型建立子模块、分级子模块以及输出子模块，其中：
模型建立子模块，用于根据常规医学白内障晶状体核硬度等级建立诊断模型；
分级子模块，用于将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果；
输出子模块，用于将诊断结果输出给终端设备。
6.一种白内障手术辅助诊断方法，其特征在于，包括以下步骤：
采集并发送患者白内障的眼部图像；
对眼部图像进行图像增强和图像复原，以得到初始目标图像；
在初始目标图像上选取晶状体区域，以得到目标图像；
通过图像去模糊模型将目标图像进行清晰处理，以得到清晰图像；
通过特征提取模型提取清晰图像中的图像特征；
根据图像特征通过诊断模型生成并发送诊断结果。
7.根据权利要求6所述的一种白内障手术辅助诊断方法，其特征在于，所述对眼部图像进行图像增强和图像复原，以得到初始目标图像的方法包括以下步骤：
通过灰度变化方式对眼部图像进行图像增强，使得图像清晰、特征增强，以得到第一改善图像；
通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像；
将第一改善图像和第二改善图像进行整合，以得到初始目标图像。
8.根据权利要求7所述的一种白内障手术辅助诊断方法，其特征在于，所述通过图像复原模型对眼部图像进行复原，去除冗余数据，以得到第二改善图像的方法包括以下步骤：
建立退化源模型，将眼部图像输入到退化源模型中，通过退化源模型去除或减少退化源影响数据，以得到第二改善图像；
建立原始图像模型，将眼部图像输入到原始图像模型中，通过原始图像模型将眼部图像进行修复，以得到第二改善图像。
9.根据权利要求7所述的一种白内障手术辅助诊断方法，其特征在于，所述将第一改善图像和第二改善图像进行整合，以得到初始目标图像的方法包括以下步骤：
将第一改善图像和第二改善图像划分为多个一一对应的图像区域；
将第一改善图像和第二改善图像的每个对应的图像区域进行一一对比，获取每个图像区域的最优图像；
将每个图像区域的最优图像进行整合，以得到初始目标图像。
10.根据权利要求6所述的一种白内障手术辅助诊断方法，其特征在于，所述根据图像特征通过诊断模型生成并发送诊断结果的方法包括以下步骤：
根据常规医学白内障晶状体核硬度等级建立诊断模型；
将图像特征输入到诊断模型中，通过诊断模型生成并发送诊断结果；
将诊断结果输出给终端设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010949477.XA CN112006651A (zh) | 2020-09-10 | 2020-09-10 | 一种白内障手术辅助诊断系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010949477.XA CN112006651A (zh) | 2020-09-10 | 2020-09-10 | 一种白内障手术辅助诊断系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112006651A true CN112006651A (zh) | 2020-12-01 |
Family
ID=73522575
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010949477.XA Pending CN112006651A (zh) | 2020-09-10 | 2020-09-10 | 一种白内障手术辅助诊断系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112006651A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361482A (zh) * | 2021-07-07 | 2021-09-07 | 南方科技大学 | 核性白内障识别方法、装置、电子设备以及存储介质 |
| CN116309584A (zh) * | 2023-05-22 | 2023-06-23 | 泰安光明爱尔眼科医院有限公司 | 一种用于白内障区域识别的图像处理系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289794A (zh) * | 2011-07-27 | 2011-12-21 | 苏州巴米特信息科技有限公司 | 一种图像复原的方法 |
| CN103065315A (zh) * | 2012-12-28 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 一种多图谱融合方法、系统及医疗设备 |
| US20160220108A1 (en) * | 2015-01-30 | 2016-08-04 | Canon Kabushiki Kaisha | Ophthalmologic apparatus, image processing method, and medium |
| CN106530231A (zh) * | 2016-11-09 | 2017-03-22 | 武汉工程大学 | 一种基于深层协作表达的超分辨率图像的重建方法及系统 |
| CN108172291A (zh) * | 2017-05-04 | 2018-06-15 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
| 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 |
| CN109410204A (zh) * | 2018-10-31 | 2019-03-01 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
| CN109584182A (zh) * | 2018-12-03 | 2019-04-05 | 董育理 | 一种图像处理方法和系统 |
| CN110148095A (zh) * | 2019-05-14 | 2019-08-20 | 北京科技大学 | 一种水下图像增强方法及增强装置 |
-
2020
- 2020-09-10 CN CN202010949477.XA patent/CN112006651A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289794A (zh) * | 2011-07-27 | 2011-12-21 | 苏州巴米特信息科技有限公司 | 一种图像复原的方法 |
| CN103065315A (zh) * | 2012-12-28 | 2013-04-24 | 中国科学院深圳先进技术研究院 | 一种多图谱融合方法、系统及医疗设备 |
| US20160220108A1 (en) * | 2015-01-30 | 2016-08-04 | Canon Kabushiki Kaisha | Ophthalmologic apparatus, image processing method, and medium |
| CN106530231A (zh) * | 2016-11-09 | 2017-03-22 | 武汉工程大学 | 一种基于深层协作表达的超分辨率图像的重建方法及系统 |
| CN108172291A (zh) * | 2017-05-04 | 2018-06-15 | 深圳硅基仿生科技有限公司 | 基于眼底图像的糖尿病视网膜病变识别系统 |
| 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 |
| CN109410204A (zh) * | 2018-10-31 | 2019-03-01 | 电子科技大学 | 一种基于cam的皮质白内障图像处理及增强方法 |
| CN109584182A (zh) * | 2018-12-03 | 2019-04-05 | 董育理 | 一种图像处理方法和系统 |
| CN110148095A (zh) * | 2019-05-14 | 2019-08-20 | 北京科技大学 | 一种水下图像增强方法及增强装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113361482A (zh) * | 2021-07-07 | 2021-09-07 | 南方科技大学 | 核性白内障识别方法、装置、电子设备以及存储介质 |
| CN116309584A (zh) * | 2023-05-22 | 2023-06-23 | 泰安光明爱尔眼科医院有限公司 | 一种用于白内障区域识别的图像处理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097559B (zh) | 基于深度学习的眼底图像病灶区域标注方法 | |
| CN105559802A (zh) | 一种基于注意和情感信息融合的抑郁症诊断系统及方法 | |
| Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
| CN113768461B (zh) | 一种眼底图像分析方法、系统和电子设备 | |
| CN113962311A (zh) | 知识数据和人工智能驱动的眼科多病种识别系统 | |
| CN112006651A (zh) | 一种白内障手术辅助诊断系统及其方法 | |
| CN109646112B (zh) | 超音波探针定位系统及超音波探针定位方法 | |
| Joseph et al. | Quantitative and qualitative evaluation of deep learning automatic segmentations of corneal endothelial cell images of reduced image quality obtained following cornea transplant | |
| CN106214120A (zh) | 一种青光眼的早期筛查方法 | |
| CN113576508A (zh) | 一种基于神经网络的脑出血辅助诊断系统 | |
| Sreng et al. | Automatic exudate extraction for early detection of Diabetic Retinopathy | |
| Tripathi et al. | MTCD: Cataract detection via near infrared eye images | |
| Shaik et al. | Glaucoma identification based on segmentation and fusion techniques | |
| Reethika et al. | Diabetic retinopathy detection using statistical features | |
| CN117338234A (zh) | 一种屈光度与视力联合检测方法 | |
| CN112634221A (zh) | 基于图像和深度的角膜层次识别及病变定位方法和系统 | |
| CN103246888A (zh) | 肺病的计算机诊断系统及方法 | |
| Suardika et al. | Optic disc segmentation based on mask R-CNN in retinal fundus images | |
| CN113796850A (zh) | 甲状旁腺mibi图像分析系统、计算机设备及存储介质 | |
| CN115147273A (zh) | 一种基于域适应的眼科oct术后轮廓图生成方法及系统 | |
| Kokare | Wavelet based automatic exudates detection in diabetic retinopathy | |
| CN111462067B (zh) | 图像分割方法及装置 | |
| Dela Cruz et al. | Portable nuclear and cortical eye cataract detection using image processing | |
| Sangamesh et al. | A New Approach to Recognize a Patient with Diabetic Retinopathy using Pre-trained Deep Neural Network EfficientNetB0 | |
| Kumari et al. | Automated process for retinal image segmentation and classification via deep learning based cnn model |
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 |