CN115281603B - 一种不同时期青光眼视功能障碍的智能验证方法 - Google Patents
一种不同时期青光眼视功能障碍的智能验证方法 Download PDFInfo
- Publication number
- CN115281603B CN115281603B CN202211222019.1A CN202211222019A CN115281603B CN 115281603 B CN115281603 B CN 115281603B CN 202211222019 A CN202211222019 A CN 202211222019A CN 115281603 B CN115281603 B CN 115281603B
- Authority
- CN
- China
- Prior art keywords
- obstacle
- sub
- index
- image layer
- image
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 89
- 208000010412 Glaucoma Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000000007 visual effect Effects 0.000 title claims abstract description 9
- 230000004064 dysfunction Effects 0.000 title claims abstract description 8
- 210000001747 pupil Anatomy 0.000 claims abstract description 36
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 28
- 230000004888 barrier function Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000002224 dissection Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 210000003994 retinal ganglion cell Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 206010061323 Optic neuropathy Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006907 apoptotic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 208000020911 optic nerve disease Diseases 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
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
- A61B3/0016—Operational features thereof
- A61B3/0025—Operational features thereof characterised by electronic signal processing, e.g. eye models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种不同时期青光眼视功能障碍的智能验证方法，包括：获取目标瞳孔的动态影像并进行影像预分析，确定瞳孔动态变化障碍时期；从切割数据库中调取与障碍时期匹配的预设拆割方式；按照预设拆割方式对瞳孔影像进行预拆割，构建每个预拆割影像的子影像层，得到总影像层；对每个子影像层进行第一验证，同时，对总影像层进行第二验证；基于第一验证结果以及第二验证结果，判定青光眼视功能障碍程度。通过确定障碍时期的拆割方式对影像进行预拆割，构建子影像层以及总影像层，且通过双重验证，便于精准得到青光眼视功能障碍程度，为提供有效的治疗方案提供合理基础。
Description
技术领域
本发明涉及智能验证技术领域，特别涉及一种不同时期青光眼视功能障碍的智能验证方法。
背景技术
青光眼是全球第一位不可逆性致盲眼病，它是以进行性视网膜神经节细胞凋亡以及视敏感度降低为主要特征的视神经病变。随着发病率的增加，青光眼所造成的影响也在日渐扩大。早期诊断、早期治疗可以有效防控病情的发展，预防失明。青光眼早期出现视网膜神经节细胞的损害，通过临床观察到双眼存在不对称性的特点。
且在对青光眼检测的过程中，一般是通过确定瞳孔对光的反应能力，来对瞳孔进行一个总的分析，来确定障碍程度，该方法在一定程度上并不能保证所确定的障碍程度的精准性。
因此，本发明提出一种不同时期青光眼障碍的智能验证方法。
发明内容
本发明提供一种不同时期青光眼障碍的智能验证方法，用以通过确定障碍时期的拆割方式对影像进行预拆割，构建子影像层以及总影像层，且通过双重验证，便于精准得到青光眼障碍程度，为提供有效的治疗方案提供合理基础。
本发明提供一种不同时期青光眼障碍的智能验证方法，包括：
步骤1：对目标瞳孔的动态瞳孔影像进行影像预分析，确定障碍时期；
步骤2：从切割数据库中调取与所述障碍时期匹配的预设拆割方式；
步骤3：按照预设拆割方式对所述瞳孔影像进行预拆割，构建每个预拆割影像的子影像层，得到总影像层；
步骤4：对每个子影像层进行第一验证，同时，对所述总影像层进行第二验证；
步骤5：基于第一验证结果以及第二验证结果，判定青光眼视功能障碍程度。
优选的，按照预设拆割方式对所述瞳孔影像进行预拆割，包括：
从所述瞳孔影像中筛选最具代表性的帧图像；
按照所述预设拆割方式，确定拆割点，并在所述帧图像上设置与拆割点一一对应的匹配点；
同时，按照所述预设拆割方式的切割规则，对所述匹配点进行点连线，得到切割线条，并按照所述切割线条对所述帧图像进行切割，得到对应的预拆割影像。
优选的，构建每个预拆割影像的子影像层，得到总影像层，包括：
提取每个预拆割影像的像素信息，并对所述像素信息进行同像素范围提取，并将每个提取结果作为一个子布局；
基于所有子布局构建得到子影像层；
获取相邻子影像层之间的连接线，并对所述连接线上线位置集合，分别向所述线位置集合中的每个位置坐标设置相邻像素组合；
基于所述相邻像素组合，确定对应位置坐标的过渡像素，进而获取得到所述连接线的线像素阵列；
根据所述线像素阵列，对像素进行归一化处理，得到标准像素；
按照所述标准像素对所述连接线进行像素填充，进而构建得到总影像层。
优选的，对每个子影像层进行第一验证，包括：
分别获取所述子影像层中每个位置点的影像参数，构建参数集合；
将所述参数集合与标准集合进行比较，确定障碍参数；
获取标准瞳孔中与子影像层处于同切割块的障碍设置条件所匹配的障碍解析机制；
基于所述障碍解析机制，对所述障碍参数进行定位解析，并对障碍定位结果基于对应子影像层进行层区域匹配；
获取同个子影像层中每个层区域的障碍向量；
按照青光眼发生规律，对所述障碍向量进行边界构建得到初始范围；
根据所述障碍向量中每个元素的位置坐标，并按照范围优化原则，对所述初始范围进行范围优化，得到障碍范围；
确定所述障碍范围基于对应层区域的面积占比以及对应层区域的区域权重；
根据所述面积占比以及区域权重，确定对应障碍范围的范围权重；
；
其中，表示对应障碍范围的范围权重；/>表示对应层区域的区域权重；/>表示对应的初始范围；/>表示对应障碍范围；/>表示对应层区域的区域范围；
根据所有范围权重，获取得到对应子影像层的总障碍权重；
；
其中，表示对应子影像层中第i1个范围权重；/>示除去第i1个范围权重的剩余权重对该第i1个范围权重的权重微调因子，取值范围为[-0.01，0.01]；/>表示总障碍权重；
调取对应子影像层的最小障碍权重，并对所述总障碍权重进行第一验证，若验证通过，判定将对应子影像层不作为障碍参考标准；
否则，判定将对应子影像层作为障碍参考标准。
优选的，对所述总影像层进行第二验证，包括：
获取所述总影像层的指标集合；
提取所述总影像层的指标集合，并确定每个第一指标的指标参数；
将所述指标参数分别与所述第一指标对应的标准参数进行比较；
若都通过，判定对所述总影像层第二验证合格；
否则，提取验证合格的第二指标以及提取验证不合格的第三指标。
优选的，基于第一验证结果以及第二验证结果，判定青光眼障碍程度，包括：
根据所述第一验证结果，确定所有子影像层中作为障碍参考标准的第一子影像层以及不作为障碍参考的第二子影像层；
根据所述第二验证结果，确定验证合格的第二指标以及验证不合格的第三指标；
建立所述第二指标与第一子影像层的第一相似关系以及所述第三指标与第二子影像层的第二相似关系；
当所述第一相似关系以及第二相似关系都满足相似标准时，根据第三指标对青光眼障碍程度进行确定；
当都不满足相似标准时，建立所述第二指标与第二子影像层的第三相似关系以及所述第三指标与第一子影像层的第四相似关系；
基于所述第一相似关系、第三相似关系进行相似提取，得到第一待判定指标，同时，基于所述第二相似关系、第四相似关系进行相似提取，得到第二待判定指标；
基于所述第一待判定指标以及第二待判定指标对青光眼障碍程度进行确定。
优选的，根据第三指标对青光眼障碍程度进行确定，包括：
；
其中，表示第三指标的个数；/>表示第j2个第三指标的指标值；/>表示第j2个第三指标的标准值；/>表示对第j2个第三指标的指标值的转换系数；/>表示第j2个第三指标的指标权重；其中，/>；/>表示障碍值；
调取与所述障碍时期所匹配的障碍程度列表，并将所述障碍值与所述障碍程度列表进行匹配，确定青光眼障碍程度。
与现有技术相比，本申请的有益效果如下：
通过确定障碍时期的拆割方式对影像进行预拆割，构建子影像层以及总影像层，且通过双重验证，便于精准得到青光眼障碍程度，为提供有效的治疗方案提供合理基础。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种不同时期青光眼障碍的智能验证方法的流程图；
图2为本发明实施例中的影像拆割的流程图。
实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明提供一种不同时期青光眼障碍的智能验证方法，如图1所示，包括：
步骤1：对目标瞳孔的动态瞳孔影像进行影像预分析，确定障碍时期；
步骤2：从切割数据库中调取与所述障碍时期匹配的预设拆割方式；
步骤3：按照预设拆割方式对所述瞳孔影像进行预拆割，构建每个预拆割影像的子影像层，得到总影像层；
步骤4：对每个子影像层进行第一验证，同时，对所述总影像层进行第二验证；
步骤5：基于第一验证结果以及第二验证结果，判定青光眼障碍程度。
该实施例中，影像预分析只是初步确定下障碍时期，进而后续再进行精准程度确定。
该实施例中，切割数据库中包括不同的切割方式以及与每个切割方式匹配的障碍时期有关，比如切割方式1对应障碍时期1，切割方式2对应障碍时期2。
该实施例中，按照匹配的方式对瞳孔影像进行拆分，得到不同的拆分子块，也就是根据该子块上不同的像素构成子影像层。
该实施例中，第一验证以及第二验证是为了对影像进行一个双重保证的验证。
在对影像进行拆割的过程中，如图2所示，具体如下：
1）完整瞳孔的出现可作为启动外界光刺激的触发点，通过程序控制闪光，可实现自动图像采集。
2）确定完整瞳孔的存在，可通过积分投影等简单的直方图操作迅速对瞳孔位置进行粗定位，为下一步的精确瞳孔形状分割提供初始化。
自动瞳孔轮廓分割。这一步骤的目标是自动获取图像中瞳孔的完整轮廓。拟采用若干控制点（landmark）对瞳孔形状进行描述，基于编码器-解码器（Encoder-Decoder）网络架构，通过机器学习，自动获取图像中精确的瞳孔轮廓。
使用控制点对瞳孔轮廓进行建模的优势在于，控制点不仅数量固定，点之间的顺序关系也得到了保持，因此瞳孔的动态变化可直接通过同一个控制点在图像中的位置变化（图像坐标差）直接获取。
上述技术方案的有益效果是：通过确定障碍时期的拆割方式对影像进行预拆割，构建子影像层以及总影像层，且通过双重验证，便于精准得到青光眼障碍程度，为提供有效的治疗方案提供合理基础。
本发明提供一种不同时期青光眼障碍的智能验证方法，按照预设拆割方式对所述瞳孔影像进行预拆割，包括：
从所述瞳孔影像中筛选最具代表性的帧图像；
按照所述预设拆割方式，确定拆割点，并在所述帧图像上设置与拆割点一一对应的匹配点；
同时，按照所述预设拆割方式的切割规则，对所述匹配点进行点连线，得到切割线条，并按照所述切割线条对所述帧图像进行切割，得到对应的预拆割影像。
该实施例中，切割电与匹配点是一一对应的。
该实施例中，预设拆割方式的切割规则，比如，一个图像存在四个匹配点，上顶点、下顶点、左顶点和右顶点，此时，构建上顶点与下顶点的切割线条，构建左顶点与右顶点的切割线条，来对图像进行切割，得到四个部分影像，且每部分都可以构建一个子映像层。
上述技术方案的有益效果是：通过筛选图像，保证图像信息的完整性且通过进行切割规则的切割，实现对图像的合理切割，为后续确定子影像层提供基础。
本发明提供一种不同时期青光眼障碍的智能验证方法，构建每个预拆割影像的子影像层，得到总影像层，包括：
提取每个预拆割影像的像素信息，并对所述像素信息进行同像素范围提取，并将每个提取结果作为一个子布局；
基于所有子布局构建得到子影像层；
获取相邻子影像层之间的连接线，并对所述连接线上线位置集合，分别向所述线位置集合中的每个位置坐标设置相邻像素组合；
基于所述相邻像素组合，确定对应位置坐标的过渡像素，进而获取得到所述连接线的线像素阵列；
根据所述线像素阵列，对像素进行归一化处理，得到标准像素；
按照所述标准像素对所述连接线进行像素填充，进而构建得到总影像层。
该实施例中，比如，存在4种像素信息，且分别对每种像素信息构建一个子布局，也就是该种像素信息中每个像素点的位置信息所构成的。
该实施例中，比如存在子布局1、2，因此，可以构成子影像层。
该实施例中，比如，子影像层1与子影像层2是相邻的，且包含的连接线有无数个像素点，且通过获取该线上每个像素点相邻的像素组合，取该像素组合中像素累加和的一般作为过渡像素。
该实施例中，线像素阵列就是由若干个过渡像素构成的，且归一化处理主要是为了对连接线的像素进行作为合理的统一，来得到总影像层。
上述技术方案的有益效果是：通过确定像素信息，得到子布局进而构建得到子影像层，且通过对连接线上的像素进行计算以及归一化，便于实现对连接线像素的有效填充，为后续验证提供基础，便于精准得到青光眼障碍程度，为提供有效的治疗方案提供合理基础。
本发明提供一种不同时期青光眼障碍的智能验证方法，对每个子影像层进行第一验证，包括：
分别获取所述子影像层中每个位置点的影像参数，构建参数集合；
将所述参数集合与标准集合进行比较，确定障碍参数；
获取标准瞳孔中与子影像层处于同切割块的障碍设置条件所匹配的障碍解析机制；
基于所述障碍解析机制，对所述障碍参数进行定位解析，并对障碍定位结果基于对应子影像层进行层区域匹配；
获取同个子影像层中每个层区域的障碍向量；
按照青光眼发生规律，对所述障碍向量进行边界构建得到初始范围；
根据所述障碍向量中每个元素的位置坐标，并按照范围优化原则，对所述初始范围进行范围优化，得到障碍范围；
确定所述障碍范围基于对应层区域的面积占比以及对应层区域的区域权重；
根据所述面积占比以及区域权重，确定对应障碍范围的范围权重；
；
其中，表示对应障碍范围的范围权重；/>表示对应层区域的区域权重；/>表示对应的初始范围；/>表示对应障碍范围；/>表示对应层区域的区域范围；
根据所有范围权重，获取得到对应子影像层的总障碍权重；
；
其中，表示对应子影像层中第i1个范围权重；/>表示除去第i1个范围权重的剩余权重对该第i1个范围权重的权重微调因子，取值范围为[-0.01，0.01]；/>表示总障碍权重；
调取对应子影像层的最小障碍权重，并对所述总障碍权重进行第一验证，若验证通过，判定将对应子影像层不作为障碍参考标准；
否则，判定将对应子影像层作为障碍参考标准。
该实施例中，影像参数指的是像素点参数，来构建得到该子影像层的参数集合，且由于青光眼与正常眼是不一样的，因此通过两个集合的比较，来确定障碍参数，也就是不一致的像素参数。
该实施例中，比如标准瞳孔分为左上、左下、右上、右下四部分，且此时，同切割块对应的左上，此时，就获取与左上可能存在障碍所匹配的障碍解析机制，主要是为了对应子影像层上存在的障碍进行分析。
该实施例中，障碍参数定位解析，主要是为了确定不一致像素参数的位置。
该实施例中，层区域匹配，比如，对应的子影像层存在层区域1、层区域2，此时，确定对应障碍定位在哪个区域，实现匹配。
该实施例中，不同层区域所存在的障碍定位结果以及障碍参数可以构建得到障碍向量。
该实施例中，青光眼发生规律指的是瞳孔率先出现青光眼情况并后续及逆行扩散的一个情况。
该实施例中，初始范围指的是青光眼的出现范围。
该实施例中，范围优化原则指的是对初始范围进行优化的一个情况，比如是某个位置点范围的调整等，进而得到障碍范围。
该实施例中，S1与S的比值就是面积占比，且不同的层的障碍范围对应的面积占比是不一样的。
该实施例中，最小障碍权重是作为该障碍时期出现时所对应的障碍对应的权重，进而是为最小障碍权重。
上述技术方案的有益效果是：通过进行集合比较以及配置障碍解析机制，便于进行定位，进行得到初始范围，且通过按照范围优化原则对初始范围进行优化，得到合理的范围，为后续计算提供基础，且通过计算范围权重以及总障碍权重，便于按照最小障碍权重实现对总障碍权重的验证，为是否作为障碍参考提供有效基础。
本发明提供一种不同时期青光眼障碍的智能验证方法，对所述总影像层进行第二验证，包括：
获取所述总影像层的指标集合；
提取所述总影像层的指标集合，并确定每个第一指标的指标参数；
将所述指标参数分别与所述第一指标对应的标准参数进行比较；
若都通过，判定对所述总影像层第二验证合格；
否则，提取验证合格的第二指标以及提取验证不合格的第三指标。
该实施例中，指标集合，比如是包括指标1、2、3在内，提取之后，包括指标1、2，且每个指标都是为第一指标，将指标1、2的参数与标准参数比较，如果都在预设差值范围内，视为都通过，判定验证合格，否则，提取合格的与不合规的指标。
上述技术方案的有益效果是：通过获取指标集合以及指标提取，在进行后续的参数比较，可以对总影像层进行有效合格验证。
本发明提供一种不同时期青光眼障碍的智能验证方法，基于第一验证结果以及第二验证结果，判定青光眼障碍程度，包括：
根据所述第一验证结果，确定所有子影像层中作为障碍参考标准的第一子影像层以及不作为障碍参考的第二子影像层；
根据所述第二验证结果，确定验证合格的第二指标以及验证不合格的第三指标；
建立所述第二指标与第一子影像层的第一相似关系以及所述第三指标与第二子影像层的第二相似关系；
当所述第一相似关系以及第二相似关系都满足相似标准时，根据第三指标对青光眼障碍程度进行确定；
当都不满足相似标准时，建立所述第二指标与第二子影像层的第三相似关系以及所述第三指标与第一子影像层的第四相似关系；
基于所述第一相似关系、第三相似关系进行相似提取，得到第一待判定指标，同时，基于所述第二相似关系、第四相似关系进行相似提取，得到第二待判定指标；
基于所述第一待判定指标以及第二待判定指标对青光眼障碍程度进行确定。
该实施例中，从子影像层以及总影像层两个方面实现双重验证，主要是为了对青光眼障碍的精准确定。
比如：子影像层1中存在全部的第二指标，此时第一相似关系也就是相似度为1，越相似对应的相似关系越紧密。
该实施例中，相似标准一般相似度在0.8。
该实施例中，比如，第一子影像层存在指标1、2，第二指标为1、2，此时判定第一相似关系满足相似标准。
该实施例中，比如，第一子影像层存在指标1、2，第二指标为1、2、3、4，此时第一相似关系不满足相似标准，来获取第二指标与第二子影像层存在的指标3、4的相似关系，进而进行相似提取，保证双重验证下，指标的可靠性。
上述技术方案的有益效果是：通过按照第一验证结果以及第二验证结果，并分别进行不同相似关系的建立，便于获取合理的指标，实现对障碍程度的确定，为提供有效的治疗方案提供合理基础。
本发明提供一种不同时期青光眼障碍的智能验证方法，根据第三指标对青光眼障碍程度进行确定，包括：
；
其中，表示第三指标的个数；/>表示第j2个第三指标的指标值；/>表示第j2个第三指标的标准值；/>表示对第j2个第三指标的指标值的转换系数；/>表示第j2个第三指标的指标权重；其中，/>；/>表示障碍值；
调取与所述障碍时期所匹配的障碍程度列表，并将所述障碍值与所述障碍程度列表进行匹配，确定青光眼障碍程度。
该实施例中，障碍程度列表是预先设置好的，且根据障碍时期只是获取一个障碍表，进而才根据障碍值，来确定匹配的障碍程度。
上述技术方案的有益效果是：通过按照不同的指标值、指标权重以及指标转换系数，来计算得到对应的障碍值，进而根据与列表的匹配，来得到障碍程度。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (3)
1.一种不同时期青光眼障碍的智能验证方法，其特征在于，包括：
步骤1：对目标瞳孔的动态瞳孔影像进行影像预分析，确定障碍时期；
步骤2：从切割数据库中调取与所述障碍时期匹配的预设拆割方式；
步骤3：按照预设拆割方式对所述瞳孔影像进行预拆割，构建每个预拆割影像的子影像层，得到总影像层；
步骤4：对每个子影像层进行第一验证，同时，对所述总影像层进行第二验证；
步骤5：基于第一验证结果以及第二验证结果，判定青光眼障碍程度；
其中，构建每个预拆割影像的子影像层，得到总影像层，包括：
提取每个预拆割影像的像素信息，并对所述像素信息进行同像素范围提取，并将每个提取结果作为一个子布局；
基于所有子布局构建得到子影像层；
获取相邻子影像层之间的连接线，并对所述连接线上线位置集合，分别向所述线位置集合中的每个位置坐标设置相邻像素组合；
基于所述相邻像素组合，确定对应位置坐标的过渡像素，进而获取得到所述连接线的线像素阵列；
根据所述线像素阵列，对像素进行归一化处理，得到标准像素；
按照所述标准像素对所述连接线进行像素填充，进而构建得到总影像层；
其中，对每个子影像层进行第一验证，包括：
分别获取所述子影像层中每个位置点的影像参数，构建参数集合；
将所述参数集合与标准集合进行比较，确定障碍参数；
获取标准瞳孔中与子影像层处于同切割块的障碍设置条件所匹配的障碍解析机制；
基于所述障碍解析机制，对所述障碍参数进行定位解析，并对障碍定位结果基于对应子影像层进行层区域匹配；
获取同个子影像层中每个层区域的障碍向量；
按照青光眼发生规律，对所述障碍向量进行边界构建得到初始范围；
根据所述障碍向量中每个元素的位置坐标，并按照范围优化原则，对所述初始范围进行范围优化，得到障碍范围；
确定所述障碍范围基于对应层区域的面积占比以及对应层区域的区域权重；
根据所述面积占比以及区域权重，确定对应障碍范围的范围权重；
；
其中，表示对应障碍范围的范围权重；/>表示对应层区域的区域权重；/>表示对应的初始范围；/>表示对应障碍范围；/>表示对应层区域的区域范围；
根据所有范围权重，获取得到对应子影像层的总障碍权重；
；
其中，表示对应子影像层中第i1个范围权重；/>表示除去第i1个范围权重的剩余权重对该第i1个范围权重的权重微调因子，取值范围为[-0.01，0.01]；/>表示总障碍权重；
调取对应子影像层的最小障碍权重，并对所述总障碍权重进行第一验证，若验证通过，判定将对应子影像层不作为障碍参考标准；
否则，判定将对应子影像层作为障碍参考标准；
其中，基于第一验证结果以及第二验证结果，判定青光眼障碍程度，包括：
根据所述第一验证结果，确定所有子影像层中作为障碍参考标准的第一子影像层以及不作为障碍参考的第二子影像层；
根据所述第二验证结果，确定验证合格的第二指标以及验证不合格的第三指标；
建立所述第二指标与第一子影像层的第一相似关系以及所述第三指标与第二子影像层的第二相似关系；
当所述第一相似关系以及第二相似关系都满足相似标准时，根据第三指标对青光眼障碍程度进行确定；
当都不满足相似标准时，建立所述第二指标与第二子影像层的第三相似关系以及所述第三指标与第一子影像层的第四相似关系；
基于所述第一相似关系、第三相似关系进行相似提取，得到第一待判定指标，同时，基于所述第二相似关系、第四相似关系进行相似提取，得到第二待判定指标；
基于所述第一待判定指标以及第二待判定指标对青光眼障碍程度进行确定；
其中，根据第三指标对青光眼障碍程度进行确定，包括：
；
其中，表示第三指标的个数；/>表示第j2个第三指标的指标值；/>表示第j2个第三指标的标准值；/>表示对第j2个第三指标的指标值的转换系数；/>表示第j2个第三指标的指标权重；其中，/>；/>表示障碍值；
调取与所述障碍时期所匹配的障碍程度列表，并将所述障碍值与所述障碍程度列表进行匹配，确定青光眼视功能障碍程度。
2.如权利要求1所述的不同时期青光眼障碍的智能验证方法，其特征在于，按照预设拆割方式对所述瞳孔影像进行预拆割，包括：
从所述瞳孔影像中筛选最具代表性的帧图像；
按照所述预设拆割方式，确定拆割点，并在所述帧图像上设置与拆割点一一对应的匹配点；
同时，按照所述预设拆割方式的切割规则，对所述匹配点进行点连线，得到切割线条，并按照所述切割线条对所述帧图像进行切割，得到对应的预拆割影像。
3.如权利要求1所述的不同时期青光眼障碍的智能验证方法，其特征在于，对所述总影像层进行第二验证，包括：
获取所述总影像层的指标集合；
提取所述总影像层的指标集合，并确定每个第一指标的指标参数；
将所述指标参数分别与所述第一指标对应的标准参数进行比较；
若都通过，判定对所述总影像层第二验证合格；
否则，提取验证合格的第二指标以及提取验证不合格的第三指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211222019.1A CN115281603B (zh) | 2022-10-08 | 2022-10-08 | 一种不同时期青光眼视功能障碍的智能验证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211222019.1A CN115281603B (zh) | 2022-10-08 | 2022-10-08 | 一种不同时期青光眼视功能障碍的智能验证方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115281603A CN115281603A (zh) | 2022-11-04 |
| CN115281603B true CN115281603B (zh) | 2023-08-04 |
Family
ID=83833543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211222019.1A Active CN115281603B (zh) | 2022-10-08 | 2022-10-08 | 一种不同时期青光眼视功能障碍的智能验证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115281603B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015199354A1 (ko) * | 2014-06-24 | 2015-12-30 | 주식회사 이리언스 | 인접 합산 이진화를 이용한 동공 추출 방법 및 이를 이용한 동공 추출 제어장치 |
| CN108451495A (zh) * | 2017-02-17 | 2018-08-28 | 匹克赛显示器株式会社 | 用于决定视力信息的用户设备、服务器及存储于计算机可读存储媒体的程序 |
| KR20190110666A (ko) * | 2018-03-21 | 2019-10-01 | 가톨릭대학교 산학협력단 | 녹내장 진단을 위한 영상 분석 방법 및 장치 |
| CN110490083A (zh) * | 2019-07-23 | 2019-11-22 | 苏州国科视清医疗科技有限公司 | 一种基于快速人眼语义分割网络的瞳孔精确检测方法 |
| CN114010148A (zh) * | 2021-12-01 | 2022-02-08 | 艾视雅健康科技(苏州)有限公司 | 一种早期青光眼诊断装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4915737B2 (ja) * | 2007-03-13 | 2012-04-11 | 興和株式会社 | 画像解析システム、及び画像解析プログラム |
| US11080850B2 (en) * | 2018-01-16 | 2021-08-03 | Electronics And Telecommunications Research Institute | Glaucoma diagnosis method using fundus image and apparatus for the same |
| KR20210000021A (ko) * | 2019-06-24 | 2021-01-04 | 삼성에스디에스 주식회사 | 녹내장 진단 장치 |
-
2022
- 2022-10-08 CN CN202211222019.1A patent/CN115281603B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015199354A1 (ko) * | 2014-06-24 | 2015-12-30 | 주식회사 이리언스 | 인접 합산 이진화를 이용한 동공 추출 방법 및 이를 이용한 동공 추출 제어장치 |
| CN108451495A (zh) * | 2017-02-17 | 2018-08-28 | 匹克赛显示器株式会社 | 用于决定视力信息的用户设备、服务器及存储于计算机可读存储媒体的程序 |
| KR20190110666A (ko) * | 2018-03-21 | 2019-10-01 | 가톨릭대학교 산학협력단 | 녹내장 진단을 위한 영상 분석 방법 및 장치 |
| CN110490083A (zh) * | 2019-07-23 | 2019-11-22 | 苏州国科视清医疗科技有限公司 | 一种基于快速人眼语义分割网络的瞳孔精确检测方法 |
| CN114010148A (zh) * | 2021-12-01 | 2022-02-08 | 艾视雅健康科技(苏州)有限公司 | 一种早期青光眼诊断装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115281603A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619632B (zh) | 一种基于Mask R-CNN的芒果实例对抗分割方法 | |
| CN111814741B (zh) | 一种基于注意力机制的遮挡胚胎原核及卵裂球检测方法 | |
| CN108615071B (zh) | 模型测试的方法及装置 | |
| CN109662686B (zh) | 一种眼底黄斑定位方法、装置、系统及存储介质 | |
| KR101876397B1 (ko) | 작물의 병해충 진단 장치 및 방법 | |
| CN110287932A (zh) | 基于深度学习图像语义分割的道路阻断信息提取 | |
| CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
| CN110047073A (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
| CN110264444A (zh) | 基于弱分割的损伤检测方法及装置 | |
| JP2020119547A (ja) | 多重カメラまたはサラウンドビューモニタリングに利用されるために、ターゲット物体統合ネットワーク及びターゲット物体予測ネットワークを利用して、重要業績評価指標のようなユーザー要求事項に適用可能なｃｎｎ基盤の物体検出器を学習する方法及び学習装置、並びにこれを利用したテスティング方法及びテスティング装置 | |
| CN110910377B (zh) | 一种基于神经网络的脑梗死mri图像识别方法 | |
| CN113920400A (zh) | 一种基于改进YOLOv3的金属表面缺陷检测方法 | |
| CN109697441A (zh) | 一种目标检测方法、装置及计算机设备 | |
| CN110599480A (zh) | 多源输入的眼底图像分类方法和设备 | |
| CN111507967A (zh) | 一种自然果园场景下的芒果高精度检测方法 | |
| CN112819821A (zh) | 一种细胞核图像检测方法 | |
| CN113033401A (zh) | 一种面向生态保护红线的人类活动变化识别监管方法 | |
| CN107871133A (zh) | 边缘检测网络的优化方法、路面病害的识别方法及系统 | |
| CN112733581A (zh) | 车辆属性识别方法及系统 | |
| CN110288574A (zh) | 一种超声辅助诊断肝肿块系统及方法 | |
| CN110738132A (zh) | 一种具备判别性感知能力的目标检测质量盲评价方法 | |
| CN115281603B (zh) | 一种不同时期青光眼视功能障碍的智能验证方法 | |
| CN117173568A (zh) | 目标检测模型训练方法和目标检测方法 | |
| CN116468702A (zh) | 黄褐斑评估方法、装置、电子设备及计算机可读存储介质 | |
| CN109815152A (zh) | 程序崩溃类型预测方法及系统 |
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 |