CN114943707B - 基于像素级角膜生物力学参数的细微角膜形变识别方法及装置 - Google Patents

Abstract

本发明涉及一种基于像素级角膜生物力学参数的细微角膜形变识别方法及装置，包括以下步骤：步骤1、对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；步骤2、根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。本发明测量精度高且能够检测到局域性的细微力学变化。

Description

基于像素级角膜生物力学参数的细微角膜形变识别方法及 装置

技术领域

本发明属于细微角膜形变识别技术领域，涉及一种细微角膜形变识别方法及装置，尤其是一种基于像素级角膜生物力学参数的细微角膜形变识别方法及装置。

背景技术

目前，测量角膜生物力学的设备主要有两种，眼反应分析仪(ORA)和可视化角膜生物力学分析仪(Corvis ST)。

眼反应分析仪是利用空气脉冲动态双向压平角膜，光电信号记录角膜双向压平的时间点，测量两次压平时的压力P1、P2，得到反应角膜生物力学的角膜滞后量(CH)和角膜阻力因子(CRF)。

可视化角膜生物力学分析仪采用超高速Scheimpflug断层扫描技术，在8 mm水平范围以4330帧/s的速度扫描，在喷气脉冲作用下产生两次压平状态，31ms内采集140幅图像，获得角膜动态反应参数、波形图及动态角膜形变视频表征角膜生物力学。

但上述方法存在如下缺陷：目前两台商用设备所得的在体角膜生物力学参数，反应的是角膜整体的力学信息，测量精度不够，很难检测到局域性的细微力学变化。

经检索，未发现与本发明相同或相似的已公开的专利文献。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于像素级角膜生物力学参数的细微角膜形变识别方法及装置，测量精度高且能够检测到局域性的细微力学变化。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于像素级角膜生物力学参数的细微角膜形变识别方法，包括以下步骤：

步骤1、对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；

步骤2、根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。

而且，所述步骤1的具体方法为：对历史数据库中角膜受力产生形变的动态视频进行采集和分割，根据像素提取每个位置的角膜轮廓，然后拟合轮廓的曲线方程，根据像素点计算像素级数据。

而且，所述像素级数据包括：第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移和最薄点相对位移。

而且，所述步骤2的具体步骤包括：

(1)采样得到的T个含m个训练样本的采样集，构造如下基分类器：

假定基分类器i对x的预测标记

hi(x)∈{-1，+1}

而x的真实标记为

y＝f(x)∈{-1，+1}

基分类器的错误率为∈，即对每个基分类器hi，有：

P(hi(x)≠f(x))＝∈

通过投票法结合T个基分类器，若有超过半数的基分类器预测为+1，则集成分类就+1，即

若基分类器中预测1超过半数，则

若基分类器中预测-1超过半数，则

故最终集成分类器结果为：

假设基分类器的错误率独立，集成的错误率为：

即随着基分类器数目T不断增大，集成分类器的错误率将呈指数下降；由Hoeffding不等式，当δ>0,k＝(p-δ)n，

将集成错误率代入Hoeffding不等式时,

当

根据条件

整理δ,代入原不等式即可解出错误率，

(2)每一个采样集输入步骤1所述的像素级角膜生物力学参数，训练一个基学习器，再将这些基学习器进行结合，得到集成学习模型，然后将待测样本输入集成分类器，获得样本类别；

(3)对所有的待测样本，计算其样本类别，并判定角膜生物力学的局域性变化结果；

而且，所述步骤2的第(2)步的获得样本类别的具体方法为：

采用投票法，票数最多的类别作为样本类别，若出现两个类收到同样票数的情形，则随机选择一类作为该样本的最终类别。

而且，所述步骤2第(3)步的判定角膜生物力学的局域性变化结果的标准为：

①将每一类别和其他所有类别视为一个二分类的数据模型，计算真阳性率TPR和假阳性率FPR，分别将FPR和TPR定义为x和y轴,得到可视化的受试者工作特征ROC曲线；

其中，TPR表示在所有阳性样本中区分正确的能力，FPR表示在所有阴性样本中区分错误的能力；

②计算精准率、召回率及F1 Score评估三分类模型的性能：

精准率表示预测分类结果中被预测正确的数量占比，精准率＝TP/(TP+FP)；

召回率表示真实分类中被预测正确的数量占比，召回率＝TP/(TP+FN)；

F1 Score表示精准率和召回率的调和平均值，1/F1 Score＝1/2(1/精准率+1/ 召回率)；

其中，T:实际上预测正确；F:实际上预测错误；P:预测为正向；N:预测为负向；TP:判断为正向的正确率；FP:误报率，把负向判断为正向；FN:漏报率，把正向判断为负向。

一种基于像素级角膜生物力学参数的细微角膜形变识别装置，包括：

像素级数据计算模块，用于对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；

细微的角膜形变识别模块，用于根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。

本发明的优点和有益效果：

1、本发明提出一种基于像素级角膜生物力学参数的细微角膜形变识别方法，不同于以往获取角膜整体信息来评估整体力学的大致变化，只有在整体变化较明显时才能显现出来。本发明通过分析角膜受力产生形变的历史数据库中的视频，基于生物力学越弱的角膜会产生较大的角膜形变的理论，计算了14个像素级的角膜生物力学参数精准的评估局域性的细微的力学变化，识别细微的角膜形变，具有较高的预测精度和良好的一致性。

2、本发明通过分析历史数据库中动态角膜受力产生形变的视频，提取每个位置的像素角膜轮廓，计算新的像素级生物力学参数，可以检测局部的细微的力学变化，不同于以往所得在体角膜生物力学参数反映的是整个角膜的信息。

3、本发明采用集成分类器，鉴于机器学习算法有时被称为“黑匣子”，能够帮助避免选择偏差并且可以帮助改善检测生物力学特性变化，因此在同一数据集上评估几种机器学习算法并选择最佳算法可以提高准确性。

附图说明

图1是本发明的流程图；

图2是本发明的Bagging(集成分类器)结构图；

图3是本发明的受试者工作特征曲线图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种基于像素级角膜生物力学参数的细微角膜形变识别方法，如图1所示，包括以下步骤：

步骤1、对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；

所述步骤1的具体方法为：对历史数据库中角膜受力产生形变的动态视频进行采集和分割，根据像素提取每个位置的角膜轮廓，然后拟合轮廓的曲线方程，根据像素点计算像素级数据。

所述像素级角膜生物力学参数包括：第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移(1mm)、最薄点相对位移(2mm)

在本实施例中，所述步骤1的具体方法为：

对角膜受力产生形变的31.88ms的视频流数据每隔0.23ms采样一次，共获取139帧图像。对每帧图像进行轮廓提取，得到576*200个角膜轮廓像素点，拟合轮廓的曲线方程，根据像素点计算了14个新的像素级角膜生物力学参数，包括第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移(1mm)、最薄点相对位移(2mm)。

步骤2、根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。

如图2所示，所述步骤2的具体步骤包括：

(1)采样得到的T个含m个训练样本的采样集，构造如下基分类器：

假定基分类器i对x的预测标记

hi(x)∈{-1，+1}

而x的真实标记为

y＝f(x)∈{-1，+1}

基分类器的错误率为∈，即对每个基分类器hi，有：

P(hi(x)≠f(x))＝∈

通过投票法结合T个基分类器，若有超过半数的基分类器预测为+1，则集成分类就+1，即

若基分类器中预测1超过半数，则

若基分类器中预测-1超过半数，则

故最终集成分类器结果为：

假设基分类器的错误率独立，集成的错误率为：

即随着基分类器数目T不断增大，集成分类器的错误率将呈指数下降；由Hoeffding不等式，当δ>0,k＝(p-δ)n，

将集成错误率代入Hoeffding不等式时,

当

根据条件

整理δ,代入原不等式即可解出错误率，

(4)每一个采样集输入步骤1所述的像素级角膜生物力学参数，训练一个基学习器，再将这些基学习器进行结合，得到集成学习模型，然后将待测样本输入集成分类器，获得样本类别；

所述步骤2的第(2)步的获得样本类别的具体方法为：

采用投票法，票数最多的类别作为样本类别，若出现两个类收到同样票数的情形，则随机选择一类作为该样本的最终类别。

(5)对所有的待测样本，计算其样本类别，并判定角膜生物力学的局域性变化结果；

所述步骤2第(3)步的判定角膜生物力学的局域性变化结果的标准为：

①将每一类别和其他所有类别视为一个二分类的数据模型，如图3所示，计算真阳性率(TPR)和假阳性率(FPR)，分别将FPR和TPR定义为x和y轴,得到可视化的受试者工作特征(ROC)曲线曲线；

其中TPR表示在所有阳性样本中区分正确的能力，FPR表示在所有阴性样本中区分错误的能力。

②计算精准率、召回率及F1 Score评估三分类模型的性能：

精准率表示预测分类结果中被预测正确的数量占比，精准率＝TP/(TP+FP)；

召回率表示真实分类中被预测正确的数量占比，召回率＝TP/(TP+FN)；

F1 Score表示精准率和召回率的调和平均值，1/F1 Score＝1/2(1/精准率+1/ 召回率)；

其中，T:实际上预测正确；F:实际上预测错误；P:预测为正向；N:预测为负向；TP(True positive):判断为正向的正确率；FP(False positive):误报率，把负向判断为正向；FN(False negative):漏报率，把正向判断为负向。

一种基于像素级角膜生物力学参数的细微角膜形变识别装置，包括：

像素级数据计算模块，用于对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；

细微的角膜形变识别模块，用于根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变。

所述像素级数据计算模块，用于：

对历史数据库中角膜受力产生形变的动态视频进行采集和分割，根据像素提取每个位置的角膜轮廓，然后拟合轮廓的曲线方程，根据像素点计算像素级数据。

所述像素级角膜生物力学参数包括：第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移(1mm)、最薄点相对位移(2mm)。

在本实施例中，采用上述标准，统计待测样本(圆锥角膜KC:n＝200；早期圆锥角膜early KC:n＝154；正常角膜NC:n＝200)的分类结果，ROC曲线下面积：KC＝0.989；early KC＝0.963；NC＝0.973。训练集精准率达100.00％，验证集精准率为93.00％，召回率为92.79％,F1 Score为92.83％。

Table 1分类结果

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (5)

1.一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：包括以下步骤：

步骤1、对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；

步骤2、根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变；

所述步骤1的具体方法为：对历史数据库中角膜受力产生形变的动态视频进行采集和分割，根据像素提取每个位置的角膜轮廓，然后拟合轮廓的曲线方程，根据像素点计算像素级数据；

所述像素级数据包括：第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移和最薄点相对位移。

2.根据权利要求1所述的一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：所述步骤2的具体步骤包括：

(1)采样得到的T个含m个训练样本的采样集，构造如下基分类器：

假定基分类器i对x的预测标记

hi(x)∈{-1,+1}

而x的真实标记为

y＝f(x)∈{-1,+1}

基分类器的错误率为∈，即对每个基分类器hi，有：

P(hi(x)≠f(x))＝∈

通过投票法结合T个基分类器，若有超过半数的基分类器预测为+1，则集成分类就+1，即

若基分类器中预测1超过半数，则

若基分类器中预测-1超过半数，则

故最终集成分类器结果为：

假设基分类器的错误率独立，集成的错误率为：

即随着基分类器数目T不断增大，集成分类器的错误率将呈指数下降；由Hoeffding不等式，当δ>0，k＝(p-δ)n，

将集成错误率代入Hoeffding不等式时,

当δ＞0，

根据条件

整理δ，代入原不等式即可解出错误率，

(2)每一个采样集输入步骤1所述的像素级角膜生物力学参数，训练一个基学习器，再将这些基学习器进行结合，得到集成学习模型，然后将待测样本输入集成分类器，获得样本类别；

(3)对所有的待测样本，计算其样本类别，并判定角膜生物力学的局域性变化结果。

3.根据权利要求2所述的一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：所述步骤2的第(2)步的获得样本类别的具体方法为：

采用投票法，票数最多的类别作为样本类别，若出现两个类收到同样票数的情形，则随机选择一类作为该样本的最终类别。

4.根据权利要求3所述的一种基于像素级角膜生物力学参数的细微角膜形变识别方法，其特征在于：所述步骤2第(3)步的判定角膜生物力学的局域性变化结果的标准为：

①将每一类别和其他所有类别视为一个二分类的数据模型，计算真阳性率TPR和假阳性率FPR，分别将FPR和TPR定义为x和y轴，得到可视化的受试者工作特征ROC曲线；

其中，TPR表示在所有阳性样本中区分正确的能力，FPR表示在所有阴性样本中区分错误的能力；

②计算精准率、召回率及F1 Score评估三分类模型的性能：

精准率表示预测分类结果中被预测正确的数量占比，精准率＝TP/(TP+FP)；

召回率表示真实分类中被预测正确的数量占比，召回率＝TP/(TP+FN)；

F1 Score表示精准率和召回率的调和平均值，1/F1 Score＝1/2(1/精准率+1/召回率)；

其中，T:实际上预测正确；F:实际上预测错误；P:预测为正向；N:预测为负向；TP:判断为正向的正确率；FP:误报率，把负向判断为正向；FN:漏报率，把正向判断为负向。

5.一种基于像素级角膜生物力学参数的细微角膜形变识别装置，其特征在于：包括：

像素级数据计算模块，用于对历史数据库中的角膜受力形变的动态视频进行采样和分析，计算像素级数据；

细微的角膜形变识别模块，用于根据采样结果构造集成分类器，检测角膜生物力学的局域性变化，进而识别细微的角膜形变；

所述像素级数据计算模块用于：对历史数据库中角膜受力产生形变的动态视频进行采集和分割，根据像素提取每个位置的角膜轮廓，然后拟合轮廓的曲线方程，根据像素点计算像素级数据；

所述像素级数据包括：第一压平全轮廓长度变化、第二压平全轮廓长度变化、最大压陷全轮廓长度变化、第一压平时间、第二压平时间、最大压陷时间、最薄点第一压平深度、最薄点第二压平深度、最薄点最大压陷深度、第一压平长度、第二压平长度、峰距、最薄点相对位移和最薄点相对位移。

Images