CN116030042A - 一种针对医生目诊的诊断装置、方法、设备及存储介质 - Google Patents
一种针对医生目诊的诊断装置、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116030042A CN116030042A CN202310160960.3A CN202310160960A CN116030042A CN 116030042 A CN116030042 A CN 116030042A CN 202310160960 A CN202310160960 A CN 202310160960A CN 116030042 A CN116030042 A CN 116030042A
- Authority
- CN
- China
- Prior art keywords
- eye
- image
- human eye
- diagnosis
- doctor
- 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.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title abstract description 23
- 210000001508 eye Anatomy 0.000 claims abstract description 235
- 241001469893 Oxyzygonectes dovii Species 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 49
- 210000001747 pupil Anatomy 0.000 claims abstract description 42
- 235000002673 Dioscorea communis Nutrition 0.000 claims abstract description 38
- 241000544230 Dioscorea communis Species 0.000 claims abstract description 38
- 208000035753 Periorbital contusion Diseases 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 230000002503 metabolic effect Effects 0.000 claims abstract description 27
- 238000012937 correction Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000011324 bead Substances 0.000 claims abstract description 13
- 241001504424 Zosteropidae Species 0.000 claims abstract description 9
- 210000000744 eyelid Anatomy 0.000 claims description 23
- 210000003462 vein Anatomy 0.000 claims description 20
- 230000004060 metabolic process Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000002405 diagnostic procedure Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 5
- 241000519995 Stachys sylvatica Species 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 210000005252 bulbus oculi Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种针对医生目诊的诊断装置、方法、设备及存储介质，涉及人工智能领域，包括：图像处理模块，用于对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；人眼特征提取模块，用于提取人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；分类器训练模块，用于基于人工诊断结果对分类器进行训练；人眼诊断模块，用于利用训练后分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果。通过提取瞳孔和代谢环等人眼特征，并结合人工诊断结果对分类器进行训练，进而根据预设的评分规则得到诊断结果，可以给医生提供准确性高、鲁棒性强的诊断建议。
Description
技术领域
本发明涉及人工智能领域，特别涉及一种针对医生目诊的诊断装置、方法、设备及存储介质。
背景技术
医生认为人体脏腑之精上注于目，对目诊的研究非常深入，老一辈医生主要是通过肉眼观察患者眼睛的色泽、脉络、灵活度等特征来诊断疾病；现代医生在继承前辈目诊经验的基础上进一步细化目诊技术，将诊断过程进一步规范，根据检测情况进行评分得到目诊结果。随着目诊的发展，虽然在客观性、规范性和可操作性上有了长足进步，但检查过程复杂，评价指标较粗放，诊断结果受医生临床经验影响较大；此外通过医生观察患者眼部的方式很难捕捉细微的特征，也不利于准确判断患者的病情。
随着人工智能技术特别是计算机视觉技术的发展，通过图像采集装置获取待检图像，借助人工智能技术自动分析图像，提供高置信度的参考和决策已经在各个领域广泛应用，但是在医生目诊这个领域目前相关的研究成果还比较少。现有相关技术中仅提供了用于目诊的图像采集装置；或通过图像处理提取眼部特征后，使用SVM对症状进行分类，但其中的双目三维重建技术对光照一致性要求很高，并且受限于立体匹配算法，细节还原度不高，效果不够鲁棒，并且现有方法采集的眼睛特征与医生目诊的特征差异较大，没有根据采集的特征得出诊断结论。因此如何针对医生目诊所需要的特征进行人工智能识别并提供高鲁棒的诊断结论是亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种针对医生目诊的诊断装置、方法、设备及存储介质，通过提取瞳孔和代谢环等医生目诊人眼特征，并结合人工诊断结果对分类器进行训练，进而利用训练后的分类器根据评分规则得到诊断结果，可以给医生提供准确性高、鲁棒性强的诊断建议。其具体方案如下：
第一方面，本申请提供了一种针对医生目诊的诊断装置，包括：
图像处理模块，用于对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；
人眼特征提取模块，用于提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；
分类器训练模块，用于基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；
人眼诊断模块，用于利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。
可选的，所述图像处理模块，包括：
图像质量增强单元，用于对所述人眼图像进行直方图均衡化或利用高动态范围成像对若干张所述人眼图像进行加权叠加，得到质量增强后图像。
可选的，所述图像处理模块，包括：
图像分离单元，用于提取所述质量增强后图像的颜色特征，并基于所述颜色特征对所述质量增强后图像进行二值化处理，以及从二值化处理后图像中分离出相应的白睛图像和眼睑图像；
位置校正子模块，用于基于所述白睛图像和所述眼睑图像进行眼珠位置校正，以得到校正后图像。
可选的，所述位置校正子模块，包括：
眼角确定单元，用于对所述眼睑图像进行眼睑轮廓提取，并根据提取到的上眼睑轮廓和下眼睑轮廓的交点确定所述眼睑图像的左眼角位置和右眼角位置；
水平校正单元，用于根据所述左眼角位置和所述右眼角位置旋转所述质量增强后图像，以保持左眼角和右眼角水平，得到水平人眼图像；
中心校正单元，用于根据二值化后的所述处理后人眼图像确定黑睛区域，并根据黑睛区域的中心对所述水平人眼图像进行平移，以重合所述黑睛区域的中心与所述处理后人眼图像的中心，以得到目标人眼图像。
可选的，所述人眼特征提取模块，包括：
代谢环特征提取单元，用于根据所述黑睛区域确定所述目标人眼图像的代谢环图像，并基于所述代谢环图像进行代谢环的颜色分布统计，以通过确定所述代谢环的白色分布占比确定所述目标人眼图像的黑睛代谢环特征；
瞳孔特征提取单元，用于根据所述黑睛区域确定所述目标人眼图像的瞳孔图像，并基于所述瞳孔图像计算瞳孔的颜色分布方差，以确定所述目标人眼图像的瞳孔特征。
可选的，所述人眼特征提取模块，包括：
斑点检测单元，用于根据所述白睛图像进行白睛斑点检测，并基于检测结果生成所述白睛图像对应的掩膜图像；
白睛特征提取单元，用于对所述掩膜图像进行自适应阈值化，并确定所述白睛图像的白睛轮廓，以通过所述白睛轮廓确定所述目标人眼图像的白睛脉络特征。
可选的，所述分类器训练模块，包括：
第一分类器训练单元，用于基于所述人眼特征以及所述人眼图像对应的人工诊断结果对单个预设分类器进行训练；
或，第二分类器训练单元，用于基于所述人眼特征以及所述人眼图像对应的人工诊断结果对与各所述人眼特征分别对应的若干个预设分类器进行训练。
第二方面，本申请提供了一种针对医生目诊的诊断方法，包括：
对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；
提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；
基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；
利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。
第三方面，本申请提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述的针对医生目诊的诊断方法。
第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的针对医生目诊的诊断方法。
本申请中，图像处理模块，用于对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；人眼特征提取模块，用于提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；分类器训练模块，用于基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；人眼诊断模块，用于利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。通过对人眼图像进行质量增强等处理后，提取医生目诊所需的瞳孔、代谢环以及白睛脉络人眼特征，并结合人工诊断结果对分类器进行训练，进而利用训练后的分类器根据评分规则得到待检测人眼图像的诊断结果，相比于现有技术，可以针对医生目诊得到更加精确的诊断结果，给医生提供准确性高、鲁棒性强的诊断建议。
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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种针对医生目诊的诊断装置结构示意图；
图2为本申请提供的一种针对医生目诊的诊断方法流程图；
图3为本申请提供的一种电子设备结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例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。
目前医生目诊的检查过程复杂，评价指标较粗放，通过医生观察患者眼部的很难捕捉细微的特征不利于准确判断病情。现有的通过图像处理提取眼部特征进行诊断的过程中，采集的眼睛特征与医生目诊特征差异较大，没有根据采集的特征得出诊断结论。本申请通过对人眼图像进行质量增强等处理后，提取医生目诊特征，结合人工诊断结果对分类器进行训练，进而利用训练后的分类器根据评分规则得到待检测人眼图像的诊断结果，可以给医生提供准确性高、鲁棒性强的诊断建议。
参见图1所示，本发明实施例公开了一种针对医生目诊的诊断装置，包括：
图像处理模块11，用于对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；
人眼特征提取模块12，用于提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；
分类器训练模块13，用于基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；
人眼诊断模块14，用于利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。
本实施例中，所述图像处理模块具体包括图像质量增强单元、图像分离单元和位置校正子模块。可以理解的是，在计算机视觉技术中，可以基于高分辨率的待检测图像，借助人工智能技术自动分析图像，但是受采集环境和患者等不可控因素的影响，原始采集得到的图像可能存在曝光不均匀，眼球方位不一致等情况，因此，在利用人眼图像进行分类器训练之前，可以通过图像处理模块对采集到的人眼图像进行预处理，以通过提高采集到的人眼图像的分辨率和动态范围等图像质量来保证后续分类器训练的效果，并进一步提高诊断结果的准确性。所述预处理中包括但不限于图像质量增强、眼珠位置校正以及白睛脉络的特征增强等操作。
本实施例中，所述图像质量增强单元，用于对所述人眼图像进行直方图均衡化或利用高动态范围成像对若干张所述人眼图像进行加权叠加，得到质量增强后图像。在进行图像预处理时，可以首先对人眼图像应用直方图均衡化，或者基于高动态范围成像（HDR，High Dynamic Range Imaging）技术将采集到的多张连续的人眼图像加权叠加获得更高动态范围的图像。在进行图像质量增强后，由于人眼图像的眼球方位可能不一致，因此需要对眼球部分进行定位，首先利用图像分离单元，提取所述质量增强后图像的颜色特征，并基于所述颜色特征对所述质量增强后图像进行二值化处理，以及从二值化处理后图像中分离出相应的白睛图像和眼睑图像。得到人眼图像中的白睛和眼睑部分之后，根据位置校正子模块，基于所述白睛图像和所述眼睑图像进行眼珠位置校正，以得到校正后图像。可以理解的是，所述图像质量增强单元还可以对白睛图像中的白睛脉络进行特征增强，例如使用如canny等边缘检测算子对白睛部分做边缘提取，与原始图像做加权叠加。这样一来，可以保证用于分类器训练的人眼图像质量，突出其中的白睛特征、眼睑特征等人眼特征，有利于提高训练效果。
需要指出的是，本实施例中，所述位置校正子模块具体包括眼角确定单元、水平校正单元和中心校正单元，所述水平校正单元和中心校正单元分别用于对人眼图像中眼角的水平位置和图像的中心位置进行调整。具体的，眼角确定单元，用于对所述眼睑图像进行眼睑轮廓提取，并根据提取到的上眼睑轮廓和下眼睑轮廓的交点确定所述眼睑图像的左眼角位置和右眼角位置；水平校正单元，用于根据所述左眼角位置和所述右眼角位置旋转所述质量增强后图像，以保持左眼角和右眼角水平，得到水平人眼图像；中心校正单元，用于根据二值化后的所述处理后人眼图像确定黑睛区域，并根据黑睛区域的中心对所述水平人眼图像进行平移，以重合所述黑睛区域的中心与所述处理后人眼图像的中心，以得到目标人眼图像。可以理解的是，上述左眼角位置、右眼角位置和黑睛中心的确定也可以采用基于深度学习的目标检测算法进行定位，本实施例不再详细阐述。
本实施例中，对人眼图像进行预处理后，即利用所述人眼特征提取模块对所述目标人眼图像进行特征提取。具体的，所述人眼特征提取模块，包括：代谢环特征提取单元，用于根据所述黑睛区域确定所述目标人眼图像的代谢环图像，并基于所述代谢环图像进行代谢环的颜色分布统计，以通过确定所述代谢环的白色分布占比确定所述目标人眼图像的黑睛代谢环特征；瞳孔特征提取单元，用于根据所述黑睛区域确定所述目标人眼图像的瞳孔图像，并基于所述瞳孔图像计算瞳孔的颜色分布方差，以确定所述目标人眼图像的瞳孔特征；斑点检测单元，用于根据所述白睛图像进行白睛斑点检测，并基于检测结果生成所述白睛图像对应的掩膜图像；白睛特征提取单元，用于对所述掩膜图像进行自适应阈值化，并确定所述白睛图像的白睛轮廓，以通过所述白睛轮廓确定所述目标人眼图像的白睛脉络特征。
需要指出的是，上述进行特征提取的步骤是基于预设的医生目诊规则进行的，所述医生目诊规则在本实施例一种具体实施方式中可以为壮族医生目诊的六步法，如下表所示：
表一
本实施例中，可以理解的是，代谢环是指黑睛中包裹瞳孔的环状区域，因为颜色与瞳孔差异较大，因此，在提取出黑睛区域对应的黑睛图像后，利用所述代谢环特征提取单元进一步通过二值化算法或者HOUGH圆检测算法将目标人眼图像的代谢环分离出来，并对代谢环统计颜色分布，最后计算白色占比，即表一中f1；以及利用瞳孔特征提取单元对确定出的目标人眼图像的瞳孔图像进行颜色分布方差统计，即表一中f2，并结合f1确定对应的评分，例如表中若代谢环变化且瞳孔异常，则f1、f2的对应评分为3。然后继续根据医生目诊六步法提取白睛脉络特征和斑点特征，首先利用斑点检测单元对白睛部分的图像进行斑点检测，所述斑点检测使用的算法包括但不限于LOG、DOH、Harris、SUSAN等角点检测算法。
确定斑点检测结果后，对于脉络特征，以斑点检测结果为掩膜图像，利用白睛特征提取单元对掩码处理后的白睛图像做自适应阈值化，然后确定白睛图像的轮廓。所述白睛图像进行阈值化时忽略掩码区域。具体操作为，对每条轮廓，计算其端点与瞳孔中心的最近距离，将该距离除以白睛图像最小包围矩形框的对角线长度得到f3、端点处脉络宽度与该脉络平均宽度之比f4、该脉络颜色饱和度f5、按一定步长计算该轮廓的曲率，获得平均曲率f6、计算脉络端点与上一步检测的斑点距离，如果小于给定阈值则进一步计算该斑点的面积，最后将该面积除以白睛图像面积得到f7，可以理解的是，若白睛部分没有斑点，则f7值为0，最后根据表一确定上述各个特征的对应评分。可以理解的是，所述医生目诊规则中的评分标准可以根据具体要求进行调整，并不仅仅限于上述的壮族医学目诊的诊断标准。通过设置医生目诊六步评分法将医生目诊中的人眼特征进行具体量化，得出对应的评分，可以更加直观地表现出人眼图像中的人眼状态，并且有利于后续进行分类器训练，提高训练效率。
本实施例中，确定上述人眼图像中的各个特征以及对应的评分后，利用分类器训练模块，以上述步骤得到的f1-f7七组特征和所述人眼图像对应的医生诊断结论为输入，训练预设分类器。所述预设分类器包括但不限于决策树分类器、SVM（Support VectorMachine，支持向量机）分类器、随机森林分类器等分类器。在一种具体的实施方式中，基于分类器训练模块的第一分类器训练单元，基于上述七组特征对单个预设分类器进行训练，以直接得出针对人眼图像的诊断结论，这样一来，可以提高分类器的训练效率。在另一种具体的实施方式中，利用第二分类器训练单元，根据表一中对上述七组特征的六大分类，分别对对应的若干个预设分类器进行训练，根据分类结果得到所有六步的总得分，最终得到诊断结论，这样可以使得出的诊断结果更加直观且精确度更高。可以理解的是，本实施例中，分类器训练完成后并未进行测试，也可以提前设置一个人眼图像的测试集在训练完成后进行测试，以保证训练效果。
由此可见，通过上述装置，本申请首先通过图像处理模块对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；然后基于人眼特征提取模块提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；并利用分类器训练模块基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；最后利用人眼诊断模块利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。通过对人眼图像进行质量增强等处理后，提取医生目诊所需的瞳孔、代谢环以及白睛脉络人眼特征，并结合人工诊断结果对分类器进行训练，进而利用训练后的分类器根据评分规则得到待检测人眼图像的诊断结果，相比于现有技术，可以针对医生目诊得到更加精确的诊断结果，给医生提供准确性高、鲁棒性强的诊断建议。
上一实施例中公开了一种针对医生目诊的诊断装置，可以针对医生目诊进行人眼特征分析，接下来，本实施例中将对一种针对医生目诊的诊断方法进行阐述。参见图2所示，本申请实施例公开了一种针对医生目诊的诊断方法，包括：
步骤S11、对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像。
本实施例中，首先对人眼图像进行预处理，包含图像质量增强和眼珠位置校正，还可以提取出人眼图像的白睛脉络后对白睛脉络进行特征增强，以提高所述人眼图像的图像质量，以保证后续分类器训练的效果。
步骤S12、提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征。
本实施例中，需要提取出医生目诊所需的人眼特征，并根据预设医生目诊规则中人眼特征对应的评分规则，进行评分计算，针对人眼图像的眼底部分做脉络走向、大小、颜色、弯曲度的定量检测，此外还可以对瞳孔和代谢环特征做定量检测，达到输出数字化的评估结果的效果，诊断结果更加直观。
步骤S13、基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练。
本实施例中，可以理解的是，进行训练的人眼图像为预先进行人工诊断后的图像，因此，所述目标人眼图像存在对应的人工诊断结果，基于上述步骤得到的特征以及人工诊断结果对分类器进行训练。
步骤S14、利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。
本实施例中，将需要进行诊断的待检测人眼图像输入至训练后的分类器，结合预设医生目诊规则进行诊断，为医生提供诊断建议。
由此可见，本申请提出一种面向医生目诊的辅助诊断方法，在充分尊重医生目诊现有的诊断逻辑下，通过人工智能技术分析眼部图像特征，输出数字化的评估结果，为医生诊断提供更鲁棒更易于接受的诊断建议，有利于提高医生目诊的诊断效率和诊断结果的准确性。
进一步的，本申请实施例还公开了一种电子设备，图3是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图3为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的针对医生目诊的诊断方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的针对医生目诊的诊断方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的针对医生目诊的诊断方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种针对医生目诊的诊断装置，其特征在于，包括：
图像处理模块，用于对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；
人眼特征提取模块，用于提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；
分类器训练模块，用于基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；
人眼诊断模块，用于利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。
2.根据权利要求1所述的针对医生目诊的诊断装置，其特征在于，所述图像处理模块，包括：
图像质量增强单元，用于对所述人眼图像进行直方图均衡化或利用高动态范围成像对若干张所述人眼图像进行加权叠加，得到质量增强后图像。
3.根据权利要求2所述的针对医生目诊的诊断装置，其特征在于，所述图像处理模块，包括：
图像分离单元，用于提取所述质量增强后图像的颜色特征，并基于所述颜色特征对所述质量增强后图像进行二值化处理，以及从二值化处理后图像中分离出相应的白睛图像和眼睑图像；
位置校正子模块，用于基于所述白睛图像和所述眼睑图像进行眼珠位置校正，以得到校正后图像。
4.根据权利要求3所述的针对医生目诊的诊断装置，其特征在于，所述位置校正子模块，包括：
眼角确定单元，用于对所述眼睑图像进行眼睑轮廓提取，并根据提取到的上眼睑轮廓和下眼睑轮廓的交点确定所述眼睑图像的左眼角位置和右眼角位置；
水平校正单元，用于根据所述左眼角位置和所述右眼角位置旋转所述质量增强后图像，以保持左眼角和右眼角水平，得到水平人眼图像；
中心校正单元，用于根据二值化后的所述处理后人眼图像确定黑睛区域，并根据黑睛区域的中心对所述水平人眼图像进行平移，以重合所述黑睛区域的中心与所述处理后人眼图像的中心，以得到目标人眼图像。
5.根据权利要求4所述的针对医生目诊的诊断装置，其特征在于，所述人眼特征提取模块，包括：
代谢环特征提取单元，用于根据所述黑睛区域确定所述目标人眼图像的代谢环图像，并基于所述代谢环图像进行代谢环的颜色分布统计，以通过确定所述代谢环的白色分布占比确定所述目标人眼图像的黑睛代谢环特征；
瞳孔特征提取单元，用于根据所述黑睛区域确定所述目标人眼图像的瞳孔图像，并基于所述瞳孔图像计算瞳孔的颜色分布方差，以确定所述目标人眼图像的瞳孔特征。
6.根据权利要求3所述的针对医生目诊的诊断装置，其特征在于，所述人眼特征提取模块，包括：
斑点检测单元，用于根据所述白睛图像进行白睛斑点检测，并基于检测结果生成所述白睛图像对应的掩膜图像；
白睛特征提取单元，用于对所述掩膜图像进行自适应阈值化，并确定所述白睛图像的白睛轮廓，以通过所述白睛轮廓确定所述目标人眼图像的白睛脉络特征。
7.根据权利要求1至6任一项所述的针对医生目诊的诊断装置，其特征在于，所述分类器训练模块，包括：
第一分类器训练单元，用于基于所述人眼特征以及所述人眼图像对应的人工诊断结果对单个预设分类器进行训练；
或，第二分类器训练单元，用于基于所述人眼特征以及所述人眼图像对应的人工诊断结果对与各所述人眼特征分别对应的若干个预设分类器进行训练。
8.一种针对医生目诊的诊断方法，其特征在于，包括：
对人眼图像进行图像质量增强、眼珠位置校正以及白睛脉络的特征增强得到目标人眼图像；
提取所述目标人眼图像的人眼特征；所述人眼特征包括黑睛代谢环特征、瞳孔特征以及白睛脉络特征；
基于所述黑睛代谢环特征、所述瞳孔特征、所述白睛脉络特征以及所述目标人眼图像对应的人工诊断结果对预设分类器进行训练；
利用训练后得到的分类器对待检测人眼图像进行诊断，并根据预设医生目诊规则确定医生目诊结果；所述预设医生目诊规则包括与各所述人眼特征分别对应的评分规则。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现如权利要求8所述的针对医生目诊的诊断方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求8所述的针对医生目诊的诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310160960.3A CN116030042B (zh) | 2023-02-24 | 2023-02-24 | 一种针对医生目诊的诊断装置、方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310160960.3A CN116030042B (zh) | 2023-02-24 | 2023-02-24 | 一种针对医生目诊的诊断装置、方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116030042A true CN116030042A (zh) | 2023-04-28 |
| CN116030042B CN116030042B (zh) | 2023-06-16 |
Family
ID=86070833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310160960.3A Active CN116030042B (zh) | 2023-02-24 | 2023-02-24 | 一种针对医生目诊的诊断装置、方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116030042B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116453171A (zh) * | 2023-06-09 | 2023-07-18 | 博奥生物集团有限公司 | 白睛区域内血脉颜色的检测方法、装置、电子设备和介质 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5778893A (en) * | 1991-04-01 | 1998-07-14 | President And Fellows Of Harvard College | Method of diagnosing and monitoring a treatment for Alzheimer's disease |
| US20140017643A1 (en) * | 2012-07-16 | 2014-01-16 | Brian Sady | Software & cellphone use to analyze medical and psychological conditions |
| CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
| CN107595307A (zh) * | 2017-10-23 | 2018-01-19 | 湖南科技大学 | 基于机器视觉人眼识别的疲劳驾驶检测装置及检测方法 |
| CN109146851A (zh) * | 2018-07-30 | 2019-01-04 | 南京慧视医疗科技有限公司 | 一种诊断前庭系统疾病的眼震信号特征提取和追踪算法 |
| WO2019011206A1 (zh) * | 2017-07-14 | 2019-01-17 | Oppo广东移动通信有限公司 | 活体检测方法及相关产品 |
| CN110334649A (zh) * | 2019-07-04 | 2019-10-15 | 五邑大学 | 一种人工视觉智能中医面诊五脏状态诊测方法及装置 |
| 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 |
| CN110338763A (zh) * | 2019-07-10 | 2019-10-18 | 五邑大学 | 一种智能中医诊测的图像处理方法及装置 |
| CN110837803A (zh) * | 2019-11-07 | 2020-02-25 | 复旦大学 | 基于深度图网络的糖尿病视网膜病变分级方法 |
| CN112513999A (zh) * | 2017-10-13 | 2021-03-16 | 人工智能技术公司 | 眼科疾病和病症的基于深度学习的诊断和转诊 |
| CN112686855A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种眼象与症状信息的信息关联方法 |
| WO2021115097A1 (zh) * | 2019-12-13 | 2021-06-17 | Oppo广东移动通信有限公司 | 瞳孔检测方法及相关产品 |
| WO2021162124A1 (ja) * | 2020-02-14 | 2021-08-19 | 株式会社Ｏｕｉ | 診断支援装置、診断支援システム及びプログラム |
| EP3893248A1 (en) * | 2020-04-09 | 2021-10-13 | Instytut Chemii Bioorganicznej PAN | Method for creating a predictive model for predicting glaucoma risk in a subject, method for determining glaucoma risk in a subject using such predictive model, device for predicting glaucoma risk in a subject, computer program and computer readable medium |
| CN113889267A (zh) * | 2021-11-15 | 2022-01-04 | 博奥生物集团有限公司 | 基于眼象识别的糖尿病诊断模型的构建方法和电子设备 |
| CN113903074A (zh) * | 2021-12-07 | 2022-01-07 | 深圳佑驾创新科技有限公司 | 一种眼睛属性分类方法、装置及存储介质 |
| US20220079429A1 (en) * | 2020-09-11 | 2022-03-17 | Ning Bo Eye Hospital | Artificial intelligence eye disease screening and diagnostic system based on ophthalmic robot |
| CN115050456A (zh) * | 2022-07-07 | 2022-09-13 | 右江民族医学院 | 一种人工智能医学图像自动诊断系统和方法 |
-
2023
- 2023-02-24 CN CN202310160960.3A patent/CN116030042B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5778893A (en) * | 1991-04-01 | 1998-07-14 | President And Fellows Of Harvard College | Method of diagnosing and monitoring a treatment for Alzheimer's disease |
| US20140017643A1 (en) * | 2012-07-16 | 2014-01-16 | Brian Sady | Software & cellphone use to analyze medical and psychological conditions |
| CN106295139A (zh) * | 2016-07-29 | 2017-01-04 | 姹ゅ钩 | 一种基于深度卷积神经网络的舌体自诊健康云服务系统 |
| WO2019011206A1 (zh) * | 2017-07-14 | 2019-01-17 | Oppo广东移动通信有限公司 | 活体检测方法及相关产品 |
| CN112513999A (zh) * | 2017-10-13 | 2021-03-16 | 人工智能技术公司 | 眼科疾病和病症的基于深度学习的诊断和转诊 |
| CN107595307A (zh) * | 2017-10-23 | 2018-01-19 | 湖南科技大学 | 基于机器视觉人眼识别的疲劳驾驶检测装置及检测方法 |
| CN109146851A (zh) * | 2018-07-30 | 2019-01-04 | 南京慧视医疗科技有限公司 | 一种诊断前庭系统疾病的眼震信号特征提取和追踪算法 |
| CN110334649A (zh) * | 2019-07-04 | 2019-10-15 | 五邑大学 | 一种人工视觉智能中医面诊五脏状态诊测方法及装置 |
| 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 |
| CN110338763A (zh) * | 2019-07-10 | 2019-10-18 | 五邑大学 | 一种智能中医诊测的图像处理方法及装置 |
| CN110837803A (zh) * | 2019-11-07 | 2020-02-25 | 复旦大学 | 基于深度图网络的糖尿病视网膜病变分级方法 |
| WO2021115097A1 (zh) * | 2019-12-13 | 2021-06-17 | Oppo广东移动通信有限公司 | 瞳孔检测方法及相关产品 |
| WO2021162124A1 (ja) * | 2020-02-14 | 2021-08-19 | 株式会社Ｏｕｉ | 診断支援装置、診断支援システム及びプログラム |
| EP3893248A1 (en) * | 2020-04-09 | 2021-10-13 | Instytut Chemii Bioorganicznej PAN | Method for creating a predictive model for predicting glaucoma risk in a subject, method for determining glaucoma risk in a subject using such predictive model, device for predicting glaucoma risk in a subject, computer program and computer readable medium |
| US20220079429A1 (en) * | 2020-09-11 | 2022-03-17 | Ning Bo Eye Hospital | Artificial intelligence eye disease screening and diagnostic system based on ophthalmic robot |
| CN112686855A (zh) * | 2020-12-28 | 2021-04-20 | 博奥生物集团有限公司 | 一种眼象与症状信息的信息关联方法 |
| CN113889267A (zh) * | 2021-11-15 | 2022-01-04 | 博奥生物集团有限公司 | 基于眼象识别的糖尿病诊断模型的构建方法和电子设备 |
| CN113903074A (zh) * | 2021-12-07 | 2022-01-07 | 深圳佑驾创新科技有限公司 | 一种眼睛属性分类方法、装置及存储介质 |
| CN115050456A (zh) * | 2022-07-07 | 2022-09-13 | 右江民族医学院 | 一种人工智能医学图像自动诊断系统和方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘佩;吉星云;: "壮医目诊的研究进展", 广西医学, no. 11, pages 1442 - 1444 * |
| 尚昱志;林基勇;付宇蕾;陈悦;张青槐;庞宇舟;: "壮医目诊的研究进展", 西部中医药, no. 12, pages 141 - 143 * |
| 朱会明;赵锐;高悦;刘平;张华;: "基于图像识别技术的中医肝病目诊系统设计与研发", 世界中医药, no. 10, pages 1494 - 1497 * |
| 朱贵冬: "中医"望目辨证"的数字化技术研究", 《中国优秀博硕士学位论文全文数据库 (博士) 信息科技辑》, pages 138 - 33 * |
| 穆;晏峻峰;彭清华;: "基于中医目诊的虹膜图像特征表示方法研究", 湖南中医药大学学报, no. 11, pages 65 - 69 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116453171A (zh) * | 2023-06-09 | 2023-07-18 | 博奥生物集团有限公司 | 白睛区域内血脉颜色的检测方法、装置、电子设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116030042B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sarathi et al. | Blood vessel inpainting based technique for efficient localization and segmentation of optic disc in digital fundus images | |
| EP3373798B1 (en) | Method and system for classifying optic nerve head | |
| Tavakoli et al. | A complementary method for automated detection of microaneurysms in fluorescein angiography fundus images to assess diabetic retinopathy | |
| Reza et al. | Diagnosis of diabetic retinopathy: automatic extraction of optic disc and exudates from retinal images using marker-controlled watershed transformation | |
| US20110137157A1 (en) | Image processing apparatus and image processing method | |
| Ribeiro et al. | Handling inter-annotator agreement for automated skin lesion segmentation | |
| WO2008010305A1 (fr) | Analyseur d'images et programme d'analyse d'images | |
| CN112017185A (zh) | 病灶分割方法、装置及存储介质 | |
| EP2693399A1 (en) | Method and apparatus for tomography imaging | |
| JP6734475B2 (ja) | 画像処理装置及びプログラム | |
| Dutta et al. | An efficient image processing based technique for comprehensive detection and grading of nonproliferative diabetic retinopathy from fundus images | |
| CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
| JP2021534948A (ja) | 眼底画像定量分析の前置処理方法および記憶装置 | |
| CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| Li et al. | Vessel recognition of retinal fundus images based on fully convolutional network | |
| Hatanaka et al. | Improvement of automatic hemorrhage detection methods using brightness correction on fundus images | |
| CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
| JP2008073280A (ja) | 眼底画像処理装置 | |
| Kusuma et al. | Retracted: Heart Abnormalities Detection Through Iris Based on Mobile | |
| CN115908405B (zh) | 确定眼底特征的方法、装置和电子设备 | |
| Zhou et al. | Automatic fovea center localization in retinal images using saliency-guided object discovery and feature extraction | |
| Akram et al. | Microaneurysm detection for early diagnosis of diabetic retinopathy | |
| Ashame et al. | Abnormality Detection in Eye Fundus Retina | |
| Mittal et al. | Optic disk and macula detection from retinal images using generalized motion pattern | |
| Gandhimathi et al. | Detection of neovascularization in proliferative diabetic retinopathy fundus images. |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Country or region after: China Address before: 410205, Changsha high tech Zone, Hunan Province, China Patentee before: Wisdom Eye Technology Co.,Ltd. Country or region before: China |