CN115760806A - 一种裂隙灯图像质量检测方法 - Google Patents

Abstract

本发明公开了一种裂隙灯图像质量检测方法。该方法采用图像质量过滤器对实时拍摄的弥散光图像进行图像质量检测，当检测为不合格时，通过实时指导反馈系统对所述弥散光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导；当所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足裂隙光图像和红反光图像的拍摄条件；若满足则进行裂隙光图像拍摄和红反光图像拍摄，若不满足则结束拍摄并输出拍摄结果；通过所述实时指导反馈系统对不合格的裂隙光图像和红反光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导。本发明技术方案提高了对临床裂隙灯图像的采集质量和效率。

Description

一种裂隙灯图像质量检测方法

技术领域

本发明涉及图像质量检测技术领域，具体涉及一种裂隙灯图像质量检测方法。

背景技术

裂隙灯是眼科临床中最常用的光学仪器，应用于白内障、角膜病变、翼状胬肉等眼前节疾病的诊断中。以年龄相关性白内障为例，该病是老年人致盲及视力障碍的最主要眼病，60岁以上约50％有不同程度白内障，70岁以上有95％有白内障。这些眼前节疾病若能早期发现并及时干预，可有效改善疾病进程，提高患者生活质量，减轻社会疾病负担。因此，基于裂隙灯眼前节图像的人群筛查在眼前节疾病管理中至关重要。

然而，裂隙光拍摄在实际拍摄过程中有时因失焦、曝光不合适、受检者移动等原因导致眼前节成像质量不佳，使医生难以进行解读。此时往往需要患者重新排队检查并返回到检查医生分析，造成人力、物力的浪费。

裂隙光拍摄过程中还存在以下问题：

(1)裂隙灯图像质量是否影响到图片的解读，需要专业的眼科医生才能进行准确的判断。有的图像虽然模糊范围较大，但不影响对病变的观察，应视为质量可接受的图片；有的图像虽然模糊范围很小，但却恰好遮挡了眼前节的重要结构，需判定为质量不佳的图片。非眼前节病专业的医生难以进行正确判断。

(2)裂隙灯图像质量影响医生对疾病判断过程。当裂隙灯图像质量不佳时，医生难以进行准确评估，需要重新拍摄。

(3)裂隙灯图像的拍摄一般由专业技术人员完成，针对不同图像质量问题如何进行后续调整需要长时间的经验积累。裂隙灯图像拍摄过程中发生失焦、曝光不合适、受检者移动等问题均可导致眼前节成像不佳，但其所对应的调整方法并不相同。并且，若受检者眼前段发生屈光间质浑浊，则需要转诊眼科医生。当拍摄人员经验不足时，拍出质量合格的裂隙灯图像往往要耗费较长时间。

发明内容

为了克服上述现有裂隙灯图像拍摄存在的不足，本发明提供一种裂隙灯图像质量检测方法，提高了对临床裂隙灯图像的采集质量和效率。

本发明一实施例提供一种裂隙灯图像质量检测方法，包括以下步骤：

采用图像质量过滤器对实时拍摄的弥散光图像进行图像质量检测，当检测为不合格时，通过实时指导反馈系统对所述弥散光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导；

当所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足裂隙光图像的拍摄条件；若满足则进行裂隙光图像拍摄，若不满足则结束拍摄并输出拍摄结果；

当检测所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足红反光图像的拍摄条件；若满足则进行红反光图像拍摄，若不满足则结束拍摄并输出拍摄结果；

采用图像质量过滤器对拍摄的所述裂隙光图像和红反光图像进行图像质量检测，当检测为不合格时，通过所述实时指导反馈系统对所述裂隙光图像和红反光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导。

进一步的，所述图像质量分析包括图像亮度分析、图像完整度分析和图像清晰度分析。

进一步的，检测所述弥散光图像是否满足裂隙光图像的拍摄条件，具体包括：检测所述弥散光图像的瞳孔区是否遮挡，若否则进行裂隙光图像拍摄。

进一步的，检测所述弥散光图像是否满足红反光图像的拍摄条件，具体包括：检测所述弥散光图像的瞳孔区是否遮挡，以及检测所述弥散光图像的散瞳是否合格；若所述弥散光图像的瞳孔区无遮挡且所述弥散光图像的散瞳合格，则进行红反光图像拍摄。

进一步的，所述实时指导反馈系统检测到重新拍摄次数超过3次，则停止拍摄，并提示拍摄结果仅供参考。

进一步的，所述操作指导具体包括：亮度不合格，请调节背景光亮度、裂隙光亮度或室内光的亮度；

结构不完整，请调节坐姿、眼位或辅助重复暴露拍摄区域；

清晰度不合格，请调节对焦、检查清理镜头或调节裂隙光带角度。

进一步的，所述图像质量过滤器具体为I ncept i on-ResNet网络模型，所述 Incept i on-ResNet网络模型为在I ncept i on模块中引入ResNet的残差结构得到，并包括Stem模块、I ncept i on-resnet-A模块、I ncept i on-resnet-B和 I ncept i on-resnet-C模块。

本发明的实施例，具有如下有益效果：

本发明提供了一种裂隙灯图像质量检测方法，该方法通过采用图像质量过滤器对实时拍摄的弥散光图像、裂隙光图像和红反光图像进行图像质量检测，以判断图像质量是否合格，再通过实时指导反馈系统对不合格的图像进一步分析，并根据分析结果生成重新拍摄的操作指导，进而提高了对临床裂隙灯图像的采集质量和效率。

附图说明

图1是本发明一实施例提供的裂隙灯图像质量检测方法的流程示意图；

图2是本发明一实施例提供的I ncept i on-ResNet网络模型的结构示意图；

图3是本发明一实施例提供的I ncept i on-ResNet网络模型的Stem模块的结构示意图；

图4是本发明一实施例提供的I ncept i on-ResNet网络模型的 I ncept i on-ResNet-A模块的结构示意图；

图5是本发明一实施例提供的I ncept i on-ResNet网络模型的 I ncept i on-ResNet-B模块的结构示意图；

图6是本发明一实施例提供的I ncept i on-ResNet网络模型的 I ncept i on-ResNet-C模块的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。

如图1所示，本发明一实施例提供的一种裂隙灯图像质量检测方法，包括以下步骤：

步骤S101：采用图像质量过滤器对实时拍摄的弥散光图像进行图像质量检测，当检测为不合格时，通过实时指导反馈系统对所述弥散光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导。所述图像质量分析包括图像亮度分析、图像完整度分析和图像清晰度分析，所述图像质量分析结果包括亮度、完整度和清晰度三个维度的结果。

步骤S102：当所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足裂隙光图像的拍摄条件；若满足则进行裂隙光图像拍摄，若不满足则结束拍摄并输出拍摄结果。

作为其中一种实施例，检测所述弥散光图像是否满足裂隙光图像的拍摄条件，具体包括：检测所述弥散光图像的瞳孔区是否遮挡，若否则进行裂隙光图像拍摄。

步骤S103：当检测所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足红反光图像的拍摄条件；若满足则进行红反光图像拍摄，若不满足则结束拍摄并输出拍摄结果。

作为其中一种实施例，检测所述弥散光图像是否满足红反光图像的拍摄条件，具体包括：检测所述弥散光图像的瞳孔区是否遮挡，以及检测所述弥散光图像的散瞳是否合格；若所述弥散光图像的瞳孔区无遮挡且所述弥散光图像的散瞳合格，则进行红反光图像拍摄。

步骤S104：采用图像质量过滤器对拍摄的所述裂隙光图像和红反光图像进行图像质量检测，当检测为不合格时，通过所述实时指导反馈系统对所述裂隙光图像和红反光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导。当检测为合格时，则完成拍摄。

所述实时指导反馈系统检测到重新拍摄次数超过3次，则停止拍摄，并提示拍摄结果仅供参考。

作为其中一种实施例，所述操作指导具体包括：亮度不合格，请调节背景光亮度、裂隙光亮度或室内光的亮度；

结构不完整，请调节坐姿、眼位或辅助重复暴露拍摄区域；

清晰度不合格，请调节对焦、检查清理镜头或调节裂隙光带角度。

作为其中一种实施例，所述图像质量过滤器具体为采用I ncept i on-ResNet 网络模型进行图像质量检测，所述I ncept i on-ResNet网络模型在I ncept i on模块中引入ResNet的残差结构。其中，模型采用深度学习算法，依据清晰度、亮度、完整度等质量评估方面，对输入裂隙灯图像分别进行分类，输出二分类评价结果，即合格或不合格。在对模型进行训练过程中，使用的训练集为来自多间中心医疗机构，不同机型数码裂隙灯拍摄的照片30000余张。如图2所示，所述I ncept i on-ResNet网络模型包括Stem模块、I ncept ion-resnet-A模块、I ncept i on-resnet-B和I ncept i on-resnet-C模块。所述I ncepti on-ResNet网络模型的图像检测过程包括：将512x512x3的图像从输入层进行输入，所述输入层链接到一个Stem主干模块，在Stem模块中通过不对称卷积及池化等操作对输入的图像进行图像特征提取生成第一特征图，将所述第一特征图作为 I ncept i on-ResNet-A模块的输入，依次通过5个I ncept i on-ResNet-A模块的堆叠和Reduct i on-A的缩放块，得到第二特征图；将所述第二特征图作为 I ncept i on-ResNet-B模块的输入，依次经过10个I ncept i on-ResNet-B模块的堆叠和Reduct i on-B模块的缩放块生成的第三特征图，将所述第三特征图作为 I ncept i on-ResNet-C模块的输入，并依次经5个I ncept i on-ResNet-C模块的堆叠和Reduct i on-C模块的缩放得到第四特征图。最后，将第四特征图进行全局平均池化，把全局平均池化得到的张量连接至大小为1024的全连接层并经过 Re lu激活函数，映射至样本标记空间，再通过一个保留率为0.5的Dropout层，增强模型的泛化度，此时输出层大小为1，将特征张量通过Si gmoi d激活函数进行分类得到最终检测结果。

所述I ncept i on-ResNet网络模型选用二值交叉熵(B i nary CrossEntropy)作为损失函数。

如图3所示，所述Stem模块主要是组成网络的浅层特征提取模块，采用不对称卷积和池化组成构成，将输入的512x512x3图像经过三次3x3不同性质的卷积处理后进入3x3且步长为2的最大池化层，此后再经过一个1x1的卷积处理和一个3x3的卷积处理，再通过一个3x3且步长为2的最大池化层后，所提取的特征将通过四个并行的卷积分支，第一个分支将经过平均池化和一个1x1 的卷积；第二个分支经过一个1x1的卷积；第三个分支分别经过一个1x1的卷积和一个5x5的卷积；第四个分支会经过一个1x1的卷积和两个3x3的卷积，将四个分支的输出滤波后进行堆叠后传至后续模块(即所述I ncept i on-ResNet-A模块)。

如图4所示，所述I ncept i on-ResNet-A模块共有5个，I ncept i on-ResNet-A的结构共由四个分支组成，共有三路卷积通道，并采用1x1的卷积核降低输入维度。其中一个分支经过1x1卷积处理，输出为32通道；第二个分支经过1x1 卷积处理和一次3x3卷积处理，输出为32通道；第三个分支经过1次1x1卷积处理和2次3x3的卷积处理，输出为64通道，三路卷积通道分别提取出不同的特征数据进行特征堆叠，加上原特征图的输入进行残差叠加并输入至ReLU激活函数中得到更高级特征映射。

如图5所示，所述I ncept i on-ResNet-B模块共有10个，其结构由三个分支组成，其中有两路为卷积通道，一路经过一次1x1卷积处理得到192通道输出；第二路为非对称结构卷积通道，首先经过一次1x1卷积处理，其次将7x7的卷积核拆解为一个1x7和一个7x1的小卷积核，使参数得到很好的降幅，得到192通道的卷积输出。两路通道的特征结果经过一次1x1卷积运算，并通过残差连接和原输入特征进行堆叠至ReLU激活函数中进行映射。

如图6所示，所述I ncept i on-ResNet-C模块共有5个，I ncept i on-ResNet-C的结构和I ncept i on-ResNet-B有着相似的结构，结构块为两路卷积通道和三个通道分支。第一个分支经过一个1x1，输出通道为192的卷积处理；第二个分支经过一个1x1，输出通道为192的卷积处理以及1x3和3x1的非对称卷积处理，两路卷积经过一个1x1卷积运算并和原输入分支进行残差连接堆叠，最后经过 ReLU激活函数进行映射。

作为其中一种实施例，建立第一I ncept i on-ResNet网络模型、第二 I ncept ion-ResNet网络模型和第三I ncept i on-ResNet网络模型，所述第一 I ncept i on-ResNet网络模型用于对所述弥散光图像进行图像质量检测，所述第二I ncept i on-ResNet网络模型用于对所述裂隙光图像进行图像质量检测，所述第三I ncept i on-ResNet网络模型用于对所述红反光图像进行图像质量检测。采用弥散光图像构成的第一样本集作为所述第一I ncept i on-ResNet网络模型的训练集，并将所述第一I ncept i on-ResNet网络模型训练至收敛；采用裂隙光图像构成的第二样本集作为所述第二I ncept ion-ResNet网络模型的训练集，并将所述第二I ncept i on-ResNet网络模型训练至收敛；采用红反光图像构成的第三样本集作为所述第三I ncept i on-ResNet网络模型的训练集，并将所述第三I ncept i on-ResNet网络模型训练至收敛。

作为其中一种实施例，所述实时指导反馈系统通过建立多个 I ncept i on-ResNet网络模型分别对弥散光图像、裂隙光图像和红反光图像进行图像质量分析，并输出图像质量分析结果。所述图像质量分析结果包括亮度、完整度和清晰度三个维度的结果。

本发明具有以下优点：

1.本系统涵盖了弥散光、裂隙光、红反光三种常用的裂隙灯拍摄方式，并能够具体识别在临床实践中所遇到的多种质量缺陷，能较全面地适应临床应用场景。

2.本系统根据临床应用逻辑将质量评估模型形成了可提供实时反馈的规范化流程，在实际应用中能给拍摄者，尤其是经验不足的拍摄者，以实时的拍摄指导，促进了高质量裂隙灯图像的采集，以及眼病患者的早期诊治。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On l y Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (7)

1.一种裂隙灯图像质量检测方法，其特征在于，包括以下步骤：

采用图像质量过滤器对实时拍摄的弥散光图像进行图像质量检测，当检测为不合格时，通过实时指导反馈系统对所述弥散光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导；

当所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足裂隙光图像的拍摄条件；若满足则进行裂隙光图像拍摄，若不满足则结束拍摄并输出拍摄结果；

当检测所述弥散光图像的检测结果为合格时，检测所述弥散光图像是否满足红反光图像的拍摄条件；若满足则进行红反光图像拍摄，若不满足则结束拍摄并输出拍摄结果；

采用图像质量过滤器对拍摄的所述裂隙光图像和红反光图像进行图像质量检测，当检测为不合格时，通过所述实时指导反馈系统对所述裂隙光图像和红反光图像进行图像质量分析，并根据图像质量分析结果生成重新拍摄的操作指导。

2.根据权利要求1所述的裂隙灯图像质量检测方法，其特征在于，所述图像质量分析包括图像亮度分析、图像完整度分析和图像清晰度分析。

3.根据权利要求2所述的裂隙灯图像质量检测方法，其特征在于，检测所述弥散光图像是否满足裂隙光图像的拍摄条件，具体包括：检测所述弥散光图像的瞳孔区是否遮挡，若否则进行裂隙光图像拍摄。

4.根据权利要求3所述的裂隙灯图像质量检测方法，其特征在于，检测所述弥散光图像是否满足红反光图像的拍摄条件，具体包括：检测所述弥散光图像的瞳孔区是否遮挡，以及检测所述弥散光图像的散瞳是否合格；若所述弥散光图像的瞳孔区无遮挡且所述弥散光图像的散瞳合格，则进行红反光图像拍摄。

5.根据权利要求4所述的裂隙灯图像质量检测方法，其特征在于，所述实时指导反馈系统检测到重新拍摄次数超过3次，则停止拍摄，并提示拍摄结果仅供参考。

6.根据权利要求5所述的裂隙灯图像质量检测方法，其特征在于，所述操作指导具体包括：亮度不合格，请调节背景光亮度、裂隙光亮度或室内光的亮度；

结构不完整，请调节坐姿、眼位或辅助重复暴露拍摄区域；

清晰度不合格，请调节对焦、检查清理镜头或调节裂隙光光带角度。

7.根据权利要求6所述的裂隙灯图像质量检测方法，其特征在于，所述图像质量过滤器具体为Inception-ResNet网络模型，所述Inception-ResNet网络模型为在Inception模块中引入ResNet的残差结构得到，并包括Stem模块、Inception-resnet-A模块、Inception-resnet-B和Inception-resnet-C模块。

Images