CN113240657B - 一种基于医疗大数据的眼睑炎图像处理及预警系统 - Google Patents

一种基于医疗大数据的眼睑炎图像处理及预警系统 Download PDF

Info

Publication number
CN113240657B
CN113240657B CN202110569825.5A CN202110569825A CN113240657B CN 113240657 B CN113240657 B CN 113240657B CN 202110569825 A CN202110569825 A CN 202110569825A CN 113240657 B CN113240657 B CN 113240657B
Authority
CN
China
Prior art keywords
hue
region
color
eyelid
edge
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
CN202110569825.5A
Other languages
English (en)
Other versions
CN113240657A (zh
Inventor
冯锐
杨希明
杨凤学
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.)
Zhengzhou Xinyihua Information Technology Co ltd
Original Assignee
Zhengzhou Xinyihua Information Technology Co ltd
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 Zhengzhou Xinyihua Information Technology Co ltd filed Critical Zhengzhou Xinyihua Information Technology Co ltd
Priority to CN202110569825.5A priority Critical patent/CN113240657B/zh
Publication of CN113240657A publication Critical patent/CN113240657A/zh
Application granted granted Critical
Publication of CN113240657B publication Critical patent/CN113240657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及大数据、人工智能和医疗健康技术领域，具体涉及一种基于医疗大数据的眼睑炎图像处理及预警系统。该系统包括：图像采集模块采集患者眼部RGB图像；眼睑板区域获取模块获取眼部RGB图像的眼睑板区域；睑板腺开口区域获取模块通过颜色区域提取眼睑板区域中的睑板腺开口区域；颜色特征提取模块提取眼睑板区域的颜色特征，并根据颜色特征在睑板腺开口区域的分布构建颜色特征矩阵；患病程度分析模块将颜色特征矩阵通过训练好的神经网络进行分析，输出患病程度。本发明通过对眼部RGB图像的划分提取，获得特征信息丰富的颜色特征矩阵，使得患病程度评估更具有参考意义。

Description

一种基于医疗大数据的眼睑炎图像处理及预警系统
技术领域
本发明涉及大数据、人工智能和医疗健康技术领域，具体涉及一种基于医疗大数据的眼睑炎图像处理及预警系统。
背景技术
眼睑炎通常是由脂溢性皮炎或细菌感染所致。眼睑炎可分为前眼睑炎及后眼睑炎。前眼睑炎可能是因为病菌感染或是睑板腺脂漏性发炎反应所引起，最常导致眼睑发炎的病菌是金黄色葡萄球菌。患者的症状包括灼热感、刺激感、眼睛痒、异物感，以及眼睑边缘有分泌物而结成硬痂。后眼睑炎主要是眼睑睑板腺失能所造成，起因于眼部受到长期的刺激，导致眼睑睑板腺渐进性角质化，使得分泌到眼表面的油脂层减少，而增加眼睑发炎的机会。临床上患者的症状包括眼睛红、灼热感、异物感及视线朦胧，检查可见眼睑睑板腺开口紧缩甚至堵塞，睑板腺因发炎结疤导致往后位移，有时也合并眼睑前部的脂漏性发炎。
眼睑板是上下眼睑睫毛生长区域和眼球之间的结缔组织区域，其上分布众多睑板腺的开口区域，医生在诊断某些眼部疾病时一般都会观察眼睑板进行疾病诊断，例如通过观察眼睑板上的睑板腺开口和眼睑板的肿胀以及颜色分布来等特征诊断眼睑炎疾病。
目前检测眼睑炎疾病时主要依靠专业的医师进行检测诊断，医生通过翻开患者的上眼睑或下眼睑，通过观察眼睑板的生理情况来确定患病情况，并给出治疗方法。目前检测眼睑炎可能会用到一些专业的设备来通过检测眼部的内部组织或器官来检测患病程度，但是这种检测方法依赖高昂的设备和和操作或负载的诊断流程，目前没有一种简单快速易上手的眼睑炎预诊系统，用来初步诊断疾病并简化后续的诊断流程。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于医疗大数据的眼睑炎图像处理及预警系统，所采用的技术方案具体如下：
本发明提出了一种基于医疗大数据的眼睑炎图像处理及预警系统，所述系统包括：
图像采集模块，用于采集眼部的RGB图像；
眼睑板区域获取模块，用于对所述RGB图像边缘提取，获得眼睑板边缘和睫毛边缘，以所述眼睑板边缘和所述睫毛边缘之间的区域图像作为眼睑板区域；所述眼睑板边缘为眼睑板与眼球交接的边缘；
睑板腺开口区域获取模块，用于提取所述眼睑板区域内的颜色特征，获得睑板腺开口颜色区域和异常颜色区域；将所述睑板腺开口颜色区域和所述异常颜色区域填充，获得睑板腺开口连通域；根据所述睑板腺开口连通域中心坐标构建第一抛物线；去除所述第一抛物线离散的所述连通域中心坐标，剩下的所述连通域中心坐标对应的睑板腺开口连通域为睑板腺开口区域；
颜色特征提取模块，用于提取所述眼睑板区域的颜色特征，根据所述颜色特征在所述睑板腺开口区域的分布构建颜色特征矩阵；所述颜色特征矩阵包括位置信息、色相信息、饱和度信息、色相差异特征和局部饱和度差异特征；所述色相信息包括色相值和色相类别区域；所述饱和度信息包括所述色相类别区域内的第一饱和度和所述第一饱和度的方差；
患病程度分析模块，用于通过预先训练好的神经网络对所述颜色特征矩阵进行分析，输出患病程度。
进一步地，所述眼睑板区域获取模块还包括眼睑板边缘获取模块；
所述眼睑板边缘获取模块用于对所述RGB图像的亮度图进行边缘检测，保留最长的边缘作为所述眼睑板边缘。
进一步地，所述眼睑板区域获取模块还包括睫毛边缘获取模块；
所述睫毛边缘获取模块用于通过亮度阈值对所述RGB图像的亮度图像进行二值化处理，获得第一睫毛连通域；将所述第一睫毛连通域之间的间隙填充，通过凸包检测算法获得凸包轮廓构成的第二睫毛连通域；提取所述第二睫毛连通域的边缘获得所述睫毛边缘，所述睫毛边缘与所述眼睑板边缘相距最近且方向基本一致。
进一步地，所述眼睑板开口区域获取模块还包括第一抛物线调整模块；
所述第一抛物线调整模块用于使所述第一抛物线上的像素坐标与所述眼睑板边缘上的像素坐标主成分方向一致。
进一步地，所述颜色特征提取模块还包括色相信息提取模块；
所述色相信息提取模块用于获得所述眼睑板区域的色相通道图像；对所述色相通道图像像素值进行聚类获得多个所述色相类别区域；所述色相类别区域的像素灰度平均值作为所述色相值。
进一步地，所述颜色特征提取模块还包括色相值处理模块；
所述色相值处理模块用于获取的所述色相值后将所述色相值通过指数函数处理后输出新的所述色相值。
进一步地，所述颜色特征提取模块还包括差异特征获取模块；
所述差异特征获取模块用于对所述眼睑板区域图像的饱和度通道图像像素进行聚类操作获得第一饱和度类别区域；以所述色相类别区域内的所述第一饱和度类别区域作为第二饱和度类别区域并获得对应的第二饱和度；以每个所述色相类别区域之间的所述色相值差异平均值作为所述色相差异特征；以每个所述第二饱和度类别区域之间的所述第二饱和度差异平均值作为饱和度差异特征；以所述色相类别区域内的最大所述饱和度差异特征作为所述局部饱和度差异特征。
进一步地，所述颜色特征提取模块还包括颜色特征矩阵调整模块；
所述颜色特征矩阵调整模块用于对患者的历史数据中所述颜色特征矩阵的行列数进行聚类获得多个行列类别；将所述行列类别的均值向上取整，获得标准行列数；根据所述标准行列数所述颜色特征矩阵的大小。
进一步地，所述颜色特征提取模块还包括颜色特征分布获取模块；
所述颜色特征分布获取模块用于以所述色相类别区域的中心坐标信息与所述睑板腺开口区域的中心坐标信息的差值作为所述位置信息。
进一步地，所述颜色特征矩阵调整模块还包括增加行列数模块和减小行列数模块；
所述增加行列数模块用于当患者的所述颜色特征矩阵行列数较小时，将所述位置信息差值的二次范数最大的两行或两列之间利用线性插值算法将行列数不断增加至所述标准行列数；
所述减小行列数模块用于当患者的所述颜色特征矩阵行列数较大时，将所述位置信息差值二次范数最小的相邻两行或者两列的对应元素求元素均值并以所述元素均值作为所述元素融合后的元素值。
本发明具有如下有益效果：
1.本发明实施例通过分析眼睑板的颜色特征，获取颜色特征矩阵。该颜色特征矩阵能够反映颜色的分布特征和颜色的差异特征，确保最终获取的患病程度准确。
2.本发明实施例综合考虑颜色色相的分布和颜色饱和度的分布，将邻域之间的差异程度特征引入，增加了颜色特征矩阵的表达能力。
3.本发明实施例通过图像处理技术对获得的RGB图像进行处理，精准的划分眼睑板区域和睑板腺开口区域，能够在后续检测和诊断流程中提供准确的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。
图1为本发明一个实施例所提供的一种基于医疗大数据的眼睑炎图像处理及预警系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于医疗大数据的眼睑炎图像处理及预警系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于医疗大数据的眼睑炎图像处理及预警系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的眼睑板颜色特征的眼睑炎预诊系框图，所述系统包括：图像采集模块101、眼睑板区域获取模块102、颜色特征提取模块103和患病程度分析模块104。
当患者患有眼睑炎时，患者眼睑板的生理颜色情况会发生变化，不同程度的眼睑炎其颜色变化也不同。眼睑炎患者的眼睑板一般会有异常颜色分布，这种异常颜色主要由睑板腺开口阻塞、眼睑板出现红肿或肿块、溃疡发炎等现象引起。异常颜色的出现可以使局部区域的颜色出现较大差异，例如原本红润的颜色变成红白相间状态；局部溃疡红肿使颜色变成血红色；睑板腺开口区域阻塞导致澄清的油脂变浑浊等。在本发明实施例中以上眼睑作为检测对象进行实施，下眼睑检测方法与其类似。
图像采集模块101使用高清的RGB面阵相机采集眼部的RGB图像。当采集图像时，需要医护人员轻轻翻开患者眼皮，利用光照强度适当的光源照亮眼睑板使眼睑板和睑板腺开口区域暴露在相机视角下。
眼睑板区域获取模块102用于对RGB图像边缘提取，获得眼睑板边缘和睫毛边缘，以眼睑板边缘和睫毛边缘之间的区域图像作为眼睑板区域图像。
眼睑板边缘获取模块102还包括眼睑板边缘获取模块。眼睑板边缘获取模块对RGB图像的亮度图像进行边缘检测，获得亮度图像中所有的边缘。这些边缘不仅包括眼睑板与眼球交接的边缘，还包括睫毛的边缘，以及眼球上的血管边缘等。在一般情况下，最长的边缘一定是眼睑板与眼球交接的边缘，因此保留最长的边缘作为眼睑板边缘。
眼睑板区域获取模块102还包括睫毛边缘获取模块。当翻开患者眼皮后采集的图像不仅包含眼睑板区域和眼球区域，还包括睫毛根部的生长区域，睫毛的根部区域在RGB图像上呈现黑色，因此睫毛边缘获取模块通过阈值分割的方法获得RGB图像中睫毛的区域。睫毛边缘获取模块通过预设的亮度阈值对RGB图像的亮度图像进行二值化处理，获得第一睫毛连通域。第一睫毛连通域中睫毛表现是相互交叉的，所以第一睫毛连通域内有很多间隙。使用闭运算将第一睫毛连通域内的间隙填充，然后对填充后的连通域使用凸包检测算法获得连通域的凸包轮廓，该凸包轮廓围成的连通域作为最终的第二睫毛连通域。提取第二睫毛连通域的边缘，以与眼睑板边缘相距最近且方向基本一致的边缘作为睫毛边缘。
在本发明实施例中，考虑到睫毛区域在亮度图上灰度值很小，一般小于0.3，因此以0.3作为亮度阈值，小于0.3的像素区域像素值为1，反之则为0。
睑板腺开口区域获取模块103提取眼睑板区域内的颜色特征，眼睑板的大部分颜色是偏向红色的，而非红色的颜色在蓝色通道上的特征较为明显。因此不论是正常的睑板腺开口还是被阻塞的睑板腺开口在蓝色通道上的特征都更为明显。在蓝色通道图像上做伽马矫正，使灰度值较低的像素灰度值变得更低，灰度值较高的像素灰度值变得更高，以此增加蓝色通道图像的对比度。
对蓝色通道图像进行边缘提取，获得的边缘不仅包括睑板腺开口边缘，还包括异常颜色区域的边缘。正常的睑板腺开口是呈现澄清油脂的暗黄色，其他异常颜色都与暗黄色有较大区别。但是当睑板腺开口阻塞时，开口处的油脂变浑浊，甚至颜色发白，最终和其他异常颜色一致，无法使用颜色筛选出睑板腺开口。因此睑板腺开口区域获取模块103利用以下方法提取睑板腺开口区域：
1)对蓝色通道图像获取的边缘填充闭合，获得睑板腺开口连通域。因为有多个边缘，因此也有多个睑板腺开口连通域，获取睑板腺开口连通域的中心坐标。
2)因为睑板腺开口近似分布在一个抛物线上，因此构建一个含待定参数的第一抛物线模型y＝a(x+b)2，x、y为一个二维坐标点的横纵坐标，a、b、c为3个待定系数。
3)根据睑板腺开口连通域中心坐标使用RANSAC拟合方法拟合出第一抛物线。去除
第一抛物线离散的连通域中心坐标，剩下的中心坐标对应的睑板腺开口连通域为睑板腺开口区域。在本发明实施例中规定，若睑板腺开口连通域中心坐标距离第一抛物线大于两倍的睑板腺开口连通域的最大宽度，则认定为该点为离散点。
优选的，眼睑板开口区域获取模块103还包括第一抛物线调整模块。第一抛物线调整模块用于使第一抛物线上的像素坐标与眼睑板边缘上的像素坐标主成分方向一致。因为睑板腺开口是沿着眼睑板边缘逐个分布的，因此睑板腺开口区域所在的曲线应该与眼睑板边缘所在的曲线近似平行。通过第一抛物线调整模块对第一抛物线的调整可以使眼睑板开口区域获取模块103获得较为准确的眼睑板开口区域。
眼睑板的颜色分布能够体现出睑板腺开口的阻塞情况，或者红肿溃疡以及结痂炎症等情况，这些情况不仅能反应病情的严重程度，还能反应患者疾病的种类，因此可以通过患者眼部图像的颜色特征进行分析完成预诊工作。
颜色特征提取模块104用于提取睑板腺开口区域的颜色特征，构建颜色特征矩阵。颜色特征矩阵包括色相信息、饱和度信息、色相差异特征和局部饱和度差异特征。色相信息包括色相值、色相类别区域。饱和度信息包括色相类别区域内的第一饱和度和第一饱和度的方差。
颜色特征提取模块104还包括色相信息提取模块。色相信息提取模块获得眼睑板区域的色相通道图像并对色相通道像素值归一化处理，色相通道图像反应的是眼睑板的颜色种类。不同种类的颜色在色相通道图像中灰度值也不同。例如血红色和浅红色的皮肤黏膜的色相不同，又如阻塞的睑板腺开口区域色相也会有变化。如果患者眼睑板的色相通道图像上的颜色种类越多，说明患者眼睑板颜色差异越大，患病越严重。
色相信息提取模块使用聚类分析的方法对色相通道图像上的像素值进行处理，具体方法为：
1)对色相通道图像进行两次高斯金字塔下采样。下采样的有益效果是一方面减少计算量，另一方面能消除一些噪声颜色的干扰，使得聚类操作的结果更为准确。
2)在下采样后的图像中，将相邻像素的灰度值之差小于0.1的像素归为一类，最终图像上会聚集成多个类别，每个类别都是一些像素坐标，这些像素坐标构成一个连通域，每个连通域表征的是一种颜色。
3)将上述代表每个类别的连通域高斯上采样两次，上采样后的每个连通域都对应RGB图像上的一种颜色区域。
经过聚类分析后，色相通道图像被分割成多个类别，每个类别都是一个连通域，将这些类别称为色相类别区域，如果获得的色相类别区域越多，色相类别区域对应的灰度值差异越大，说明眼睑板颜色越异常，眼睑炎患病程度越大。
设最终获得M个色相类别区域，第i个色相类别区域用Ni表示。获取每个色相类别区域连通域内的像素灰度平均值作为色相值hi。
优选的，为了更好的表示局部色相的变化，更加完备的描述颜色的分布特征，颜色特征提取模块104还包括色相值处理模块。色相值处理模块用于将色相值通过指数函数重新映射。经过指数函数的映射后可以将色相之间差异微小的变化进行放大，更好的体现出颜色间的差异。
具有相同色相的眼睑板区域，如果饱和度不同的话，说明该区域的眼睑板也可能存在病变，如果相同色相的区域饱和度差距大，那么病变程度也越大。
在获得色相类别区域后，获取眼睑板区域的饱和度通道图像。以色相类别区域连通域作为遮罩，获取该遮罩对应的饱和度通道图像上的像素灰度值的平均值作为第一饱和度，获取第一饱和度的方差。
为了进一步使颜色特征矩阵表达的信息更丰富，更能体现眼睑板颜色的异常分布，在颜色特征矩阵中引入色相差异特征和局部饱和度差异特征。
颜色特征获取模块104还包括差异特征获取模块。差异特征获取模块对饱和度通道图像像素进行聚类操作，聚类方法与色相聚类方法一致，最终获得多个第一饱和度类别区域。以色相类别区域内的第一饱和度类别区域作为第二饱和度类别区域Si,j，并获得对应的第二饱和度。Si,j表示第i个色相类别区域内对应的第j个第一饱和度类别。
为了获得色相类别区域之间的差异性，差异特征获取模块获取每个色相类别区域之间差异量平均值作为色相差异特征，用公式表示为：
其中，ΔNi为第i个色相类别区域的色相差异特征，M为色相类别区域总数，hj为第j个色相类别区域的色相值，hi为第i个色相类别区域的色相值。
同理获得饱和度差异特征ΔKi,j，ΔKi,j表示第二饱和度类别区域Si,j所具有的饱和度差异性特征。以所述色相类别区域内的最大饱和度差异特征作为局部饱和度差异特征ΔKi ′。
局部饱和度差异特征表示在一个色相类别区域中的不同饱和度区域引起的异常颜色。体现了患者眼睑板局部的颜色变化情况，在一个色相类别区域中，可能会发生某一种病变，导致该色相类别区域的饱和度引起变化，因此这种饱和度变化引起的差异特征可以反应局部病变。在颜色特征矩阵中引入局部饱和度差异特征可以使颜色特征矩阵表述的特征更加丰富准确。
因为睑板腺开口区域的信息对病情诊断具有重要的参考意义，因此需要获取颜色特征是如何沿着睑板腺开口区域分布的。颜色特征提取模块104还包括颜色特征分布模块。
颜色特征分布获取模块用于以色相类别区域中心坐标信息与睑板腺开口区域中心坐标信息的差值作为位置信息，位置信息表示色相类别区域与睑板腺开口位置的相关关系。该分布关系能体现距离睑板腺不同位置的黏膜皮肤的病变程度，对疾病严重程度和疾病类型的判断具有重要作用。
因为不同人的眼睑板获得的类别个数不同，睑板腺开口个数也不同，所以不同患者获得的颜色特征矩阵的大小也不同。为了保证后续预诊的准确性，需要将颜色特征矩阵大小保持在固定大小。
颜色特征提取模块104还包括颜色特征矩阵调整模块。颜色特征矩阵调整模块根据患者历史数据中的颜色特征矩阵创建一个集合，该集合的每一个元素代表一个矩阵的行列数。对该集合利用均值飘逸算法进行密度聚类，获取最终的聚类结果为多个行列类别。将行列类别内元素的均值向上取整，获得标准行列数。当颜色特征提取模块获得患者的颜色特征矩阵后，颜色特征矩阵调整模块根据标准行列数对该颜色特征矩阵行列数进行调整。
优选的，颜色特征矩阵调整模块还包括增加行列数模块和减小行列数模块。
增加行列数模块用于当待调整的颜色特征矩阵行列数较小时，获取该矩阵所有相邻行或列之间的位置信息差值。将位置信息差值二次范数最大的两行或两列之间利用线性差值算法插入一行或一列，接着重复此操作，直到该矩阵的行列数与标准行列数一致。
减小行列数模块用于当待调整的颜色特征矩阵行列数较大时，以位置信息差值二次范数最小的相邻两行或者两列的对应元素求均值，以元素均值作为融合后的元素值，完成两行或两列的融合。不断重复融合操作，直到该矩阵的行列数与标准行列数一致。
经过调整后即可获得一个固定大小的颜色特征矩阵。该颜色特征矩阵为[Δphi sivi,ΔNi，ΔKi,j ′]。其中，Δp为位置信息，hi为第i个色相类别区域的色相值，si第i个色相类别区域的第一饱和度，vi为第i个色相类别区域的第一饱和度的方差，ΔNi为第i个色相类别区域的色相差异特征，ΔKi ′为第i个色相类别区域局部饱和度差异特征。
患病程度分析模块105用于通过预先训练好的神经网络对颜色特征矩阵进行分析。该神经网络采用编码-全连接结构，以一个编码器连接一个全连接层构成，网络输出为患病程度。神经网络训练数据通过患者的大数据系统中的历史数据获得，每个历史数据都表示一个颜色特征矩阵。通过输出的患病程度对患者的患病情况做出预警。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (9)

1.一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述系统包括：
图像采集模块，用于采集翻开眼皮后的眼部的RGB图像；
眼睑板区域获取模块，用于对所述RGB图像边缘提取，获得眼睑板边缘和睫毛边缘，以所述眼睑板边缘和所述睫毛边缘之间的区域图像作为眼睑板区域；所述眼睑板边缘为眼睑板与眼球交接的边缘；
睑板腺开口区域获取模块，用于提取所述眼睑板区域内的颜色特征，获得睑板腺开口颜色区域和异常颜色区域；将所述睑板腺开口颜色区域和所述异常颜色区域填充，获得睑板腺开口连通域；根据所述睑板腺开口连通域中心坐标构建第一抛物线；去除所述第一抛物线离散的所述连通域中心坐标，剩下的所述连通域中心坐标对应的睑板腺开口连通域为睑板腺开口区域；
颜色特征提取模块，用于提取所述眼睑板区域的颜色特征，根据所述颜色特征在所述睑板腺开口区域的分布构建颜色特征矩阵；所述颜色特征矩阵包括位置信息、色相信息、饱和度信息、色相差异特征和局部饱和度差异特征；所述色相信息包括色相值和色相类别区域；所述饱和度信息包括所述色相类别区域内的第一饱和度和所述第一饱和度的方差；
患病程度分析模块，用于通过预先训练好的神经网络对所述颜色特征矩阵进行分析，输出患病程度；
所述颜色特征提取模块还包括色相信息提取模块；
所述色相信息提取模块用于获得所述眼睑板区域的色相通道图像；对所述色相通道图像像素值进行聚类获得多个所述色相类别区域；所述色相类别区域的像素灰度平均值作为所述色相值。
2.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述眼睑板区域获取模块还包括眼睑板边缘获取模块；
所述眼睑板边缘获取模块用于对所述RGB图像的亮度图进行边缘检测，保留最长的边缘作为所述眼睑板边缘。
3.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述眼睑板区域获取模块还包括睫毛边缘获取模块；
所述睫毛边缘获取模块用于通过亮度阈值对所述RGB图像的亮度图像进行二值化处理，获得第一睫毛连通域；将所述第一睫毛连通域之间的间隙填充，通过凸包检测算法获得凸包轮廓构成的第二睫毛连通域；提取所述第二睫毛连通域的边缘获得所述睫毛边缘，所述睫毛边缘与所述眼睑板边缘相距最近且方向基本一致。
4.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述眼睑板开口区域获取模块还包括第一抛物线调整模块；
所述第一抛物线调整模块用于使所述第一抛物线上的像素坐标与所述眼睑板边缘上的像素坐标主成分方向一致。
5.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述颜色特征提取模块还包括色相值处理模块；
所述色相值处理模块用于获取的所述色相值后将所述色相值通过指数函数处理后输出新的所述色相值。
6.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述颜色特征提取模块还包括差异特征获取模块；
所述差异特征获取模块用于对所述眼睑板区域图像的饱和度通道图像像素进行聚类操作获得第一饱和度类别区域；以所述色相类别区域内的所述第一饱和度类别区域作为第二饱和度类别区域并获得对应的第二饱和度；以每个所述色相类别区域之间的所述色相值差异平均值作为所述色相差异特征；以每个所述第二饱和度类别区域之间的所述第二饱和度差异平均值作为饱和度差异特征；以所述色相类别区域内的最大所述饱和度差异特征作为所述局部饱和度差异特征。
7.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述颜色特征提取模块还包括颜色特征矩阵调整模块；
所述颜色特征矩阵调整模块用于对患者的历史数据中所述颜色特征矩阵的行列数进行聚类获得多个行列类别；将所述行列类别的均值向上取整，获得标准行列数；根据所述标准行列数所述颜色特征矩阵的大小。
8.根据权利要求1所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述颜色特征提取模块还包括颜色特征分布获取模块；
所述颜色特征分布获取模块用于以所述色相类别区域的中心坐标信息与所述睑板腺开口区域的中心坐标信息的差值作为所述位置信息。
9.根据权利要求7所述的一种基于医疗大数据的眼睑炎图像处理及预警系统，其特征在于，所述颜色特征矩阵调整模块还包括增加行列数模块和减小行列数模块；
所述增加行列数模块用于当患者的所述颜色特征矩阵行列数较小时，将所述位置信息差值的二次范数最大的两行或两列之间利用线性插值算法将行列数不断增加至所述标准行列数；
所述减小行列数模块用于当患者的所述颜色特征矩阵行列数较大时，将所述位置信息差值二次范数最小的相邻两行或者两列的对应元素求元素均值并以所述元素均值作为所述元素融合后的元素值。
CN202110569825.5A 2021-05-25 2021-05-25 一种基于医疗大数据的眼睑炎图像处理及预警系统 Active CN113240657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110569825.5A CN113240657B (zh) 2021-05-25 2021-05-25 一种基于医疗大数据的眼睑炎图像处理及预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110569825.5A CN113240657B (zh) 2021-05-25 2021-05-25 一种基于医疗大数据的眼睑炎图像处理及预警系统

Publications (2)

Publication Number Publication Date
CN113240657A CN113240657A (zh) 2021-08-10
CN113240657B true CN113240657B (zh) 2023-12-22

Family

ID=77138589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110569825.5A Active CN113240657B (zh) 2021-05-25 2021-05-25 一种基于医疗大数据的眼睑炎图像处理及预警系统

Country Status (1)

Country Link
CN (1) CN113240657B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113160167B (zh) * 2021-04-16 2022-01-14 深圳市铱硙医疗科技有限公司 通过深度学习网络模型进行医学影像数据提取工作方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102985948A (zh) * 2010-07-14 2013-03-20 爱信精机株式会社 眼睑检测装置以及程序
CN103919532A (zh) * 2014-04-24 2014-07-16 厦门大学 一种多光谱睑板腺检测分析装置
CN106530294A (zh) * 2016-11-04 2017-03-22 中山大学中山眼科中心 一种对睑板腺图像进行处理以获得腺体参数的信息的方法
CN110335266A (zh) * 2019-07-04 2019-10-15 五邑大学 一种智能中医目诊图像处理方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102985948A (zh) * 2010-07-14 2013-03-20 爱信精机株式会社 眼睑检测装置以及程序
CN103919532A (zh) * 2014-04-24 2014-07-16 厦门大学 一种多光谱睑板腺检测分析装置
CN106530294A (zh) * 2016-11-04 2017-03-22 中山大学中山眼科中心 一种对睑板腺图像进行处理以获得腺体参数的信息的方法
CN110335266A (zh) * 2019-07-04 2019-10-15 五邑大学 一种智能中医目诊图像处理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Image‑based quantitative analysis of tear film lipid layer thickness for meibomian gland evaluation";Hyeonha Hwang et al.;《BioMedical Engineering》;全文 *
"红外线照相技术联合活体共聚焦显微镜对轻度睑板腺功能障碍 患者早期诊断价值的研究";熊超等;《眼科新进展》;第41卷(第1期);全文 *

Also Published As

Publication number Publication date
CN113240657A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN106408564A (zh) 一种基于深度学习的眼底图像处理方法、装置及系统
CN110459304A (zh) 一种基于面部图像的健康状态诊断系统
CN110448267A (zh) 一种多模眼底动态成像分析系统及其方法
CN106846293A (zh) 图像处理方法和装置
Nayak et al. Automatic identification of diabetic maculopathy stages using fundus images
CN105590323A (zh) 一种基于眼科裂隙灯照相的滤过泡表面的血管化程度的检测方法
CN113240657B (zh) 一种基于医疗大数据的眼睑炎图像处理及预警系统
Apostolopoulos et al. Simultaneous classification and segmentation of cysts in retinal OCT
Bhadra et al. Automated detection of eye diseases
CN112435281B (zh) 一种基于对抗学习的多光谱眼底图像分析方法及系统
Zardadi et al. Unsupervised segmentation of retinal blood vessels using the human visual system line detection model
Santos-Villalobos et al. Statistical characterization and segmentation of drusen in fundus images
CN111815617A (zh) 一种基于高光谱的眼底图像检测方法
Gu et al. Automatic Tongue Image Segmentation Based on Thresholding and an Improved Level Set Model
Gandhimathi et al. Detection of neovascularization in proliferative diabetic retinopathy fundus images.
AU2020100868A4 (en) Automatic diabetic retinopathy detection and estimation from multispectral images using machine learning algorithms
CN113808057A (zh) 基于无监督学习的内窥镜图像增强方法
KR20050050061A (ko) 망진을 위한 얼굴내 특징 요소 추출
CN108309229B (zh) 一种针对眼底图像视网膜血管的层次结构划分方法
Listyalina et al. Detection of optic disc centre point in retinal image
CN108230287B (zh) 一种眼前节图像的晶体区域的检测方法及装置
Derakhshani et al. A comparative analysis of wavelets for vascular similarity measurement
CN112734787B (zh) 基于图像分解的眼科sd-oct高反射点分割方法及实现系统
Aloudat et al. Determination for Glaucoma disease based on red area percentage
Abdel-Hamid Retinal image analysis using image processing techniques

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20231126

Address after: No. 31-32, 19th Floor, Unit 1, Longzihu Central Plaza, No. 197 Ping'an Avenue, Zhengdong New District, Zhengzhou City, Henan Province, 450000

Applicant after: Zhengzhou Xinyihua Information Technology Co.,Ltd.

Address before: 450000 No. 5, Zone C, floor 8, building 2, No. 85, Jinshui East Road, Zhengzhou area (Zhengdong), pilot Free Trade Zone, Zhengzhou City, Henan Province

Applicant before: Henan Zhongquan Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant