CN116725563B - 眼球突出度测量装置 - Google Patents
眼球突出度测量装置 Download PDFInfo
- Publication number
- CN116725563B CN116725563B CN202310040009.4A CN202310040009A CN116725563B CN 116725563 B CN116725563 B CN 116725563B CN 202310040009 A CN202310040009 A CN 202310040009A CN 116725563 B CN116725563 B CN 116725563B
- Authority
- CN
- China
- Prior art keywords
- image
- eyeball
- actual
- sagittal
- eye
- 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
- 210000005252 bulbus oculi Anatomy 0.000 title claims abstract description 111
- 238000002591 computed tomography Methods 0.000 claims abstract description 107
- 230000011218 segmentation Effects 0.000 claims abstract description 81
- 210000001508 eye Anatomy 0.000 claims abstract description 46
- 210000004279 orbit Anatomy 0.000 claims abstract description 39
- 210000004087 cornea Anatomy 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 64
- 238000000034 method Methods 0.000 claims description 15
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 208000018087 Orbital disease Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000025303 orbit neoplasm Diseases 0.000 description 1
- 201000000890 orbital cancer Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
-
- 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
- A61B3/1005—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for measuring distances inside the eye, e.g. thickness of the cornea
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Linguistics (AREA)
- Ophthalmology & Optometry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pulmonology (AREA)
- Dentistry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种眼球突出度测量装置,包括图像获取模块,用于分别获取眼部区域的实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像;分割模块,用于将实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别输入至预先训练的眼球区域分割模型,得到实际眼球区域分割掩膜图像,并根据实际眼球区域分割掩膜图像得到角膜前表面顶点坐标;处理模块,用于对实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别进行处理,得到包含眼眶区域的二值化图像,并根据其得到眼眶外缘最突点坐标;计算模块,用于根据眼眶外缘最突点坐标和角膜前表面顶点坐标,计算得到眼球突出度,能够准确计算得到眼球突出度。
Description
技术领域
本发明属于医学图像处理技术领域,具体涉及一种眼球突出度测量装置。
背景技术
眼球突出的程度对于诊断如眼眶肿瘤和创伤等眼眶疾病、甲状腺相关眼病等有着重要的参考意义,因此,准确测量眼球突出的程度对于评估相关疾病的严重程度和治疗效果至关重要。
目前,有多种类型的设备可以用于测量眼球突出度,其中,最为广泛使用的是Hertel眼球计,它通过估计眼眶外侧边缘到垂直于额面的角膜表面得距离来代表眼球突出程度。然而,Hertel眼球计已被证实在观察者间和观察者内具有较低得可重复性,因此导致其较低得可靠性。
为了弥补这些缺陷,一些研究者提出了基于计算机断层扫描(CT)图像的眼球突出程度测量方法,这些方法大多是依靠临床医生,手动识别出CT图像中与眼球突出度相关的结构如双眼外侧眶缘、角膜顶点等,再根据相关软件进行距离、面积等参数的测量。这些方法很大程度上依靠临床医生对相关结构、参数的人工测量,具有较大主观性,且耗时耗力,效率低下。
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,提供一种眼球突出度测量装置。
本发明提供一种眼球突出度测量装置,所述眼球突出度测量装置包括;
图像获取模块,用于分别获取眼部区域的实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像;
分割模块,用于将所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别输入至预先训练的眼球区域分割模型,得到实际眼球区域分割掩膜图像,并根据所述实际眼球区域分割掩膜图像得到角膜前表面顶点坐标;其中,所述眼球区域分割模型采用眼部区域的训练水平位计算机断层扫描图像和训练矢状位计算机断层扫描图像训练得到;
处理模块,用于对所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别进行处理,得到包含眼眶区域的二值化图像,并根据所述二值化图像得到所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中眼眶外缘最突点坐标;
计算模块,用于根据所述眼眶外缘最突点坐标和所述角膜前表面顶点坐标,计算得到眼球突出度。
可选地,所述眼球突出度测量装置还包括训练模块;
所述图像获取模块,还用于分别获取眼部区域的训练水平位计算机断层扫描图像、训练矢状位计算机断层扫描图像以及对应的训练眼球区域分割掩膜图像;
所述训练模块,用于分别将所述训练水平位计算机断层扫描图像和训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,将模型预测的所述训练眼球区域分割掩膜图像作为输出,对所述眼球区域分割模型进行训练。
可选地,所述眼球区域分割模型包括水平位眼球区域分割模型和矢状位眼球区域分割模型;所述训练模块,还用于:
将所述训练水平位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,以及将模型预测的双眼眼球区域掩膜图像作为输出,训练所述水平位眼球区域分割模型;
将所述训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,以及将模型预测的单眼眼球区域掩膜图像作为输出,训练所述矢状位眼球区域分割模型。
可选地,所述分割模块,还用于:
对所述实际眼球区域分割掩膜图像进行像素点遍历,得到所述角膜前表面顶点坐标。
可选地,所述实际眼球区域分割掩膜图像包括实际水平位眼球区域分割掩膜图像和实际矢状位眼球区域分割掩膜图像;所述分割模块,具体还用于:
将所述实际水平位分割掩膜图像按照图像坐标轴的x轴进行二等分,分别对左、右两个子图进行像素点的遍历,寻找每张子图像素点中图像坐标轴的y值最小的点,并记录该点的坐标;最后,将两张子图分别定位的角膜前表面顶点坐标按照比例还原至原图的坐标点,作为左、右两眼的角膜前表面顶点坐标;或者,
对所述实际矢状位眼球区域分割掩膜图像直接进行像素点的遍历,寻找白色区域的像素点中x值最小的点,并记录该点坐标,作为矢状位中角膜前表面顶点的坐标。
可选地,所述处理模块,具体还用于:
分别对所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像依次进行阈值分割、形态学开运算以及消除较小连通域的图像预处理,得到包含眼眶区域的所述二值化图像。
可选地,所述处理模块,具体还用于:
分别将所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中灰度值大于阈值的像素点保留,筛除灰度值小于所述阈值的像素点,得到阈值分割后的二值化图像;
对所述阈值分割后的二值化图像进行先腐蚀后膨胀的形态学开运算,得到消除水印的二值化图像;
对所述消除水印的二值化图像先进行轮廓寻找,随后计算每个轮廓的面积,将面积小于预设值的连通域进行删除,最后得到包含眼眶区域的所述二值化图像。
可选地,所述处理模块,具体还用于:
对于所述实际水平位计算机断层扫描图像,将所述包含眼眶区域的二值化图像按照x轴平分为左、中、右三个子图,分别对左、右两个子图进行像素点的遍历,寻找白色区域像素点中y值最小的点,依次记录其坐标,最后将坐标还原至原图对应的坐标,即可得到水平位计算机断层扫描图像中双眼外侧眶缘的最突点坐标;以及,
对于所述实际矢状位计算机断层扫描图像,将所述包含眼眶区域的二值化图像按照y轴平分为上、下两个子图,分别对上、下两个子图进行像素点的遍历,寻找白色区域像素点中x值最小的点,记录该点坐标,最后将坐标还原至原图对应的坐标,即可得到矢状位计算机断层扫描图像中上下眶缘的最突点坐标。
可选地,所述计算模块,还用于:
根据所述眼眶外缘最突点坐标,分别得到所述实际水平位计算机断层扫描图像中双眼外侧眶缘最突点连线以及实际矢状位计算机断层扫描图像中上下眶缘最突点连线的直线方程;
在所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中分别计算所述角膜前表面顶点坐标至眼眶外缘最突点连线的垂线距离,以分别得到所述水平位突出度和矢状位突出度。
可选地,所述眼球区域分割模型为基于U-Net的深度学习神经网络模型。
本发明实施例的眼球突出度测量装置,能够分别在水平位计算机断层扫描图像以及矢状位计算机断层扫描图像中自动分割出眼球及眼眶区域,实现角膜前表面顶点、眼眶外缘最突点的定位,并根据所述眼眶外缘最突点坐标和所述角膜前表面顶点坐标,计算得到眼球突出度,辅助临床医生对于引起眼球突出或凹陷的相关眼眶病的诊断。
附图说明
图1为本发明一实施例的眼球突出度测量装置的结构示意图;
图2为本发明另一实施例的眼球突出度测量流程框架图(水平位);
图3为本发明另一实施例的眼球突出度测量流程框架图(矢状位);
图4为本发明另一实施例的计算机断层扫描图像中眼球区域得分割结果示意图;
图5为本发明另一实施例的获取水平位计算机断层扫描图像中角膜前表面顶点坐标的过程示意图;
图6为本发明另一实施例的获取矢状位计算机断层扫描图像中角膜前表面顶点坐标的过程示意图;
图7为本发明另一实施例的图像预处理过程示意图;
图8为本发明另一实施例的获取水平位计算机断层扫描图像中双眼外侧眶缘最突点坐标的过程示意图;
图9为本发明另一实施例的获取矢状位计算机断层扫描图像中上下眶缘最突点坐标的过程示意图。
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、图2和图3所示,本发明的实施例涉及一种眼球突出度测量装置100,所述眼球突出度测量装置100包括图像获取模块110、分割模块120、处理模块130和计算模块140。
如图1、图2和图3所示,所述图像获取模块110用于分别获取眼部区域的实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像。
继续参考图1、图2和图3,所述分割模块120用于将所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别输入至预先训练的眼球区域分割模型,得到实际眼球区域分割掩膜图像,并根据所述实际眼球区域分割掩膜图像得到角膜前表面顶点坐标。其中,所述眼球区域分割模型采用眼部区域的训练水平位计算机断层扫描图像和训练矢状位计算机断层扫描图像训练得到。
继续参考图1、图2和图3,所述处理模块130用于对所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别进行处理,得到包含眼眶区域的二值化图像,并根据所述二值化图像得到所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中眼眶外缘最突点坐标。
继续参考图1、图2和图3,所述计算模块140用于根据所述眼眶外缘最突点坐标和所述角膜前表面顶点坐标,计算得到眼球突出度。
本实施例的眼球突出度测量装置,能够分别在水平位计算机断层扫描图像以及矢状位计算机断层扫描图像中自动分割出眼球及眼眶区域,实现角膜前表面顶点、眼眶外缘最突点的定位,并根据所述眼眶外缘最突点坐标和所述角膜前表面顶点坐标,计算得到眼球突出度,辅助临床医生对于引起眼球突出或凹陷的相关眼眶病的诊断。
示例性的,如图1、图2和图3所示,为了对眼球区域分割模型进行训练,所述眼球突出度测量装置100还包括训练模块150。所述图像获取模块110还用于分别获取眼部区域的训练水平位计算机断层扫描图像、训练矢状位计算机断层扫描图像以及对应的训练眼球区域分割掩膜图像。所述训练模块150用于分别将所述训练水平位计算机断层扫描图像和训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,将模型预测的所述训练眼球区域分割掩膜图像作为输出,对所述眼球区域分割模型进行训练。
为了提高训练模型的准确度,可以将训练水平位计算机断层扫描图像、训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准和训练眼球区域分割掩膜图像划分为训练集和测试集,其中,训练集的图像将用于分割网络的训练,测试集的图像则用于检测模型分割结果的准确率。进一步的,还可以对训练集图像进行数据增强,包括但不限于对图像进行随机角度的旋转、镜像翻转等操作,以增加用于训练分割网络的数据量。
具体的,所述眼球区域分割模型包括水平位眼球区域分割模型和矢状位眼球区域分割模型。如图1和图4(左图)所示,所述训练模块150还用于:将所述训练水平位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,以及将模型预测的双眼眼球区域掩膜图像作为输出,训练所述水平位眼球区域分割模型。如图1和图4(右图)所示,所示训练模块150还用于将所述训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,以及将模型预测的单眼眼球区域掩膜图像作为输出,训练所述矢状位眼球区域分割模型。
进一步的,多种符合上述输入、输出条件的深度学习神经网络模型均适用于本方法,以基于U-Net的深度学习神经网络为例,该网络分为编码器、解码器以及跳跃连接三个结构。编码器包含五个阶段,每个阶段由两个卷积核大小为3×3的卷积层与激活函数组成,每个阶段之间由最大池化层进行下采样操作。其中,卷积层可以提取输入的计算机断层扫描图像中的特征,同时将图像的通道数进行扩增,提取得到的特征图既通过最大池化层传输到编码器的下一阶段,尺寸变为原来的二分之一,也通过跳跃连接传输到解码器的同一阶段,以此往复,输入的水平位计算机断层扫描图像的尺寸在编码器的最后一层缩小为原来的1/16倍,通道数则依次扩增为64、128、256、512、1024个。解码器用于恢复特征图的原始分辨率,也包含五个阶段,每个阶段由两个卷积核大小为3×3的卷积层和激活函数组成,每个阶段之间通过上层卷积进行上采样。解码器将上一阶段输入的特征图与编码器同一阶段生成的特征图进行跳跃连接后,通过两个卷积层对其进行通道数的缩减,依次将特征图的通道数依次缩减为512、256、128、64、1个,随后通过上采样层依次将特征图的分辨率由原图的1/16倍恢复为原图大小。最后,解码器的最后一层通过一个1×1的卷积层,输出最终分割的眼球区域掩膜。每一轮训练结束后,神经网络使用DiceLoss函数(公式如下所示)计算网络分割出的眼球区域掩膜图像与输入的眼球区域掩膜金标准之间的差异,并将损失函数计算出来的结果传至神经网络,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U-Net网络为例,一共进行了200次的训练,最后得到了眼球区域的分割模型。
DiceLoss=1-(2*|X∩Y|)/(|X|+|Y|),其中,X代表神经网络分割得到的眼球区域掩膜,Y代表输入至神经网络的真实眼球区域掩膜。
本实施例的眼球区域分割模型采用基于U-Net的深度学习神经网络模型,将训练集图像输入至网络,使用DiceLoss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球区域掩膜,从而不断提升神经网络的分割结果,经过一定轮次的训练后,得到分割眼球区域的模型,能够显著提高计算眼球突出度的准确度。
示例性的,如图1所示,所述分割模块120还用于:对所述实际眼球区域分割掩膜图像进行像素点遍历,得到所述角膜前表面顶点坐标。
具体的,如图1和图5所示,所述分割模块120具体还用于:将实际水平位分割掩膜图像按照图像坐标轴的x轴进行二等分,分别对左、右两个子图进行像素点的遍历,寻找每张子图像素点中图像坐标轴的y值最小的点,并记录该点的坐标;最后,将两张子图分别定位的角膜前表面顶点坐标按照比例还原至原图的坐标点,作为左、右两眼的角膜前表面顶点坐标。
如图1和图6所示,所述分割模块120具体还用于:对所述实际矢状位眼球区域分割掩膜图像直接进行像素点的遍历,寻找白色区域的像素点中x值最小的点,并记录该点坐标,作为矢状位中角膜前表面顶点的坐标。
示例性的,如图1和图7所示,所述处理模块130具体还用于:分别对所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像依次进行阈值分割、形态学开运算以及消除较小连通域的图像预处理,得到包含眼眶区域的所述二值化图像。
具体的,如图1和图7所示,上述图像预处理操作均通过OpenCV库中自带的函数得以实现。具体而言,由于眼眶是一种骨骼结构,密度较高,在计算机断层扫描图像中显示为对比度较高的白色,因此,我们阈值分割设置的灰度阈值可以为200,即保留原来计算机断层扫描图像中灰度值大于200的像素点,筛除灰度值小于200的像素点。随后,为了消除计算机断层扫描机器自动生成的水印,对阈值分割后的二值化图像进行先腐蚀后膨胀的形态学开运算,得到消除水印的二值化图像。最后,为了消除二值化图像上残余的噪点以及较小面积的结构,需要先对二值化图像进行轮廓寻找,随后计算每个轮廓的面积,将面积小于20的连通域进行删除,最后得到包含眼眶区域的二值化图像。上述预处理过程如图7所示。
示例性的,如图1和图8所示,所述处理模块130具体还用于:对于所述实际水平位计算机断层扫描图像,将所述包含眼眶区域的二值化图像按照x轴平分为左、中、右三个子图,分别对左、右两个子图进行像素点的遍历,寻找白色区域像素点中y值最小的点,依次记录其坐标,最后将坐标还原至原图对应的坐标,即可得到水平位计算机断层扫描图像中双眼外侧眶缘的最突点坐标。
示例性的,如图1和图9所示,所述处理模块130具体还用于:对于所述实际矢状位计算机断层扫描图像,将所述包含眼眶区域的二值化图像按照y轴平分为上、下两个子图,分别对上、下两个子图进行像素点的遍历,寻找白色区域像素点中x值最小的点,记录该点坐标,最后将坐标还原至原图对应的坐标,即可得到矢状位计算机断层扫描图像中上下眶缘的最突点坐标。
示例性的,如图1和图2所示,所述计算模块140还用于:根据所述水平位计算机断层扫描图像中双眼外侧眶缘的最突点坐标,得到所述实际水平位计算机断层扫描图像中双眼外侧眶缘最突点连线的直线方程。在所述实际水平位计算机断层扫描图像中计算所述角膜前表面顶点坐标至双眼外侧眶缘最突点连线直线方程的垂线距离,得到所述眼球的水平位突出度。
示例性的,如图1和图3所示,所述计算模块140还用于:根据所述矢状位计算机断层扫描图像中上下眶缘的最突点坐标,得到实际矢状位计算机断层扫描图像中上下眶缘最突点连线的直线方程。在所述实际矢状位计算机断层扫描图像中计算所述眼球前表面顶点至上下眶缘的最突点连线的直线方程的垂线距离,得到所述眼球的矢状位突出度。
需要说明的是,水平位和矢状位计算结果是眼球突出度的两种参数,均可以用来表示眼球突出度。为了使得眼球突出度计算结果更加准确,可以综合考虑水平位突出度和矢状位突出度。
总而言之,本发明的眼球突出度测量装置,能够分别在水平位计算机断层扫描图像以及矢状位计算机断层扫描图像中自动分割出眼球及眼眶区域,实现角膜前表面顶点、眼眶外缘最突点的定位,得到水平位计算机断层扫描图像中双眼角膜顶点到双眼外侧眶缘最突点连线的垂线距离,以及矢状位计算机断层扫描图像中角膜顶点到上下眶缘最突点的垂线距离。本发明能够基于上述计算出的垂线距离,自动、客观、准确地测量眼球突出度,辅助临床医生对于引起眼球突出或凹陷的相关眼眶病的诊断。
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 (7)
1.一种眼球突出度测量装置,其特征在于,所述眼球突出度测量装置包括;
图像获取模块,用于分别获取眼部区域的实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像;
分割模块,用于将所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别输入至预先训练的眼球区域分割模型,得到实际眼球区域分割掩膜图像,并根据所述实际眼球区域分割掩膜图像得到角膜前表面顶点坐标;其中,所述眼球区域分割模型采用眼部区域的训练水平位计算机断层扫描图像和训练矢状位计算机断层扫描图像训练得到;
处理模块,用于对所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像分别进行处理,得到包含眼眶区域的二值化图像,具体为:分别对所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像依次进行阈值分割、形态学开运算以及消除较小连通域的图像预处理,得到包含眼眶区域的所述二值化图像;并根据所述二值化图像得到所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中眼眶外缘最突点坐标;
计算模块,用于根据所述眼眶外缘最突点坐标和所述角膜前表面顶点坐标,计算得到眼球突出度;
所述实际眼球区域分割掩膜图像包括实际水平位眼球区域分割掩膜图像和实际矢状位眼球区域分割掩膜图像,所述分割模块,还用于:对所述实际眼球区域分割掩膜图像进行像素点遍历,得到所述角膜前表面顶点坐标,具体为:将所述实际水平位眼球区域分割掩膜图像按照图像坐标轴的x轴进行二等分,分别对左、右两个子图进行像素点的遍历,寻找每张子图像素点中图像坐标轴的y值最小的点,并记录该点的坐标;最后,将两张子图分别定位的角膜前表面顶点坐标按照比例还原至原图的坐标点,作为左、右两眼的角膜前表面顶点坐标;或者,
对所述实际矢状位眼球区域分割掩膜图像直接进行像素点的遍历,寻找白色区域的像素点中x值最小的点,并记录该点坐标,作为矢状位中角膜前表面顶点坐标。
2.根据权利要求1所述的眼球突出度测量装置,其特征在于,所述眼球突出度测量装置还包括训练模块;
所述图像获取模块,还用于分别获取眼部区域的训练水平位计算机断层扫描图像、训练矢状位计算机断层扫描图像以及对应的训练眼球区域分割掩膜图像;
所述训练模块,用于分别将所述训练水平位计算机断层扫描图像和训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,将模型预测的所述训练眼球区域分割掩膜图像作为输出,对所述眼球区域分割模型进行训练。
3.根据权利要求2所述的眼球突出度测量装置,其特征在于,所述眼球区域分割模型包括水平位眼球区域分割模型和矢状位眼球区域分割模型;所述训练模块,还用于:
将所述训练水平位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,以及将模型预测的双眼眼球区域掩膜图像作为输出,训练所述水平位眼球区域分割模型;
将所述训练矢状位计算机断层扫描图像及其对应的眼球区域掩膜金标准作为输入,以及将模型预测的单眼眼球区域掩膜图像作为输出,训练所述矢状位眼球区域分割模型。
4.根据权利要求1至3任一项所述的眼球突出度测量装置,其特征在于,所述处理模块,具体还用于:
分别将所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中灰度值大于阈值的像素点保留,筛除灰度值小于所述阈值的像素点,得到阈值分割后的二值化图像;
对所述阈值分割后的二值化图像进行先腐蚀后膨胀的形态学开运算,得到消除水印的二值化图像;
对所述消除水印的二值化图像先进行轮廓寻找,随后计算每个轮廓的面积,将面积小于预设值的连通域进行删除,最后得到包含眼眶区域的所述二值化图像。
5.根据权利要求1至3任一项所述的眼球突出度测量装置,其特征在于,所述处理模块,具体还用于:
对于所述实际水平位计算机断层扫描图像,将所述包含眼眶区域的二值化图像按照x轴平分为左、中、右三个子图,分别对左、右两个子图进行像素点的遍历,寻找白色区域像素点中y值最小的点,依次记录其坐标,最后将坐标还原至原图对应的坐标,即可得到水平位计算机断层扫描图像中双眼外侧眶缘的最突点坐标;以及,
对于所述实际矢状位计算机断层扫描图像,将所述包含眼眶区域的二值化图像按照y轴平分为上、下两个子图,分别对上、下两个子图进行像素点的遍历,寻找白色区域像素点中x值最小的点,记录该点坐标,最后将坐标还原至原图对应的坐标,即可得到矢状位计算机断层扫描图像中上下眶缘的最突点坐标。
6.根据权利要求1至3任一项所述的眼球突出度测量装置,其特征在于,所述计算模块,还用于:
根据所述眼眶外缘最突点坐标,分别得到所述实际水平位计算机断层扫描图像中双眼外侧眶缘最突点连线以及实际矢状位计算机断层扫描图像中上下眶缘最突点连线的直线方程;
在所述实际水平位计算机断层扫描图像和实际矢状位计算机断层扫描图像中分别计算所述角膜前表面顶点坐标至眼眶外缘最突点连线的垂线距离,以分别得到所述眼球的水平位突出度和矢状位突出度。
7.根据权利要求1至3任一项所述的眼球突出度测量装置,其特征在于,所述眼球区域分割模型为基于U-Net的深度学习神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310040009.4A CN116725563B (zh) | 2023-01-13 | 2023-01-13 | 眼球突出度测量装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310040009.4A CN116725563B (zh) | 2023-01-13 | 2023-01-13 | 眼球突出度测量装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116725563A CN116725563A (zh) | 2023-09-12 |
CN116725563B true CN116725563B (zh) | 2024-02-09 |
Family
ID=87910283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310040009.4A Active CN116725563B (zh) | 2023-01-13 | 2023-01-13 | 眼球突出度测量装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116725563B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117297642A (zh) * | 2023-11-16 | 2023-12-29 | 广州卫视博生物科技有限公司 | 病眼眼轴测量方法、折叠式人工玻璃体球囊尺寸型号及硅油注入量确定方法和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803024A (zh) * | 2020-08-27 | 2020-10-23 | 张桦 | 基于深度学习算法测量眼球突出度的系统以及方法 |
CN111839455A (zh) * | 2020-08-11 | 2020-10-30 | 上海鹰瞳医疗科技有限公司 | 甲状腺相关眼病的眼部体征识别方法及设备 |
WO2020235940A1 (ko) * | 2019-05-21 | 2020-11-26 | (의) 삼성의료재단 | 3d 심도 카메라를 이용한 안구 돌출 측정 장치, 방법 및 시스템 |
CN114219754A (zh) * | 2021-10-29 | 2022-03-22 | 上海鹰瞳医疗科技有限公司 | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 |
CN114694236A (zh) * | 2022-03-08 | 2022-07-01 | 浙江大学 | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963737B2 (en) * | 2017-08-01 | 2021-03-30 | Retina-Al Health, Inc. | Systems and methods using weighted-ensemble supervised-learning for automatic detection of ophthalmic disease from images |
-
2023
- 2023-01-13 CN CN202310040009.4A patent/CN116725563B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020235940A1 (ko) * | 2019-05-21 | 2020-11-26 | (의) 삼성의료재단 | 3d 심도 카메라를 이용한 안구 돌출 측정 장치, 방법 및 시스템 |
CN111839455A (zh) * | 2020-08-11 | 2020-10-30 | 上海鹰瞳医疗科技有限公司 | 甲状腺相关眼病的眼部体征识别方法及设备 |
CN111803024A (zh) * | 2020-08-27 | 2020-10-23 | 张桦 | 基于深度学习算法测量眼球突出度的系统以及方法 |
CN114219754A (zh) * | 2021-10-29 | 2022-03-22 | 上海鹰瞳医疗科技有限公司 | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 |
CN114694236A (zh) * | 2022-03-08 | 2022-07-01 | 浙江大学 | 一种基于循环残差卷积神经网络的眼球运动分割定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116725563A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
CN108509908B (zh) | 一种基于双目立体视觉的瞳孔直径实时测量方法 | |
CN111488865A (zh) | 图像优化方法、装置、计算机存储介质以及电子设备 | |
CN111640120A (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
CN111862044A (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN116725563B (zh) | 眼球突出度测量装置 | |
CN112927212B (zh) | 基于深度学习的oct心血管斑块自动识别与分析方法 | |
CN108257126A (zh) | 三维视网膜oct图像的血管检测和配准方法、设备及应用 | |
CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及系统 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估系统 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN115969400A (zh) | 眼球突出截面积测量装置 | |
Wang et al. | Automatic consecutive context perceived transformer GAN for serial sectioning image blind inpainting | |
Zhang et al. | Reconnection of interrupted curvilinear structures via cortically inspired completion for ophthalmologic images | |
CN116778559A (zh) | 基于高斯过程与随机变换的面部皱纹三维评价方法及系统 | |
Liu et al. | Tracking-based deep learning method for temporomandibular joint segmentation | |
CN111325756A (zh) | 基于深度学习网络的三维影像动静脉分割方法及系统 | |
CN114332278A (zh) | 一种基于深度学习的octa图像运动矫正方法 | |
CN113409306A (zh) | 一种检测装置、训练方法、训练装置、设备和介质 | |
CN110930394B (zh) | 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
CN113935889A (zh) | 2d/3d冠状动脉自动配准方法、系统及介质 | |
Khoddami et al. | Depth map super resolution using structure-preserving guided filtering |
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 |