CN112220450B - 基于三维模型的眼眶病筛查方法、系统以及终端 - Google Patents

基于三维模型的眼眶病筛查方法、系统以及终端 Download PDF

Info

Publication number
CN112220450B
CN112220450B CN202010849415.1A CN202010849415A CN112220450B CN 112220450 B CN112220450 B CN 112220450B CN 202010849415 A CN202010849415 A CN 202010849415A CN 112220450 B CN112220450 B CN 112220450B
Authority
CN
China
Prior art keywords
dimensional
model
orbital
disease
features
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
CN202010849415.1A
Other languages
English (en)
Other versions
CN112220450A (zh
Inventor
宋雪霏
李伦昊
吴钰
毕晓萍
贾仁兵
周慧芳
范先群
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.)
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Original Assignee
Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
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 Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine filed Critical Ninth Peoples Hospital Shanghai Jiaotong University School of Medicine
Priority to CN202010849415.1A priority Critical patent/CN112220450B/zh
Publication of CN112220450A publication Critical patent/CN112220450A/zh
Application granted granted Critical
Publication of CN112220450B publication Critical patent/CN112220450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明的基于三维模型的眼眶病筛查方法、系统以及终端，包括：根据采集到的二维待检测图像，构建三维人脸模型，其中，所述二维待检测图像包括：患者的各眼眶病关键点的特征；将所述三维人脸模型与由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。解决了现有技术中只能通过医生或医院的器械进行眼眶疾病的确认，不仅浪费医患时间和医疗资源，还会因患者忽视病情耽误治疗的问题。本发明通过将二维图像转化为三维人脸模型与三维人脸形变模型进行特征匹配核对，从而达到对眼眶病进行初步筛查的目的，节省大量的医患交流时间和医疗资源，对患者进行准确的眼眶疾病筛查。

Description

基于三维模型的眼眶病筛查方法、系统以及终端
技术领域
本发明涉及医疗领域，特别是涉及一种基于三维模型的眼眶病筛查方法、系统以及终端。
背景技术
眼眶病不是常见病多发病，所以容易被忽视而耽误，如炎症，肿瘤，外伤，先天性疾病，代谢和内分泌疾病及寄生虫类疾病，不仅导致患者病残和生活质量下降，而且给家庭和社会造成极大的经济负担，严重时更会致盲致死。患者大多会因暂时无视功能性改变而未做眼眶CT,MRI等检查，耽误最佳治疗时间。因此，及时发现病症成了关键。
随着电子设备的普及，医患交流变得方便，但眼科疾病的发生率也大大增加，眶内占位性病变时除了依靠常规检查，还需利用各种特殊检查技术，如X线片、眶血管造影、颈内动脉造影、超声波检查，以及电子计算机断层扫描检查(CT)磁共振成像等，进一步确定占位病变的部位，大小和性质，必要时还可直接采取活体组织作病理检查，但一些眼眶炎症性,外伤性，循环障碍性疾病的诊断无需特殊检查。
患者会因无视功能未改变的病症，病症较轻，路途较远等原因而未进医院进行医生诊断，眼眶CT检查，MRI检查等，而很多眼眶疾病是可以通过眼眶疾病的特征性体征进行初步判断的，目前，患者、表象正常及正常人都只能通过医生或医院的器械进行眼眶疾病的确认，不仅浪费医患时间和医疗资源，还会因患者忽视病情耽误治疗，进而影响健康。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于三维模型的眼眶病筛查方法、系统以及终端，用于解决现有技术中患者、表象正常及正常人都只能通过医生或医院的器械进行眼眶疾病的确认，不仅浪费医患时间和医疗资源，还会因患者忽视病情耽误治疗，进而影响健康的问题。
为实现上述目的及其他相关目的，本发明提供一种基于三维模型的眼眶病筛查方法，包括：根据采集到的二维待检测图像，构建三维人脸模型，其中，所述二维待检测图像包括：患者的各眼眶病关键点的特征；将所述三维人脸模型与由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。
于本发明的一实施例中，所述由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型的方式包括：采集多例分别包括各眼眶病关键点的患病特征的患病三维人脸形变扫描数据以及包括各眼眶病关键点的正常特征的正常三维人脸扫描数据；将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，以获得与各所述患病人脸形变扫描数据对应的患病三维人脸模板以及与所述正常三维人脸扫描数据对应的正常三维人脸模板；基于所述患病三维人脸模板以及正常三维人脸模板，构建所述人脸形变模型。
于本发明的一实施例中，所述三维人脸形变模型包括：全局人脸形变模型和/或各眼眶病筛选模型；其中，所述全局人脸形变模型，包括：由所述各眼眶病关键点的患病特征获得的用于判断所述三维人脸模型对应的患者为患病状态的患病全局判断模型以及由述各眼眶病关键点的正常特征获得的用于判断所述三维人脸模型对应的患者为正常状态的正常全局判断模型；所述各眼眶病筛选模型，包括：用于判断所述三维人脸模型对应的患者的患病类型的分别由各眼眶病关键点的患病特征获得的各眼眶类型判断模型，以及判断用于判断所述三维人脸模型对应的患者为正常状态的正常状态判断模型。
于本发明的一实施例中，所述将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板的方式包括：基于非刚性迭代最近点算法，将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板。
于本发明的一实施例中，所述全局人脸形变模型的构建方式包括：基于所述各眼眶病关键点的患病特征以及各眼眶病关键点的正常特征，通过主成分分析来构建所述全局人脸形变模型。
于本发明的一实施例中，所述根据采集到的二维待检测图像，构建三维人脸模型的方式包括：基于所述三维映射算法，根据采集到的的包含包括患者的各眼眶病关键点的特征的二维待检测图像，构建与所述二维待检测图像相对应的具有患者的各眼眶病关键点的特征的三维人脸模型；其中，所述三维映射算法与各眼眶关键点的位置相关。
于本发明的一实施例中，所述眼眶病的患病特征包括：甲状腺相关眼病特征、眼肌炎症特征、眼肌断裂/功能障碍特征、眼眶占位性病变特征、眼眶炎性病变特征、单纯型眼眶骨折特征、复合型眼眶骨折特征以及眶骨发育异常特征中的一种或多种。
于本发明的一实施例中，每个眼眶病关键点的患病特征包括一或多个可见子特征；其中，所述各可见子特征的类型包括：眼睑退缩、眼位异常、上睑下垂、结膜充血、眼睑内翻、眼睑外翻、眼球突出、眼球内陷、内外眦位置异常以及眶面部不对称中的一种或多种。
为实现上述目的及其他相关目的，本发明提供一种基于三维模型的眼眶病筛查系统，所述系统包括：三维人脸模型构建模块，用于根据采集到的二维待检测图像，构建三维人脸模型，其中，所述二维待检测图像包括：患者的各眼眶病关键点的特征；筛查模块，连接所述三维人脸模型构建模块，用于将所述三维人脸模型与由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。
为实现上述目的及其他相关目的，本发明提供一种基于三维模型的眼眶病筛查终端，包括：存储器，用于存储计算机程序；处理器，用于执行所述的基于三维模型的眼眶病筛查方法。
如上所述，本发明的一种基于三维模型的眼眶病筛查方法、系统以及终端，具有以下有益效果：本发明基于眼眶疾病的特征，通过将二维图像转化为三维人脸模型与构建的三维人脸形变模型进行特征匹配核对，从而达到对眼眶病进行初步筛查的目的，节省大量的医患交流时间和医疗资源，对患者进行准确的眼眶疾病筛查。
附图说明
图1显示为本发明一实施例中的基于三维模型的眼眶病筛查方法的流程示意图。
图2显示为本发明一实施例中的三维人脸模型转换的实施环境的流程示意图。
图3显示为本发明一实施例中的三维映射模型的映射流程示意图。
图4显示为本发明一实施例中的眼眶病关键点的区域结构示意图。
图5显示为本发明一实施例中的基于三维模型的眼眶病筛查系统的结构示意图。
图6显示为本发明一实施例中的基于三维模型的眼眶病筛查终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在通篇说明书中，当说某部分与另一部分“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。
其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此，以下叙述的第一部分、成分、区域、层或段在不超出本发明范围的范围内，可以言及到第二部分、成分、区域、层或段。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
本发明实施例中提供一种基于三维模型的眼眶病筛查方法，解决了现有技术中患者、表象正常及正常人都只能通过医生或医院的器械进行眼眶疾病的确认，不仅浪费医患时间和医疗资源，还会因患者忽视病情耽误治疗，进而影响健康的问题。本发明基于眼眶疾病的特征，通过将二维图像转化为三维人脸模型与构建的三维人脸形变模型进行特征匹配核对，从而达到对眼眶病进行初步筛查的目的，节省大量的医患交流时间和医疗资源，对患者进行准确的眼眶疾病筛查。
下面以附图为参考，针对本发明的实施例进行详细说明，以便本发明所述技术领域的技术人员能够容易地实施。本发明可以以多种不同形态体现，并不限于此处说明的实施例。
如图1所示，展示本发明实施例中的基于三维模型的眼眶病筛查方法的流程示意图。
所述方法包括：
步骤S11：根据采集到的二维待检测图像，构建三维人脸模型，其中，所述二维待检测图像包括：患者的各眼眶病关键点的特征。
可选的，根据采集到的包含患者头部的各眼眶关键点的特征的二维待检测图像，来构建三维人脸模型，举例来说，将采集到的二维待检测图像转换三维人脸模型的实施环境如图2所示。
可选的，所述根据采集到的二维待检测图像，构建三维人脸模型的方式包括：基于所述三维映射算法，根据采集到的的包含包括患者的各眼眶病关键点的特征的二维待检测图像，构建与所述二维待检测图像相对应的具有患者的各眼眶病关键点的特征的三维人脸模型；
其中，所述三维映射算法与各眼眶关键点的位置相关。
可选的，基于所述三维映射模型，根据采集到的的包含包括患者的各眼眶病关键点的特征的二维待检测图像，构建与所述二维待检测图像相对应的具有患者的各眼眶病关键点的特征的三维人脸模型，举例来说，所述三维映射模型的映射过程如图3所示。
可选的，所述三维映射算法根据各眼眶关键点的位置进行映射重建；其中，权重值越高的关键点的位置，其部分映射关键点选取数量越多。
可选的，所述各眼眶病关键点所处的区域包括：虹膜、泪腺、瞳孔、眉头、内眼角、内眦、外眦、眉峰、眉尾、上眼睑、下眼睑、外眼角以及眼白区域中的一种以及多种，其中各区域所在患者头部的具体位置如图4显示。
可选的，所述眼眶病的患病特征包括：甲状腺相关眼病特征、眼肌炎症特征、眼肌断裂/功能障碍特征、眼眶占位性病变特征、眼眶炎性病变特征、单纯型眼眶骨折特征、复合型眼眶骨折特征以及眶骨发育异常特征中的一种或多种。
可选的，基于回顾性研究临床常见眼眶疾病病例，结合疾病在普通照片的可识别特征，以疾病的病理生理特征和影像学资料(CT，MRI)等，获得每个眼眶关键点的患病特征包括一或多个可见子特征；其中，所述各可见子特征的类型包括：眼睑退缩、眼位异常、上睑下垂、结膜充血、眼睑内翻、眼睑外翻、眼球突出、眼球内陷、内外眦位置异常以及眶面部不对称中的一种或多种。
其中，不同的眼眶病关键点的患病特征包括不同数量和/或不同种可见子特征的组合。如表1所示为常见眼眶病对应的可识别子特征。
表1：常见眼眶病对应的可识别子特征
步骤S12：将所述三维人脸模型与由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。
可选的，将所述三维人脸模型中的各眼眶病关键点的特征分别与所述三维人脸形变模型中的各眼眶病关键点的患病特征以及正常特征进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。
可选的，所述由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型的方式包括：采集多例分别包括各眼眶病关键点的患病特征的患病三维人脸形变扫描数据以及包括各眼眶病关键点的正常特征的正常三维人脸扫描数据；将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，以获得与各所述患病人脸形变扫描数据对应的患病三维人脸模板以及与所述正常三维人脸扫描数据对应的正常三维人脸模板；基于所述患病三维人脸模板以及正常三维人脸模板，构建所述人脸形变模型。
具体的，采集多例包括各眼眶病关键点的患病特诊的患病三维人脸形变扫描数据以及一或多例包括各眼眶病关键点的正常特征的正常三维人脸扫描数据；其中，一例患病三维人脸形变扫描数据包括：具有一或多个眼眶病关键点的患病特征的患者扫描数据；每例正常三维人脸扫描数据包括：具有各眼眶病关键点中的一个或多个正常特征的待检测用户。优选的，为具有各眼眶病关键点的正常特征的待检测用户。
将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，，以获得与各所述患病人脸形变扫描数据对应的多个患病三维人脸模板以及与所述正常三维人脸扫描数据对应的一或多个正常三维人脸模板。
基于所述患病三维人脸模板以及正常三维人脸模板中的各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据，构建所述人脸形变模型。
可选的，所述三维人脸形变模型包括：全局人脸形变模型和/或各眼眶病筛选模型；
其中，所述全局人脸形变模型，包括：由所述各眼眶病关键点的患病特征获得的用于判断所述三维人脸模型对应的患者为患病状态的患病全局判断模型以及由述各眼眶病关键点的正常特征获得的用于判断所述三维人脸模型对应的患者为正常状态的正常全局判断模型；其中所述患病全局判断模型。所述各眼眶病筛选模型，包括：用于判断所述三维人脸模型对应的患者的患病类型的分别由各眼眶病关键点的患病特征获得的各眼眶类型判断模型，以及判断用于判断所述三维人脸模型对应的患者为正常状态的正常状态判断模型。
具体的，当所述三维人脸模型与所述全局人脸形变模型进行对比，获得判断患者是否患病的眼眶病筛查结果。其中，若所述三维人脸模型中的一个或多个各眼眶病关键点的一或多个特征与所述患病全局判断模型中的相对应的一或多个眼眶病关键点的患病特征相同，则判断该患者患病；若所述三维人脸模型中的一个或多个各眼眶病关键点的特征与正常全局判断模型中的各眼眶病的关键点的正常特征相同，则判断该患者为正常状态。
当所述三维人脸模型与所述各眼眶病筛选模型进行对比，获得判断患者的患病类型和/或为正常状态的眼眶病筛查结果。其中，若所述三维人脸模型中的一个或多个各眼眶病关键点的特征与各眼眶类型判断模型的各眼眶病关键点的患病特征相同，则根据相同的患病特征来判断该患者的患病类型；若所述三维人脸模型中的各眼眶病关键点的特征与所述正常状态判断模型的各眼眶病关键点的正常特征相同，则判断该患者为正常状态。
可选的，所述将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板的方式包括：基于非刚性迭代最近点算法，将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，补充扫描数据漏洞，完成3D扫描到模板的点对点映射。
可选的，所述全局人脸形变模型的构建方式包括：基于所述各眼眶病关键点的患病特征以及各眼眶病关键点的正常特征，通过主成分分析来构建所述全局人脸形变模型。
可选的，通过患者的所述三维人脸模型和不同的三维人脸形变模型，进行系数化对比分类，最终软件该对比结果判断测量对象所属眼眶病类别或者正常，并且该测量对象的三维人脸模型会划分到所属形变模型中。
与上述实施例原理相似的是，本发明提供一种基于三维模型的眼眶病筛查系统。
以下结合附图提供具体实施例：
如图5展示本发明实施例中的一种基于三维模型的眼眶病筛查方法的系统的结构示意图。
所述系统包括：
三维人脸模型构建模块51，用于根据采集到的二维待检测图像，构建三维人脸模型，其中，所述二维待检测图像包括：患者的各眼眶病关键点的特征；
筛查模块52，连接所述三维人脸模型构建模块51，用于将所述三维人脸模型与由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。
可选的，所述三维人脸模型构建模块51根据采集到的包含患者头部的各眼眶关键点的特征的二维待检测图像，来构建三维人脸模型。
可选的，所述三维人脸模型构建模块51基于所述三维映射算法，根据采集到的的包含包括患者的各眼眶病关键点的特征的二维待检测图像，构建与所述二维待检测图像相对应的具有患者的各眼眶病关键点的特征的三维人脸模型；其中，所述三维映射算法与各眼眶关键点的位置相关。
可选的，所述三维人脸模型构建模块51基于所述三维映射模型，根据采集到的的包含包括患者的各眼眶病关键点的特征的二维待检测图像，构建与所述二维待检测图像相对应的具有患者的各眼眶病关键点的特征的三维人脸模型，举例来说，所述三维映射模型的映射过程如图3所示。
可选的，所述三维映射算法根据各眼眶关键点的位置进行映射重建；其中，权重值越高的关键点的位置，其部分映射关键点选取数量越多。
可选的，所述眼眶病的患病特征包括：甲状腺相关眼病特征、眼肌炎症特征、眼肌断裂/功能障碍特征、眼眶占位性病变特征、眼眶炎性病变特征、单纯型眼眶骨折特征、复合型眼眶骨折特征以及眶骨发育异常特征中的一种或多种。
可选的，基于回顾性研究临床常见眼眶疾病病例，结合疾病在普通照片的可识别特征，以疾病的病理生理特征和影像学资料(CT，MRI)等，获得每个眼眶关键点的患病特征包括一或多个可见子特征；其中，所述各可见子特征的类型包括：眼睑退缩、眼位异常、上睑下垂、结膜充血、眼睑内翻、眼睑外翻、眼球突出、眼球内陷、内外眦位置异常以及眶面部不对称中的一种或多种。
可选的，所述筛查模块52将所述三维人脸模型中的各眼眶病关键点的特征分别与所述三维人脸形变模型中的各眼眶病关键点的患病特征以及正常特征进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果。
可选的，所述筛查模块52采集多例分别包括各眼眶病关键点的患病特征的患病三维人脸形变扫描数据以及包括各眼眶病关键点的正常特征的正常三维人脸扫描数据；将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，以获得与各所述患病人脸形变扫描数据对应的患病三维人脸模板以及与所述正常三维人脸扫描数据对应的正常三维人脸模板；基于所述患病三维人脸模板以及正常三维人脸模板，构建所述人脸形变模型。
具体的，所述筛查模块52采集多例包括各眼眶病关键点的患病特诊的患病三维人脸形变扫描数据以及一或多例包括各眼眶病关键点的正常特征的正常三维人脸扫描数据；其中，一例患病三维人脸形变扫描数据包括：具有一或多个眼眶病关键点的患病特征的患者扫描数据；每例正常三维人脸扫描数据包括：具有各眼眶病关键点中的一个或多个正常特征的待检测用户。优选的，为具有各眼眶病关键点的正常特征的待检测用户。
所述筛查模块52将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，，以获得与各所述患病人脸形变扫描数据对应的多个患病三维人脸模板以及与所述正常三维人脸扫描数据对应的一或多个正常三维人脸模板。
所述筛查模块52基于所述患病三维人脸模板以及正常三维人脸模板中的各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据，构建所述人脸形变模型。
可选的，所述三维人脸形变模型包括：全局人脸形变模型和/或各眼眶病筛选模型；
其中，所述全局人脸形变模型，包括：由所述各眼眶病关键点的患病特征获得的用于判断所述三维人脸模型对应的患者为患病状态的患病全局判断模型以及由述各眼眶病关键点的正常特征获得的用于判断所述三维人脸模型对应的患者为正常状态的正常全局判断模型；其中所述患病全局判断模型。所述各眼眶病筛选模型，包括：用于判断所述三维人脸模型对应的患者的患病类型的分别由各眼眶病关键点的患病特征获得的各眼眶类型判断模型，以及判断用于判断所述三维人脸模型对应的患者为正常状态的正常状态判断模型。
具体的，当所述三维人脸模型与所述全局人脸形变模型进行对比，所述筛查模块52获得判断患者是否患病的眼眶病筛查结果。其中，若所述三维人脸模型中的一个或多个各眼眶病关键点的一或多个特征与所述患病全局判断模型中的相对应的一或多个眼眶病关键点的患病特征相同，则判断该患者患病；若所述三维人脸模型中的一个或多个各眼眶病关键点的特征与正常全局判断模型中的各眼眶病的关键点的正常特征相同，则判断该患者为正常状态。
当所述三维人脸模型与所述各眼眶病筛选模型进行对比，所述筛查模块52获得判断患者的患病类型和/或为正常状态的眼眶病筛查结果。其中，若所述三维人脸模型中的一个或多个各眼眶病关键点的特征与各眼眶类型判断模型的各眼眶病关键点的患病特征相同，则根据相同的患病特征来判断该患者的患病类型；若所述三维人脸模型中的各眼眶病关键点的特征与所述正常状态判断模型的各眼眶病关键点的正常特征相同，则判断该患者为正常状态。
可选的，所述筛查模块52基于非刚性迭代最近点算法，将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，补充扫描数据漏洞，完成3D扫描到模板的点对点映射。
可选的，所述全局人脸形变模型的构建方式包括：基于所述各眼眶病关键点的患病特征以及各眼眶病关键点的正常特征，通过主成分分析来构建所述全局人脸形变模型。
可选的，所述筛查模块52通过患者的所述三维人脸模型和不同的三维人脸形变模型，进行系数化对比分类，最终软件该对比结果判断测量对象所属眼眶病类别或者正常，并且该测量对象的三维人脸模型会划分到所属形变模型中
如图6展示本发明实施例中的基于三维模型的眼眶病筛查终端60的结构示意图。
所述基于三维模型的眼眶病筛查终端60包括：存储器61及处理器62所述存储器61用于存储计算机程序；所述处理器62运行计算机程序实现如图1所述的基于三维模型的眼眶病筛查方法。
可选的，所述存储器61的数量均可以是一或多个，所述处理器62的数量均可以是一或多个，而图6中均以一个为例。
可选的，所述基于三维模型的眼眶病筛查终端60中的处理器62会按照如图1所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器61中，并由处理器62来运行存储在第一存储器61中的应用程序，从而实现如图1所述基于三维模型的眼眶病筛查方法中的各种功能。
可选的，所述存储器61，可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备；所述处理器62，可能包括但不限于中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可选的，所述处理器62可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明还提供计算机可读存储介质，存储有计算机程序，所述计算机程序运行时实现如图1所示的基于三维模型的眼眶病筛查方法。所述计算机可读存储介质可包括，但不限于，软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。
综上所述，本发明基于三维模型的眼眶病筛查方法、系统以及终端，用于解决了现有技术中患者、表象正常及正常人都只能通过医生或医院的器械进行眼眶疾病的确认，不仅浪费医患时间和医疗资源，还会因患者忽视病情耽误治疗，进而影响健康的问题。本发明基于眼眶疾病的特征，通过将二维图像转化为三维人脸模型与构建的三维人脸形变模型进行特征匹配核对，从而达到对眼眶病进行初步筛查的目的，节省大量的医患交流时间和医疗资源，对患者进行准确的眼眶疾病筛查。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (5)

1.一种基于三维模型的眼眶病筛查系统，其特征在于，包括：
三维人脸模型构建模块，用于根据采集到的二维待检测图像，构建三维人脸模型，其中，所述二维待检测图像包括：患者的各眼眶病关键点的特征；
筛查模块，连接所述三维人脸模型构建模块，用于将所述三维人脸模型与由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型进行对比，获得用于判断所述患者是否患病和/患病类型的眼眶病筛查结果；
所述由各眼眶病关键点的患病特征以及正常特征构建的三维人脸形变模型的方式包括：采集多例分别包括各眼眶病关键点的患病特征的患病三维人脸形变扫描数据以及包括各眼眶病关键点的正常特征的正常三维人脸扫描数据；将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板，以获得与各所述患病人脸形变扫描数据对应的患病三维人脸模板以及与所述正常三维人脸扫描数据对应的正常三维人脸模板；基于所述患病三维人脸模板以及正常三维人脸模板，构建所述人脸形变模型；
所述三维人脸形变模型包括：全局人脸形变模型和/或各眼眶病筛选模型；其中，所述全局人脸形变模型，包括：由所述各眼眶病关键点的患病特征获得的用于判断所述三维人脸模型对应的患者为患病状态的患病全局判断模型以及由述各眼眶病关键点的正常特征获得的用于判断所述三维人脸模型对应的患者为正常状态的正常全局判断模型；所述各眼眶病筛选模型，包括：用于判断所述三维人脸模型对应的患者的患病类型的分别由各眼眶病关键点的患病特征获得的各眼眶类型判断模型，以及判断用于判断所述三维人脸模型对应的患者为正常状态的正常状态判断模型；
所述全局人脸形变模型的构建方式包括：基于所述各眼眶病关键点的患病特征以及各眼眶病关键点的正常特征，通过主成分分析来构建所述全局人脸形变模型。
2.根据权利要求1中所述的基于三维模型的眼眶病筛查系统，其特征在于，所述将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板的方式包括：
基于非刚性迭代最近点算法，将各例所述患病三维人脸形变扫描数据以及正常人脸扫描数据分别注册到三维人脸模板。
3.根据权利要求1中所述的基于三维模型的眼眶病筛查系统，其特征在于，所述根据采集到的二维待检测图像，构建三维人脸模型的方式包括：
基于所述三维映射算法，根据采集到的的包含包括患者的各眼眶病关键点的特征的二维待检测图像，构建与所述二维待检测图像相对应的具有患者的各眼眶病关键点的特征的三维人脸模型；
其中，所述三维映射算法与各眼眶关键点的位置相关。
4.根据权利要求1中所述的基于三维模型的眼眶病筛查系统，其特征在于，所述眼眶病的患病特征包括：甲状腺相关眼病特征、眼肌炎症特征、眼肌断裂/功能障碍特征、眼眶占位性病变特征、眼眶炎性病变特征、单纯型眼眶骨折特征、复合型眼眶骨折特征以及眶骨发育异常特征中的一种或多种。
5.根据权利要求1或4中所述的基于三维模型的眼眶病筛查系统，其特征在于，每个眼眶病关键点的患病特征包括一或多个可见子特征；其中，所述各可见子特征的类型包括：眼睑退缩、眼位异常、上睑下垂、结膜充血、眼睑内翻、眼睑外翻、眼球突出、眼球内陷、内外眦位置异常以及眶面部不对称中的一种或多种。
CN202010849415.1A 2020-08-21 2020-08-21 基于三维模型的眼眶病筛查方法、系统以及终端 Active CN112220450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010849415.1A CN112220450B (zh) 2020-08-21 2020-08-21 基于三维模型的眼眶病筛查方法、系统以及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010849415.1A CN112220450B (zh) 2020-08-21 2020-08-21 基于三维模型的眼眶病筛查方法、系统以及终端

Publications (2)

Publication Number Publication Date
CN112220450A CN112220450A (zh) 2021-01-15
CN112220450B true CN112220450B (zh) 2023-08-15

Family

ID=74115956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010849415.1A Active CN112220450B (zh) 2020-08-21 2020-08-21 基于三维模型的眼眶病筛查方法、系统以及终端

Country Status (1)

Country Link
CN (1) CN112220450B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004185386A (ja) * 2002-12-04 2004-07-02 Matsushita Electric Ind Co Ltd 画像照合装置
CN101908140A (zh) * 2010-07-29 2010-12-08 中山大学 一种在人脸识别中应用的活体检测方法
KR20170054837A (ko) * 2015-11-10 2017-05-18 상명대학교산학협력단 안면 미동 기반 심장 정보 추출 방법 및 시스템
CN107730519A (zh) * 2017-09-11 2018-02-23 广东技术师范学院 一种人脸二维图像到人脸三维重建的方法及系统
KR20180113392A (ko) * 2017-04-06 2018-10-16 한국 한의학 연구원 3차원 안면 진단 장치
CN110246158A (zh) * 2019-07-19 2019-09-17 上海交通大学医学院附属第九人民医院 眼疾检测装置、方法、电子终端、及存储介质
CN110390229A (zh) * 2018-04-20 2019-10-29 杭州海康威视数字技术股份有限公司 一种人脸图片筛选方法、装置、电子设备及存储介质
CN110399833A (zh) * 2019-07-25 2019-11-01 上海鹰瞳医疗科技有限公司 身份识别方法、建模方法及设备
CN110956068A (zh) * 2019-05-29 2020-04-03 初速度（苏州）科技有限公司 一种基于人眼状态识别的疲劳检测方法及装置
CN111462901A (zh) * 2020-03-26 2020-07-28 北京致远慧图科技有限公司 一种新生儿眼病筛查系统及方法
CN111553250A (zh) * 2020-04-25 2020-08-18 深圳德技创新实业有限公司 一种基于人脸特征点的精准面瘫程度评测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020136569A1 (en) * 2018-12-26 2020-07-02 Analytics For Life Inc. Method and system to characterize disease using parametric features of a volumetric object and machine learning

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004185386A (ja) * 2002-12-04 2004-07-02 Matsushita Electric Ind Co Ltd 画像照合装置
CN101908140A (zh) * 2010-07-29 2010-12-08 中山大学 一种在人脸识别中应用的活体检测方法
KR20170054837A (ko) * 2015-11-10 2017-05-18 상명대학교산학협력단 안면 미동 기반 심장 정보 추출 방법 및 시스템
KR20180113392A (ko) * 2017-04-06 2018-10-16 한국 한의학 연구원 3차원 안면 진단 장치
CN107730519A (zh) * 2017-09-11 2018-02-23 广东技术师范学院 一种人脸二维图像到人脸三维重建的方法及系统
CN110390229A (zh) * 2018-04-20 2019-10-29 杭州海康威视数字技术股份有限公司 一种人脸图片筛选方法、装置、电子设备及存储介质
CN110956068A (zh) * 2019-05-29 2020-04-03 初速度（苏州）科技有限公司 一种基于人眼状态识别的疲劳检测方法及装置
CN110246158A (zh) * 2019-07-19 2019-09-17 上海交通大学医学院附属第九人民医院 眼疾检测装置、方法、电子终端、及存储介质
CN110399833A (zh) * 2019-07-25 2019-11-01 上海鹰瞳医疗科技有限公司 身份识别方法、建模方法及设备
CN111462901A (zh) * 2020-03-26 2020-07-28 北京致远慧图科技有限公司 一种新生儿眼病筛查系统及方法
CN111553250A (zh) * 2020-04-25 2020-08-18 深圳德技创新实业有限公司 一种基于人脸特征点的精准面瘫程度评测方法及装置

Also Published As

Publication number Publication date
CN112220450A (zh) 2021-01-15

Similar Documents

Publication Publication Date Title
Lehmann et al. The IRMA code for unique classification of medical images
Liu et al. Deep learning in medical ultrasound analysis: a review
Zhang et al. Context-guided fully convolutional networks for joint craniomaxillofacial bone segmentation and landmark digitization
Guo et al. Improving cardiac MRI convolutional neural network segmentation on small training datasets and dataset shift: A continuous kernel cut approach
Oghli et al. Automatic fetal biometry prediction using a novel deep convolutional network architecture
Hamwood et al. A deep learning method for automatic segmentation of the bony orbit in MRI and CT images
CN106709920B (zh) 血管提取方法及其装置
Bandhyopadhyay et al. Segmentation of brain MRI image–a review
CN110838114B (zh) 肺结节检测方法、装置及计算机存储介质
Chinmayi et al. Survey of image processing techniques in medical image analysis: Challenges and methodologies
Pandey et al. A systematic review of the automatic kidney segmentation methods in abdominal images
Shalbaf et al. Automatic classification of left ventricular regional wall motion abnormalities in echocardiography images using nonrigid image registration
Savaashe et al. A review on cardiac image segmentation
Ma et al. Plaque recognition of carotid ultrasound images based on deep residual network
Metan et al. Cardiovascular MRI image analysis by using the bio inspired (sand piper optimized) fully deep convolutional network (Bio-FDCN) architecture for an automated detection of cardiac disorders
JP2021052999A (ja) 評価システム、評価方法、学習方法、学習済みモデル、プログラム
CN112220450B (zh) 基于三维模型的眼眶病筛查方法、系统以及终端
CN113361689A (zh) 超分辨率重建网络模型的训练方法和扫描图像处理方法
Kulasekara et al. Comparison of two-dimensional and three-dimensional U-Net architectures for segmentation of adipose tissue in cardiac magnetic resonance images
Cao et al. Boundary loss with non-euclidean distance constraint for ABUS mass segmentation
Hamdy et al. Densely convolutional networks for breast cancer classification with multi-modal image fusion
Xu et al. Automatic segmentation of orbital wall from CT images via a thin wall region supervision-based multi-scale feature search network
Alang et al. Implementation of circular Hough transform on MRI images for eye globe volume estimation
Sharif et al. A quick review on cardiac image segmentation
WO2020110520A1 (ja) 類似度決定装置、方法およびプログラム

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