CN116051619A - 基于深度学习的泪河高度测量装置及方法 - Google Patents
基于深度学习的泪河高度测量装置及方法 Download PDFInfo
- Publication number
- CN116051619A CN116051619A CN202310082828.5A CN202310082828A CN116051619A CN 116051619 A CN116051619 A CN 116051619A CN 202310082828 A CN202310082828 A CN 202310082828A CN 116051619 A CN116051619 A CN 116051619A
- Authority
- CN
- China
- Prior art keywords
- river
- ring
- tear
- lacrimal
- central
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 210000004087 cornea Anatomy 0.000 claims abstract description 97
- 230000011218 segmentation Effects 0.000 claims abstract description 83
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 2
- 239000012530 fluid Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 208000023715 Ocular surface disease Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000000744 eyelid Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 208000003556 Dry Eye Syndromes Diseases 0.000 description 1
- 206010013774 Dry eye Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- 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
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
Abstract
本发明实施例提供一种基于深度学习的泪河高度测量装置及方法。装置包括;图像获取模块,用于获取眼表图像;分割模块,用于将眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像;融合模块,用于将两个图像进行融合;边缘检测模块,用于检测出融合图像中角膜投射环中心环和泪河的边缘,并确定出角膜投射环中心环的中心点;计算模块,用于根据角膜投射环中心环的中心点确定出目标泪河区域,从目标泪河区域中选取多个泪河高度测量点,根据多个泪河高度测量点计算得到泪河高度。能够准确计算得到泪河高度。
Description
技术领域
本发明属于泪河高度测量技术领域,具体涉及一种基于深度学习的泪河高度测量装置及方法。
背景技术
干眼症是一种眼表多因素疾病,伴随着泪膜渗透压增加和眼表炎症,会引起视力障碍和泪膜不稳定等症状,并对眼表造成潜在损害,影响全球数百万人的视觉功能。泪河位于上下眼睑边缘,占总泪液量的75%-90%,下泪河更稳定,可以通过测量下泪河高度来评估泪液量、评估泪膜状态。
在目前的临床研究中,虽然泪河的筛查是通过非接触式眼部摄影进行的,但泪河高度的定量测量大都是手动或半自动的,此外,泪河高度的测量点也是医生通过经验选取的。这些主观评估可能导致结果不一致、重复性降低和观察者间差异性增大。如果涉及到大量图像,对泪河高度进行手动测量将既费时又费力。
为了弥补这些缺陷,一些研究者提出了基于眼表图像的泪河高度测量方法,这些方法大多也是依靠临床医生,医生需要参与识别和勾勒图像中泪河的上边缘和下边缘的评估过程,此外,泪河高度的测量点也是医生通过经验选取的。这些方法都或多或少的需要医生参与到泪河高度测量中去,具有较大主观性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于深度学习的泪河高度测量装置及方法。
本发明的一方面,提供一种基于深度学习的泪河高度测量装置,所述装置包括;
图像获取模块,用于获取包括角膜投射环中心环区域和泪河区域的眼表图像;
分割模块,用于将所述眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像;
融合模块,用于将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合,得到融合图像;
边缘检测模块,用于检测出所述融合图像中所述角膜投射环中心环和所述泪河的边缘,并确定出所述角膜投射环中心环的中心点;
计算模块,用于根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度。
可选地,所述装置还包括拟合模块;
所述拟合模块,用于在将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合之前,对所述角膜投射环中心环区域分割掩膜图像进行圆形拟合和空洞填充处理。
可选地,所述边缘检测模块,具体还用于:
对所述边缘检测后的角膜投射环中心环外接矩形,通过所述外接矩形的左上角像素坐标和边长,计算出所述角膜投射环中心环的中心点的像素坐标值。
可选地,所述计算模块,具体还用于:
遍历所述泪河的上、下边缘对应的像素坐标值;
分别计算遍历到的各所述像素坐标值与所述角膜投射环中心环的中心点向下作垂线与泪河相交处的距离;
将距离小于预设值的像素坐标值所对应的泪河区域作为所述目标泪河区域。
可选地,所述计算模块,具体还用于:
所述角膜投射环中心环的中心点的像素坐标为(x,y),所述泪河上边缘对应的像素坐标为(xi,yi),泪河下边缘对应的像素坐标为(x-i-1,y-i-1);
计算出|xi-x|<=100和|x-i-1-x|<=100的像素集合,得到400个像素坐标,每隔30个像素值选取一个上泪河坐标值(xj,yj)和其对应的下泪河坐标值(x-j-1,y-j-1)计算一个泪河高度。
可选地,所述计算模块,具体还用于:
根据所述多个泪河高度测量点,分别得到多个泪河像素值;
计算所述多个泪河像素值的平均值,得到最终的泪河高度像素值;
通过预设的转换公式将所述泪河高度像素值转换为泪河高度值。
可选地,所述转换公式如下:
HL=PL×(HY/PY)
其中,HL为所述泪河高度值,PL为泪河高度像素值,PY为所述眼表图像高度对应的像素值,HY为所述眼表图像的高度。
可选地,所述装置还包括训练模块;
所述图像获取模块,还用于分别获取用于分割角膜投射环中心环、泪河的训练眼表图像以及对应的训练角膜投射环中心环区域分割掩膜图像和训练泪河区域分割掩膜图像;
所述训练模块,用于分别将所述训练眼表图像及其对应的角膜投射环中心环区域掩膜金标准和泪河区域掩膜金标准作为输入,将模型预测的所述训练角膜投射环中心环区域分割掩膜图像和训练泪河区域分割掩膜图像作为输出,分别对所述角膜投射环中心环区域分割模型和所述泪河区域分割模型进行训练。
可选地,所述角膜投射环中心环区域分割模型和所述泪河区域分割模型为基于DeepLab的深度学习神经网络模型。
本发明的另一方面,提供一种基于深度学习的泪河高度测量方法,所述方法包括;
获取包括角膜投射环中心区域和泪河区域的眼表图像;
将所述眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像;
将所述角膜投射环中心区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合,得到融合图像;
检测出所述融合图像中所述角膜投射环中心环和所述泪河的边缘,并确定出所述角膜投射环中心环的中心点;
根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度。
本发明实施例的基于深度学习的泪河高度测量装置及方法,基于深度学习的泪河高度测量装置,能够分别在眼表图像中自动分割出角膜投射环中心环区域分割掩膜图像及泪河区域分割掩膜图像,并对角膜投射环中心环的中心点进行定位,根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度,辅助临床医生对于泪液量过少引起泪膜状态不稳定的相关眼表病的诊断。另外,本实施例的泪河高度测量的全过程均为全自动、非侵入性的,与现有的方法相比,不仅可重复性高,而且更为精准。
附图说明
图1为本发明一实施例的基于深度学习的泪河高度测量装置的结构示意图;
图2为本发明另一实施例的眼表图像;
图3为本发明另一实施例统一裁剪后的眼表图像;
图4为本发明另一实施例的泪河区域分割掩膜图像;
图5为本发明另一实施例的角膜投射环中心环区域分割掩膜经过圆形拟合和空洞填充后得到的结果示意图;
图6为本发明另一实施例的角膜投射环中心环分割掩膜图像和泪河区域分割掩膜图像的融合图像;
图7为本发明另一实施例的泪河高度测量示意图;
图8为本发明另一实施例的角膜投射环中心环中心点定位示意图;
图9为本发明另一实施例的分割卷积神经网络的整体结构示意图;
图10为本发明另一实施例的Bottleneck1示意图;
图11为本发明另一实施例的Bottleneck2示意图;
图12为本发明另一实施例的基于深度学习的泪河高度测量方法的流程图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
如图1所示,本发明的实施例涉及一种基于深度学习的泪河高度测量装置100,所述装置100包括图像获取模块110、分割模块120、融合模块130、边缘检测模块140和计算模块150。
所述图像获取模块110用于获取包括角膜投射环中心环区域和泪河区域的眼表图像,所获得眼表图像如图2所示,为了便于统一尺寸,可以将眼表图像裁剪为480×480,如图3所示。所述分割模块120用于将所述眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像,如图4和图5所示。
所述融合模块130用于将所述角膜投射环中心区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合得到融合图像,如图6所示。边缘检测模块140用于检测出所述融合图像中所述角膜投射环中心环和所述泪河的边缘,并确定出所述角膜投射环中心环的中心点。所述计算模块150用于根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度,如图7所示。
本发明实施例的基于深度学习的泪河高度测量装置,能够分别在眼表图像中自动分割出角膜投射环中心环区域分割掩膜图像及泪河区域分割掩膜图像,并对角膜投射环中心环的中心点进行定位,根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度,辅助临床医生对于泪液量过少引起泪膜状态不稳定的相关眼表病的诊断。另外,本实施例的泪河高度测量的全过程均为全自动、非侵入性的,与现有的方法相比,不仅可重复性高,而且更为精准。
示例性的,实际的角膜投射环中心环是一个圆形,但是分割的结果得到的圆形并不规整,容易产生空洞,为了能够准确定位出角膜投射环中心环的中心点需要对角膜投射环中心环进行圆形拟合和空洞填充。如图1所示,所述装置100还包括拟合模块160,所述拟合模块160用于在将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合之前,对所述角膜投射环中心区域分割掩膜图像进行圆形拟合和空洞填充处理,如图5所示。
示例性的,如图1和图8所示,所述边缘检测模块140具体还用于:对边缘检测后的所述角膜投射环中心环外接矩形,通过所述外接矩形的左上角像素坐标和边长,计算出所述角膜投射环中心环的中心点的像素坐标值。
示例性的,如图1和图7所示,所述计算模块150具体还用于:遍历所述泪河的上、下边缘对应的像素坐标值;分别计算遍历到的各所述像素坐标值与所述角膜投射环中心环的中心点向下作垂线与泪河相交处的距离;将距离小于预设值的像素坐标值所对应的泪河区域作为所述目标泪河区域。
具体的,如图1和图7所示,所述计算模块150具体还用于:所述角膜投射环中心环的中心点的像素坐标为(x,y),所述泪河上边缘对应的像素坐标为(xi,yi),泪河下边缘对应的像素坐标为(x-i-1,y-i-1);计算出|xi-x|<=100和|x-i-1-x|<=100的像素集合,得到400个像素坐标,每隔30个像素值选取一个上泪河坐标值(xj,yj)和其对应的下泪河坐标值(x-j-1,y-j-1)计算一个泪河高度。
示例性的,如图1和图7所示,所述计算模块150具体还用于:根据所述多个泪河高度测量点,分别得到多个泪河像素值;计算所述多个泪河像素值的平均值,得到最终的泪河高度像素值;通过预设的转换公式将所述泪河高度像素值转换为泪河高度值。
具体的,以角膜投射环中心环中心点为起点垂直向下做垂线,与泪河相交的部分即为要求的第一个泪河高度值。因为在角膜投射环中心环的中心点正下方0.5mm~4mm的泪河区域的泪河高度具有很强的鲁棒性且该区域中的泪河高度值对选取的测量点不敏感,所以在角膜投射环中心环的中心点正下方的2mm的泪河区域共选取7个泪河高度测量点,最后对这7个泪河高度所对应的像素值取平均即可得到最终的泪河高度所对应的像素值,并通过计算的转换公式将泪河高度像素值转换为实际的泪河高度值。
示例性的,所述转换公式如下:
HL=PL×(HY/PY)
其中,HL为所述泪河高度值,PL为泪河高度像素值,PY为所述眼表图像高度对应的像素值,HY为所述眼表图像的高度。
示例性的,如图1所示,所述装置100还包括训练模块170。所述图像获取模块110还用于:分别获取用于分割角膜投射环中心环、泪河的训练眼表图像以及对应的训练角膜投射环中心环区域分割掩膜图像和训练泪河区域分割掩膜图像。所述训练模块170用于:分别将所述训练眼表图像及其对应的角膜投射环中心环区域掩膜金标准和泪河区域掩膜金标准作为输入,将模型预测的所述训练角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像作为输出,分别对所述角膜投射环中心环区域分割模型和所述泪河区域分割模型进行训练。
具体的,所述角膜投射环中心环区域分割模型和所述泪河区域分割模型为基于DeepLab的深度学习神经网络模型,如图9、图10和图11所示,该网络在分割时主要是通过特征提取和图像尺寸复原得到最终的分割结果,特征提取部分包括backbone模块和ASPP模块。本实施例所使用的backbone模块参考了resnet50,并按照眼表图像的特点做了些改进,整个backbone由一个7x7的卷积层、一个最大池化层和四个blocks组成,每个block由bottleneck1和bottleneck2组成,bottleneck1和bottleneck2均是由若干个卷积层、batchnormalization层、ReLU和捷径分支组成的残差块,bottleneck1与bottleneck2的不同之处在于bottleneck1的捷径分支上添加了1x1的卷积核用来降维和升维,bottleneck1和bottleneck2的具体结构分别如图10、图11所示。block3和block4中的部分普通卷积层用膨胀卷积层代替,具体的膨胀系数设置如图9所示。ASPP模块由5个并行分支组成,分别是一个1x1的卷积层、三个3x3的膨胀卷积层,以及一个可以增加全局上下文信息的全局平均池化层(后面还跟有一个1x1的卷积层,然后通过双线性插值的方法还原回输入的尺寸),然后通过concat的方式将这5个分支的输出沿着channels方向进行拼接,最后通过一个1x1的卷积层进一步融合信息;此外,对于并行的三个膨胀卷积层我们采用了Multi-grid策略,并且通过实验发现,在本文所进行的实验中,当multi-grid设置成(1,1,1)时效果最好。每一轮训练结束后,使用二分类的交叉熵函数计算出来的损失结果传至神经网络,进行分割效果的反馈,进而更新神经网络模型的各项权重,随后再进行下一轮训练。这里以使用改进的DeepLabv3网络为例,一共进行了500次的训练,最后得到了眼表区域的分割模型。优化器选取SGD,学习率设为0.0001.最大训练轮次设置为500。在实验的过程中创建了学习率更新策略,让学习率每step更新一次来代替每epoch更新一次,这样可以更好的训练网络。本实施例的眼表区域分割模型采用基于DeepLabv3的深度学习神经网络模型,将训练集图像输入至网络,使用二分类的交叉熵损失函数进行分割效果的评估,迭代更新网络权重,使网络分割的结果尽可能地接近人工标注的眼表区域掩膜,从而不断提升神经网络的分割准确度,经过一定轮次的训练后,得到分割眼表区域的模型,能够显著提高计算泪河高度的准确度。
本发明的另一方面,如图12所示,提供一种基于深度学习的泪河高度测量方法S100,该方法可以适用于前文记载的装置,具体可以参考文相关记载,在此不做赘述。如图12所示,所述方法S100包括;
步骤S110、获取包括角膜投射环中心环区域和泪河区域的眼表图像。
步骤S120、将所述眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像。
步骤S130、将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合,得到融合图像。
步骤S140、检测出所述融合图像中所述角膜投射环中心环和所述泪河的边缘,并确定出所述角膜投射环中心环的中心点。
步骤S150、根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度。
本发明实施例的基于深度学习的泪河高度测量方法,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度,辅助临床医生对于泪液量过少引起泪膜状态不稳定的相关眼表病的诊断。另外,本实施例的泪河高度测量的全过程均为全自动、非侵入性的,与现有的方法相比,不仅可重复性高,而且更为精准。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种基于深度学习的泪河高度测量装置,其特征在于,所述装置包括;
图像获取模块,用于获取包括角膜投射环中心环区域和泪河区域的眼表图像;
分割模块,用于将所述眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像;
融合模块,用于将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合,得到融合图像;
边缘检测模块,用于检测出所述融合图像中所述角膜投射环中心环和所述泪河的边缘,并确定出所述角膜投射环中心环的中心点;
计算模块,用于根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度。
2.根据权利要求1所述的装置,其特征在于,所述装置还包括拟合模块;
所述拟合模块,用于在将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合之前,对所述角膜投射环中心环区域分割掩膜图像进行圆形拟合和空洞填充处理。
3.根据权利要求1所述的装置,其特征在于,所述边缘检测模块,具体还用于:
对所述边缘检测后的角膜投射环中心环外接矩形,通过所述外接矩形的左上角像素坐标和边长,计算出所述角膜投射环中心环的中心点的像素坐标值。
4.根据权利要求1所述的装置,其特征在于,所述计算模块,具体还用于:
遍历所述泪河的上、下边缘对应的像素坐标值;
分别计算遍历到的各所述像素坐标值与所述角膜投射环中心环的中心点向下作垂线与泪河相交处的距离;
将距离小于预设值的像素坐标值所对应的泪河区域作为所述目标泪河区域。
5.根据权利要求4所述的装置,其特征在于,所述计算模块,具体还用于:
所述角膜投射环中心环的中心点的像素坐标为(x,y),所述泪河上边缘对应的像素坐标为(xi,yi),泪河下边缘对应的像素坐标为(x-i-1,y-i-1);
计算出|xi-x|<=100和|x-i-1-x|<=100的像素集合,得到400个像素坐标,每隔30个像素值选取一个上泪河坐标值(xj,yj)和其对应的下泪河坐标值(x-j-1,y-j-1)计算一个泪河高度。
6.根据权利要求4所述的装置,其特征在于,所述计算模块,具体还用于:
根据所述多个泪河高度测量点,分别得到多个泪河像素值;
计算所述多个泪河像素值的平均值,得到最终的泪河高度像素值;
通过预设的转换公式将所述泪河高度像素值转换为泪河高度值。
7.根据权利要求6所述的装置,其特征在于,所述转换公式如下:
HL=PL×(HY/PY)
其中,HL为所述泪河高度值,PL为泪河高度像素值,PY为所述眼表图像高度对应的像素值,HY为所述眼表图像的高度。
8.根据权利要求1至7任一项所述的装置,其特征在于,所述装置还包括训练模块;
所述图像获取模块,还用于分别获取用于分割角膜投射环中心环、泪河的训练眼表图像以及对应的训练角膜投射环中心环区域分割掩膜图像和训练泪河区域分割掩膜图像;
所述训练模块,用于分别将所述训练眼表图像及其对应的角膜投射环中心环区域掩膜金标准和泪河区域掩膜金标准作为输入,将模型预测的所述训练角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像作为输出,分别对所述角膜投射环中心环区域分割模型和所述泪河区域分割模型进行训练。
9.根据权利要求1至7任一项所述的装置,其特征在于,所述角膜投射环中心环区域分割模型和所述泪河区域分割模型为基于DeepLab的深度学习神经网络模型。
10.一种基于深度学习的泪河高度测量方法,其特征在于,所述方法包括;
获取包括角膜投射环中心环区域和泪河区域的眼表图像;
将所述眼表图像分别输入至预先训练好的角膜投射环中心环区域分割模型和泪河区域分割模型,分别得到角膜投射环中心环区域分割掩膜图像和泪河区域分割掩膜图像;
将所述角膜投射环中心环区域分割掩膜图像和所述泪河区域分割掩膜图像进行融合,得到融合图像;
检测出所述融合图像中所述角膜投射环中心环和所述泪河的边缘,并确定出所述角膜投射环中心环的中心点;
根据所述角膜投射环中心环的中心点确定出目标泪河区域,从所述目标泪河区域中选取多个泪河高度测量点,根据所述多个泪河高度测量点计算得到泪河高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310082828.5A CN116051619B (zh) | 2023-01-16 | 2023-01-16 | 基于深度学习的泪河高度测量装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310082828.5A CN116051619B (zh) | 2023-01-16 | 2023-01-16 | 基于深度学习的泪河高度测量装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051619A true CN116051619A (zh) | 2023-05-02 |
CN116051619B CN116051619B (zh) | 2023-11-21 |
Family
ID=86125426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310082828.5A Active CN116051619B (zh) | 2023-01-16 | 2023-01-16 | 基于深度学习的泪河高度测量装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051619B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006080217A1 (ja) * | 2005-01-31 | 2006-08-03 | Tomey Corporation | 眼科装置 |
CN101530317A (zh) * | 2009-04-14 | 2009-09-16 | 翁景宁 | 泪河检测方法及其设备、数据处理装置 |
US20180192866A1 (en) * | 2017-01-11 | 2018-07-12 | University Of Miami | Method and system for three-dimensional thickness mapping of corneal micro-layers and corneal diagnoses |
WO2019027018A1 (ja) * | 2017-08-04 | 2019-02-07 | エルライズ株式会社 | 眼科測定装置、及び眼科測定システム |
CN111110185A (zh) * | 2019-12-30 | 2020-05-08 | 执鼎医疗科技(杭州)有限公司 | 一种泪膜脂质层厚度检测装置 |
CN112017165A (zh) * | 2020-08-19 | 2020-12-01 | 上海美沃精密仪器股份有限公司 | 一种基于深度学习的泪河高度检测方法 |
WO2021161572A1 (ja) * | 2020-02-10 | 2021-08-19 | 株式会社シンクアウト | 涙液測定装置および涙液測定方法 |
CN114343563A (zh) * | 2021-12-31 | 2022-04-15 | 温州医科大学附属眼视光医院 | 一种多模态融合辅助干眼诊断和分型的方法、装置及系统 |
CN115330663A (zh) * | 2021-12-07 | 2022-11-11 | 温州医科大学 | 眼前节oct图像中巩膜镜和泪液镜边界分割方法 |
-
2023
- 2023-01-16 CN CN202310082828.5A patent/CN116051619B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006080217A1 (ja) * | 2005-01-31 | 2006-08-03 | Tomey Corporation | 眼科装置 |
CN101530317A (zh) * | 2009-04-14 | 2009-09-16 | 翁景宁 | 泪河检测方法及其设备、数据处理装置 |
US20180192866A1 (en) * | 2017-01-11 | 2018-07-12 | University Of Miami | Method and system for three-dimensional thickness mapping of corneal micro-layers and corneal diagnoses |
WO2019027018A1 (ja) * | 2017-08-04 | 2019-02-07 | エルライズ株式会社 | 眼科測定装置、及び眼科測定システム |
CN111110185A (zh) * | 2019-12-30 | 2020-05-08 | 执鼎医疗科技(杭州)有限公司 | 一种泪膜脂质层厚度检测装置 |
WO2021161572A1 (ja) * | 2020-02-10 | 2021-08-19 | 株式会社シンクアウト | 涙液測定装置および涙液測定方法 |
CN112017165A (zh) * | 2020-08-19 | 2020-12-01 | 上海美沃精密仪器股份有限公司 | 一种基于深度学习的泪河高度检测方法 |
CN115330663A (zh) * | 2021-12-07 | 2022-11-11 | 温州医科大学 | 眼前节oct图像中巩膜镜和泪液镜边界分割方法 |
CN114343563A (zh) * | 2021-12-31 | 2022-04-15 | 温州医科大学附属眼视光医院 | 一种多模态融合辅助干眼诊断和分型的方法、装置及系统 |
Non-Patent Citations (2)
Title |
---|
徐清妍;钟瑞生;郑玛丽;郭连春;: "干眼检查中泪膜破裂时间测定对泪河高度的影响", 中外医疗, no. 17 * |
高超;王春芳;梁庆丰;: "前节OCT泪河测量的相关参数在干眼诊断中的应用研究", 眼科, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN116051619B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517235B (zh) | 一种基于GCS-Net进行OCT图像脉络膜自动分割方法 | |
JP6025311B2 (ja) | 眼科診断支援装置および方法 | |
US9060717B2 (en) | Detection and measurement of tissue images | |
Hassan et al. | Joint segmentation and quantification of chorioretinal biomarkers in optical coherence tomography scans: A deep learning approach | |
Wintergerst et al. | Algorithms for the automated analysis of age-related macular degeneration biomarkers on optical coherence tomography: a systematic review | |
CN102458222A (zh) | 图像处理设备、图像处理方法和计算机程序 | |
CN103348359A (zh) | 使用光学相干断层照相的3d视网膜破裂检测 | |
González-López et al. | Robust segmentation of retinal layers in optical coherence tomography images based on a multistage active contour model | |
CN108416793B (zh) | 基于三维相干断层成像图像的脉络膜血管分割方法及系统 | |
CN107644424B (zh) | 通过合并edi-oct图像来分割sd-oct图像脉络膜的方法 | |
de Sisternes et al. | Automated intraretinal segmentation of SD-OCT images in normal and age-related macular degeneration eyes | |
CN112837805B (zh) | 基于深度学习的眼睑拓扑形态特征的提取方法 | |
CN110148111A (zh) | 一种视网膜oct图像中多种视网膜病灶的自动检测方法 | |
US20210272291A1 (en) | Method and computer program for segmentation of optical coherence tomography images of the retina | |
Rabbani et al. | Obtaining thickness maps of corneal layers using the optimal algorithm for intracorneal layer segmentation | |
Gawlik et al. | Active contour method for ILM segmentation in ONH volume scans in retinal OCT | |
CN109549619B (zh) | 眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统 | |
CN109744996B (zh) | Oct图像的bmo位置定位方法 | |
CN116051619B (zh) | 基于深度学习的泪河高度测量装置及方法 | |
CN116269198B (zh) | 基于卷积神经网络的眼球旋转角测量方法及装置 | |
CN115908237B (zh) | 一种眼裂宽度的测量方法、装置和存储介质 | |
WO2023036899A1 (en) | Method and system for retinal tomography image quality control | |
TWI742782B (zh) | 視網膜分層厚度檢測模型之建立方法、視網膜分層厚度檢測系統、眼部照護裝置、視網膜分層厚度檢測方法及失智症評估和預測方法 | |
CN114027883A (zh) | 一种晶状体生物参数的测量方法、装置及系统 | |
George et al. | Oct segmentation using convolutional neural network |
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 |