CN117058148B - 一种眼球震颤患者成像质量检测方法、装置及设备 - Google Patents

一种眼球震颤患者成像质量检测方法、装置及设备 Download PDF

Info

Publication number
CN117058148B
CN117058148B CN202311317634.5A CN202311317634A CN117058148B CN 117058148 B CN117058148 B CN 117058148B CN 202311317634 A CN202311317634 A CN 202311317634A CN 117058148 B CN117058148 B CN 117058148B
Authority
CN
China
Prior art keywords
nystagmus
patient
movement data
model
data
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
Application number
CN202311317634.5A
Other languages
English (en)
Other versions
CN117058148A (zh
Inventor
王乐今
肖真
王天放
申鹏飞
张旭斌
王舵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chaomu Technology Beijing Co ltd
Original Assignee
Chaomu Technology Beijing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chaomu Technology Beijing Co ltd filed Critical Chaomu Technology Beijing Co ltd
Priority to CN202311317634.5A priority Critical patent/CN117058148B/zh
Publication of CN117058148A publication Critical patent/CN117058148A/zh
Application granted granted Critical
Publication of CN117058148B publication Critical patent/CN117058148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic
    • 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
    • G06T2207/30168—Image quality inspection
    • 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

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Eye Examination Apparatus (AREA)

Abstract

本发明涉及医学成像检测技术领域，公开了一种眼球震颤患者成像质量检测方法、装置及设备，方法包括实时获取眼球震颤患者眼球的术前运动数据；根据术前运动数据调整视标的位置，调整后的视标位置与术前运动数据中的视线方向一致；根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果，通过基于评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果的方法，预测眼球震颤患者术后眼部的质量，从而提供准确的术后效果的评估，帮助医生和患者了解眼球震颤手术治疗效果和进展。

Description

一种眼球震颤患者成像质量检测方法、装置及设备
技术领域
本发明涉及医学成像检测技术领域，具体涉及一种眼球震颤患者成像质量检测方法、装置及设备。
背景技术
眼球震颤患者与常规近视患者通过眼镜矫正来达到最佳视力的方式不同，这是因为眼球震颤无法通过眼镜矫正，一般采用手术治疗，与便捷易用的眼镜不同，手术后患者的术后视力水平很难预测。此外，除了眼球震颤，还可能存在其他眼部疾病影响视力，或者其他因素导致视力下降。然而，现有的视力检查方法主要针对稳定的视标，无法准确评估成像质量。尽管眼动追踪装置可以捕捉眼球震颤的数据，但医生仍需要参与对患者眼部症状的判断和评估。缺乏有效的术前评估工具，这也导致了医生无法快速、准确地预测患者在术后的视力矫正效果。
发明内容
有鉴于此，本发明提供了一种眼球震颤患者眼球成像质量检测设备及方法，以解决现有技术中术前无法准确评估眼球震颤患者术后的眼球成像质量问题。
第一方面，本发明提供了一种眼球震颤患者成像质量检测方法，方法包括：实时获取眼球震颤患者眼球的术前运动数据；根据术前运动数据调整视标的位置，调整后的视标位置与术前运动数据中的视线方向一致；根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果。
本发明通过实时获取眼球震颤患者术前运动数据，可以准确记录患者眼球的运动信息，为后续的分析和调整提供准确的数据基础。通过根据术前运动数据调整视标的位置，可以保证患者眼球视线与视标保持一致，更好的感知患者眼球的运动。通过基于评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果的方法，预测眼球震颤患者术后眼部的质量，从而提供准确的术后效果的评估，帮助医生和患者了解眼球震颤手术治疗效果和进展。
在一种可选的实施方式中，根据术前运动数据调整视标的位置，包括：获取眼球震颤患者眼球术前的历史运动数据；采用历史运动数据构建眼动预测模型；根据眼动预测模型和当前时刻眼球的运动数据预测下一时刻眼球的运动数据；根据下一时刻眼球的运动数据确定的视线方向调整视标的位置。
通过实时预测下一时刻眼球的运动数据并相应地调整视标，可以在实际成像过程中提供快速的反馈和调整，从而保证即时的成像质量，进而保证后续根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果的准确性。
在一种可选的实施方式中，采用历史运动数据构建眼动预测模型，包括：基于解剖学和生理学原理对历史运动数据进行拟合分析，构建眼动预测模型；或者，采用历史运动数据对自编码器进行训练，构建眼动预测模型。
通过基于解剖学和生理学原理对历史运动数据进行拟合分析，可以更好地理解眼球震颤的生物学机制，通过采用历史运动数据对自编码器进行训练，可以让模型学习患者眼球震颤的特定运动模式，包括速度、幅度和方向等。两种方式都可以根据每位患者的历史运动数据来构建模型，有助于构建更精确的眼动预测模型，从而更准确地预测眼球的运动轨迹。
在一种可选的实施方式中，根据术前运动数据调整视标的位置，包括：获取眼球震颤患者眼球术前的历史运动数据；采用历史运动数据训练机器学习模型，得到震颤识别模型，震颤识别模型用于识别眼球震颤速度和幅度；将实时获取的运动数据输入至震颤识别模块，得到当前眼球震颤速度和幅度；根据当前眼球震颤速度和幅度调整视标的位置。
通过训练震颤识别模型来识别眼球震颤速度和幅度，可以更准确地捕捉患者眼球震颤的特征。将实时获取的运动数据输入震颤识别模型后，可以得到更精确的当前眼球震颤速度和幅度，从而提高了视标调整的精确性。
在一种可选的实施方式中，在实时获取眼球震颤患者眼球术前的运动数据之后，方法还包括：根据自适应滤波算法对运动数据进行滤波处理。
通过滤波处理可以帮助减少噪声、平滑运动轨迹、减少误差，从而提高眼球震颤患者成像质量检测方法的可靠性和准确性。
在一种可选的实施方式中，根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果，包括：获取眼球震颤患者眼球的历史评估结果和对应的治疗结果；采用历史评估结果和对应的治疗结果对机器学习模型进行训练，得到治疗评估模型；将评估结果输入至治疗评估模型中，确定眼球震颤患者的术后结果。
通过使用历史评估结果和治疗结果，可以为每位患者提供各自的治疗评估。治疗评估模型可以预测患者接受治疗后的术后效果，包括症状的改善程度和视力的变化，帮助医生和患者了解眼球震颤手术治疗效果和进展。
第二方面，本发明提供了一种眼球震颤患者成像质量检测装置，装置包括：
数据获取模块，用于实时获取眼球震颤患者眼球的运动数据；
调整模块，用于根据运动数据调整视标的位置，调整后的视标位置与运动数据中的视线方向一致；
评估模块，用于根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；
预测模块，用于根据评估结果和预训练的治疗评估模型预测眼球震颤患者的治疗结果。
第三方面，本发明提供了一种眼球震颤患者成像质量检测设备，设备包括：
显示装置，用于显示视标；
眼动追踪装置，用于实时追踪眼球震颤患者眼球的运动，得到运动数据；
检测模块，用于根据运动数据调整视标的位置，调整后的视标位置与运动数据中的视线方向一致；根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；根据评估结果和预训练的治疗评估模型预测眼球震颤患者的治疗结果。
本发明提供的眼球震颤患者眼球成像质量检测设备，通过结合显示屏幕、眼动追踪装置、对眼球震颤患者眼球的运动进行追踪，可以提供准确、清晰的视标移动的显示，以使眼球震颤患者能够更好地感知自己的眼球运动。同时，结合检测模块，通过视标预测和视标匹配功能，可以保持视标与眼球运动的同步，提高视标的准确性和稳定性，通过质量评估功能，可以提供术后效果的评估，帮助医生和患者了解眼球震颤手术治疗效果和进展。
第四方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的眼球震颤患者成像质量检测方法。
第五方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的眼球震颤患者成像质量检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的眼球震颤患者眼球成像质量检测方法的流程示意图；
图2是根据本发明实施例的眼球震颤患者眼球成像质量检测装置的模块组成示意图；
图3是根据本发明实施例的眼球震颤患者眼球成像质量检测设备结构示意图；
图4是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
根据本发明实施例，提供了一种眼球震颤患者成像质量检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种眼球震颤患者成像质量检测方法，可用于上述的计算机设备，图1是根据本发明实施例的眼球震颤患者成像质量检测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，实时获取眼球震颤患者眼球的术前运动数据。
需要说明的是，眼球震颤是一种眼动障碍，患者表现为不自愿的和不规则的快速眼球运动，这种症状使视觉感知变得困难，因为眼球无法保持稳定的焦点。在本实施例中，眼球震颤指的是患者眼睛的异常运动，可能会导致视觉模糊或不稳定。术前运动数据是指在眼部手术或治疗之前收集的与患者眼球运动相关的信息。术前运动数据包括眼球的位置、速度、加速度等，可以用于分析和评估患者眼球的运动模式和特征，本实施例对具体获取的术前运动数据不做限制。
步骤S102，根据术前运动数据调整视标的位置，调整后的视标位置与术前运动数据中的视线方向一致。
需要说明的是，视标是显示在屏幕上的特定图案、文字或标记，患者需要集中视力注意力在其上。在本实施例中，视标用于引导患者的眼球运动，即保持眼球的视线方向和视标位置一致，以便后续测量和评估他们的视觉成像质量。视标可以是常见视力表的视标，例如国际标准对数视力表，Snellen视力表视标，EDTRs（艾式视力表视标），也可以是用来测量对比敏感度的条纹视标。这样不仅仅可以测量患者的视力，也可以用于测量患者的对比敏感度，得到更准确的视觉质量评估结果。
步骤S103，根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果。
可以理解的是，成像质量评估是对患者的视觉成像质量进行定量评估的过程，以确定眼球震颤患者的视觉质量。评估结果是从成像质量评估过程中获得的数值或指标，用于描述患者的视觉情况。这些结果可能包括视觉清晰度、对比度、稳定性等信息。
步骤S104，根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果。
需要说明的是，预训练的治疗评估模型是一个机器学习模型，使用了术前运动数据和成像质量评估结果等信息进行训练，用于预测患者在接受治疗或手术后的视觉结果。这里的术后结果是对患者接受治疗或手术后的视力或视觉成像质量的评估，能够帮助医生和患者了解眼球震颤手术治疗效果和进展。模型建立所使用的数据不单单是眼球震颤的参数，还包含了其他影响视力的眼部疾病的参数。
本发明通过实时获取眼球震颤患者术前运动数据，可以准确记录患者眼球的运动信息，为后续的分析和调整提供准确的数据基础。通过根据术前运动数据调整视标的位置，可以保证患者眼球视线与视标保持一致，更好的感知患者自己眼球的运动。通过基于评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果的方法，预测眼球震颤患者术后眼部的质量，从而提供准确的术后效果的评估，帮助医生和患者了解眼球震颤手术治疗效果和进展。
在本实施例中还提供了一种眼球震颤患者成像质量检测方法，该流程包括如下步骤：
步骤S201，实时获取眼球震颤患者眼球的术前运动数据。详细请参见图1所示实施例的步骤S101，在此不再赘述。
具体的，上述步骤S201，包括：
S2011，获取眼球震颤患者眼球术前的历史运动数据。
需要说明的是，历史运动数据指的是眼球震颤患者在术前的一段时间内，眼球运动的相关数据，包括眼球的位置、速度、加速度、运动轨迹等，本实施例对此不做限制。
S2012，采用历史运动数据构建眼动预测模型。具体的，包括：基于解剖学和生理学原理对历史运动数据进行拟合分析，构建眼动预测模型；或者，采用历史运动数据对自编码器进行训练，构建眼动预测模型。
可以理解的是，利用解剖学和生理学原理对眼球震颤患者的历史运动数据进行拟合分析。例如，可以根据眼球的解剖结构和生理特性，分析眼球震颤的运动模式，从而构建出能够预测未来眼球运动的模型。而自编码器是一种神经网络模型，用于学习数据的压缩表示。本实施例中，使用自编码器对眼球震颤患者的历史运动数据进行训练，从而构建出眼动预测模型。自编码器从数据中学习出有用的特征，然后将这些特征用于预测未来的眼球运动。两种方式都可以根据每位患者的历史运动数据来构建模型，有助于构建更精确的眼动预测模型，从而更准确地预测眼球的运动轨迹。
S2013，根据眼动预测模型和当前时刻眼球的运动数据预测下一时刻眼球的运动数据。
具体地，可以将当前时刻眼球的运动数据输入至眼动预测模型中，可以预测得到下一时刻眼球的运动数据，如将当前时刻眼球位置输入至眼动预测模型，通过眼动预测模型学习到的眼球运动规律，预测得到下一时刻眼球位置。其中，预测下一时刻的眼球运动数据是为了能够实时调整视标的位置，使之与眼球的运动相匹配，这样可以提高视力成像的质量，使得眼球震颤患者能够更清晰准确地看到视标。
S2014，根据下一时刻眼球的运动数据确定的视线方向调整视标的位置。
下面以自编码器构建模型为例进行说明，在预设时刻T0之前，收集视线方向的眼球位置数据，在第T0时刻的数据中，输入部分是X=(T0-1,T0-2,T0-3…T0-t)这一组过去时刻的眼球位置数据。将T0时刻前收集的眼球位置数据作为输入，将T0时刻的眼球位置数据作为输出，构建训练集。输出部分是Y=T0时刻的眼球位置，也是一组数据，比如Y=(T0+1,T0+2…)。根据训练集训练深度神经网络自编码器f。将上述两组数据用于训练自编码器，自编码器的输入层维度为过去的眼球位置数据的维度，输出层维度为当前时刻的眼球位置数据的维度。训练过程中，模型会通过自动编码和解码数据的方式来学习特征表示。基于自编码器f，对其输入过去时刻的眼球位置数据X，生成预测的眼球位置f(X)，将视标调整至显示屏幕上眼球位置f(X)。使用训练好的自编码器模型f，输入过去时刻的眼球位置数据X，能够生成对当前时刻眼球位置的预测结果f(X)。需要说明的是，在训练过程中，可以训练调整自编码器的参数，使得|f(X)-Y|^2最小，从而使得训练好的自编码器能够准确根据当前时刻的运动数据准确预测下一时刻的运动数据。最终根据预测的眼球位置，在显示屏幕上调整视标的位置，使其与预测的眼球位置一致。
可以理解的是，上述方法利用过去一段时间内的眼球运动数据来预测未来一个较短时间范围内的眼球运动方向，例如在1秒钟内预测下0.1秒钟内的眼球运动方向，并提前调整视标位置，减小了视标与当前眼球位置之间的滞后性。
步骤S202，根据术前运动数据调整视标的位置，调整后的视标位置与术前运动数据中的视线方向一致。详细请参见图1所示实施例的步骤S102，在此不再赘述。
步骤S203，根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S204，根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果。详细请参见图1所示实施例的步骤S104，在此不再赘述。
本发明实施例通过实时预测下一时刻眼球的运动数据并相应地调整视标，可以在实际成像过程中提供快速的反馈和调整，从而保证即时的成像质量，进而保证后续根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果的准确性。
在本实施例中还提供了一种眼球震颤患者成像质量检测方法，该流程包括如下步骤：
步骤S301，实时获取眼球震颤患者眼球的术前运动数据。具体的，上述步骤S301，还包括：
S3011，获取眼球震颤患者眼球术前的历史运动数据。
S3012，采用历史运动数据训练机器学习模型，得到震颤识别模型，震颤识别模型用于识别眼球震颤速度和幅度。
具体的，可以对支持向量机、神经网络等机器学习模型训练得到震颤识别模型。训练的目的是让模型能够自动识别眼球震颤的速度和幅度。在训练中，将历史运动数据作为输入，将其对应的眼球震颤速度和幅度作为输出，对模型进行训练。通过多次迭代和优化，模型将逐渐学会从输入数据中提取有用的特征，并准确预测出眼球震颤的速度和幅度。
S3013，将实时获取的运动数据输入至震颤识别模块，得到当前眼球震颤速度和幅度。
S3014，根据当前眼球震颤速度和幅度调整视标的位置。
步骤S302，根据术前运动数据调整视标的位置，调整后的视标位置与术前运动数据中的视线方向一致。详细请参见图1所示实施例的步骤S102，在此不再赘述。
步骤S303，根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S304，根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果。详细请参见图1所示实施例的步骤S104，在此不再赘述。
本发明实施例通过训练震颤识别模型来识别眼球震颤速度和幅度，可以更准确地捕捉患者眼球震颤的特征。将实时获取的运动数据输入震颤识别模型后，可以得到更精确的当前眼球震颤速度和幅度，从而提高了视标调整的精确性。
在本实施例中还提供了一种眼球震颤患者成像质量检测方法，该流程包括如下步骤：
步骤S401，实时获取眼球震颤患者眼球的术前运动数据。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S402，根据自适应滤波算法对运动数据进行滤波处理。
通过滤波处理可以帮助减少噪声、平滑运动轨迹、减少误差，从而提高眼球震颤患者成像质量检测方法的可靠性和准确性。
步骤S403，根据术前运动数据调整视标的位置，调整后的视标位置与术前运动数据中的视线方向一致。详细请参见图1所示实施例的步骤S102，在此不再赘述。
步骤S404，根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果。详细请参见图1所示实施例的步骤S103，在此不再赘述。
步骤S405，根据评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果。
具体的，上述步骤S405，包括：
步骤S4051，获取眼球震颤患者眼球的历史评估结果和对应的治疗结果。
需要说明的是，历史评估结果为患者进行多次成像质量评估得到的多个历史评估结果，治疗结果是指多个评估结果对应的多个治疗效果。
步骤S4052，采用历史评估结果和对应的治疗结果对机器学习模型进行训练，得到治疗评估模型。
步骤S4053，将评估结果输入至治疗评估模型中，确定眼球震颤患者的术后结果。
将当前患者的评估结果输入到已经训练好的治疗评估模型中。模型会自动分析输入数据，并输出预测的术后结果。术后结果指的是手术后的治疗效果，即手术是否成功减轻或消除了眼球震颤，以及是否改善了患者的视力。可以通过震颤程度、视力值等指标来表示术后结果。
本发明实施例通过使用历史评估结果和治疗结果，可以为每位患者提供各自的治疗评估。治疗评估模型可以预测患者接受治疗后的术后效果，包括症状的改善程度和视力的变化，帮助医生和患者了解眼球震颤手术治疗效果和进展。
在本实施例中还提供了一种眼球震颤患者成像质量检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种眼球震颤患者成像质量检测装置，如图2所示，包括：
数据获取模块501，用于实时获取眼球震颤患者眼球的运动数据；
调整模块502，用于根据运动数据调整视标的位置，调整后的视标位置与运动数据中的视线方向一致；
评估模块503，用于根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；
预测模块504，用于根据评估结果和预训练的治疗评估模型预测眼球震颤患者的治疗结果。
在一种可选的实施方式中，调整模块502，具体用于：获取眼球震颤患者眼球术前的历史运动数据；采用历史运动数据构建眼动预测模型；根据眼动预测模型和当前时刻眼球的运动数据预测下一时刻眼球的运动数据；根据下一时刻眼球的运动数据确定的视线方向调整视标的位置。
在一种可选的实施方式中，调整模块502，具体用于：基于解剖学和生理学原理对历史运动数据进行拟合分析，构建眼动预测模型；或者，采用历史运动数据对自编码器进行训练，构建眼动预测模型。
在一种可选的实施方式中，调整模块502，具体用于：获取眼球震颤患者眼球术前的历史运动数据；采用历史运动数据训练机器学习模型，得到震颤识别模型，震颤识别模型用于识别眼球震颤速度和幅度；将实时获取的运动数据输入至震颤识别模块，得到当前眼球震颤速度和幅度；根据当前眼球震颤速度和幅度调整视标的位置。
在一种可选的实施方式中，装置还包括滤波模块，用于：根据自适应滤波算法对运动数据进行滤波处理。
在一种可选的实施方式中，预测模块504，具体用于：获取眼球震颤患者眼球的历史评估结果和对应的治疗结果；采用历史评估结果和对应的治疗结果对机器学习模型进行训练，得到治疗评估模型；将评估结果输入至治疗评估模型中，确定眼球震颤患者的术后结果。
本发明通过实时获取眼球震颤患者术前运动数据，可以准确记录患者眼球的运动信息，为后续的分析和调整提供准确的数据基础。通过根据术前运动数据调整视标的位置，可以保证患者眼球视线与视标保持一致，更好的感知患者自己眼球的运动。通过基于评估结果和预训练的治疗评估模型预测眼球震颤患者的术后结果的方法，预测眼球震颤患者术后眼部的质量，从而提供准确的术后效果的评估，帮助医生和患者了解眼球震颤手术治疗效果和进展。
本实施例中的眼球震颤患者成像质量检测装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
在本实施例中还提供了一种眼球震颤患者成像质量检测设备，如图3所示，包括：
显示装置01，用于显示视标；
眼动追踪装置02，用于实时追踪眼球震颤患者眼球的运动，得到运动数据；
检测模块03，用于根据运动数据调整视标的位置，调整后的视标位置与运动数据中的视线方向一致；根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；根据评估结果和预训练的治疗评估模型预测眼球震颤患者的治疗结果。
显示装置01可以是显示屏幕，如LED屏幕或者LCD屏幕等。显示装置01可以选择弧形屏幕，弧形屏幕的圆心位于眼球位置，弧形屏幕的半径大于33cm。本实施例中，将显示屏幕设计为弧形屏幕大于33cm的半径是为了为患者提供更宽泛的视野，使得显示更加自然，减少了视觉失真，并提高眼球震颤患者使用时的舒适度。在一种可选的实施方式中，显示装置01为多个子屏幕拼接而成, 各子屏幕采用窄边框设计,并通过图像校准保持子屏幕之间的亮度、色彩一致性。采用窄边框设计可以保证拼接屏幕的无缝连接，同时图像校准确保各子屏幕之间的亮度和色彩一致性，从而能够消除画面的不连贯感和色差。
眼动追踪装置02为高采样率装置，采样率大于500Hz，如眼动追踪仪等。本实施例中，为了准确捕捉眼球震颤的快速运动，优选高采样率的设备，优选在500Hz以上，以保证测量精度。此外，稳定性受多种因素影响，如设备本身的制造质量、环境因素、被试的头部运动等。因此需要保证眼动追踪装置02的高稳定性，这样有助于减少测量误差。
本发明实施例还提供一种计算机设备，具有上述图2所示的眼球震颤患者成像质量检测装置。
请参阅图4，图4是本发明可选实施例提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所限定的范围之内。

Claims (8)

1.一种眼球震颤患者成像质量检测方法，其特征在于，所述方法包括：
实时获取眼球震颤患者眼球的术前运动数据；
根据所述术前运动数据调整视标的位置，调整后的视标位置与所述术前运动数据中的视线方向一致；
根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；其中，所述评估结果至少包括：视觉清晰度、对比度以及稳定性；
根据所述评估结果和预训练的治疗评估模型预测所述眼球震颤患者的术后结果；
其中，根据所述术前运动数据调整视标的位置，包括：
获取眼球震颤患者眼球术前的历史运动数据；采用所述历史运动数据构建眼动预测模型；根据所述眼动预测模型和当前时刻眼球的运动数据预测下一时刻眼球的运动数据；根据所述下一时刻眼球的运动数据确定的视线方向调整视标的位置；
或者，获取眼球震颤患者眼球术前的历史运动数据；采用所述历史运动数据训练机器学习模型，得到震颤识别模型，所述震颤识别模型用于识别眼球震颤速度和幅度；将实时获取的运动数据输入至所述震颤识别模型，得到当前眼球震颤速度和幅度；根据当前眼球震颤速度和幅度调整视标的位置。
2.根据权利要求1所述的方法，其特征在于，采用所述历史运动数据构建眼动预测模型，包括：
基于解剖学和生理学原理对所述历史运动数据进行拟合分析，构建眼动预测模型；
或者，采用所述历史运动数据对自编码器进行训练，构建眼动预测模型。
3.根据权利要求1所述的方法，其特征在于，在实时获取眼球震颤患者眼球术前的运动数据之后，所述方法还包括：
根据自适应滤波算法对所述运动数据进行滤波处理。
4.根据权利要求1所述的方法，其特征在于，根据所述评估结果和预训练的治疗评估模型预测所述眼球震颤患者的术后结果，包括：
获取眼球震颤患者眼球的历史评估结果和对应的治疗结果；
采用所述历史评估结果和对应的治疗结果对机器学习模型进行训练，得到治疗评估模型；
将所述评估结果输入至所述治疗评估模型中，确定所述眼球震颤患者的术后结果。
5.一种眼球震颤患者成像质量检测装置，其特征在于，所述装置包括：
数据获取模块，用于实时获取眼球震颤患者眼球的术前运动数据；
调整模块，用于根据所述术前运动数据调整视标的位置，调整后的视标位置与所述术前运动数据中的视线方向一致；其中，根据所述术前运动数据调整视标的位置，包括：获取眼球震颤患者眼球术前的历史运动数据；采用所述历史运动数据构建眼动预测模型；根据所述眼动预测模型和当前时刻眼球的运动数据预测下一时刻眼球的运动数据；根据所述下一时刻眼球的运动数据确定的视线方向调整视标的位置；或者，获取眼球震颤患者眼球术前的历史运动数据；采用所述历史运动数据训练机器学习模型，得到震颤识别模型，所述震颤识别模型用于识别眼球震颤速度和幅度；将实时获取的运动数据输入至所述震颤识别模型，得到当前眼球震颤速度和幅度；根据当前眼球震颤速度和幅度调整视标的位置；
评估模块，用于根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；其中，所述评估结果至少包括：视觉清晰度、对比度以及稳定性；
预测模块，用于根据所述评估结果和预训练的治疗评估模型预测所述眼球震颤患者的治疗结果。
6.一种眼球震颤患者成像质量检测设备，其特征在于，所述设备包括：
显示装置，用于显示视标；
眼动追踪装置，用于实时追踪眼球震颤患者眼球的运动，得到术前运动数据；
检测模块，用于根据所述术前运动数据调整视标的位置，调整后的视标位置与所述术前运动数据中的视线方向一致；根据视线方向和视标位置一致时的视力成像结果进行眼球震颤患者的成像质量评估，得到评估结果；其中，所述评估结果至少包括：视觉清晰度、对比度以及稳定性；根据所述评估结果和预训练的治疗评估模型预测所述眼球震颤患者的治疗结果；其中，根据所述术前运动数据调整视标的位置，包括：获取眼球震颤患者眼球术前的历史运动数据；采用所述历史运动数据构建眼动预测模型；根据所述眼动预测模型和当前时刻眼球的运动数据预测下一时刻眼球的运动数据；根据所述下一时刻眼球的运动数据确定的视线方向调整视标的位置；或者，获取眼球震颤患者眼球术前的历史运动数据；采用所述历史运动数据训练机器学习模型，得到震颤识别模型，所述震颤识别模型用于识别眼球震颤速度和幅度；将实时获取的运动数据输入至所述震颤识别模型，得到当前眼球震颤速度和幅度；根据当前眼球震颤速度和幅度调整视标的位置。
7.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至4中任一项所述的眼球震颤患者成像质量检测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至4中任一项所述的眼球震颤患者成像质量检测方法。
CN202311317634.5A 2023-10-12 2023-10-12 一种眼球震颤患者成像质量检测方法、装置及设备 Active CN117058148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311317634.5A CN117058148B (zh) 2023-10-12 2023-10-12 一种眼球震颤患者成像质量检测方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311317634.5A CN117058148B (zh) 2023-10-12 2023-10-12 一种眼球震颤患者成像质量检测方法、装置及设备

Publications (2)

Publication Number Publication Date
CN117058148A CN117058148A (zh) 2023-11-14
CN117058148B true CN117058148B (zh) 2024-02-02

Family

ID=88654013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311317634.5A Active CN117058148B (zh) 2023-10-12 2023-10-12 一种眼球震颤患者成像质量检测方法、装置及设备

Country Status (1)

Country Link
CN (1) CN117058148B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113662822A (zh) * 2021-07-29 2021-11-19 广州视景医疗软件有限公司 一种基于眼动的视标调整方法、视觉训练方法及装置
KR20210140808A (ko) * 2020-05-13 2021-11-23 삼육대학교산학협력단 인공 지능 기반의 스마트 안진 검사 시스템, 방법 및 프로그램
CN114782394A (zh) * 2022-05-07 2022-07-22 浙江大学 一种基于多模态融合网络的白内障术后视力预测系统
CN115067944A (zh) * 2022-08-22 2022-09-20 深圳市心流科技有限公司 一种眼动状态评估方法、装置、终端设备及存储介质
CN115590462A (zh) * 2022-12-01 2023-01-13 广州视景医疗软件有限公司（Cn） 一种基于摄像头的视力检测方法和装置
CN116392370A (zh) * 2023-04-19 2023-07-07 中山大学中山眼科中心 一种用于提高眼球震颤患者视觉质量的系统及方法
CN116803335A (zh) * 2023-06-12 2023-09-26 广州视景医疗软件有限公司 一种基于眼动追踪的眼球运动功能评估方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210140808A (ko) * 2020-05-13 2021-11-23 삼육대학교산학협력단 인공 지능 기반의 스마트 안진 검사 시스템, 방법 및 프로그램
CN113662822A (zh) * 2021-07-29 2021-11-19 广州视景医疗软件有限公司 一种基于眼动的视标调整方法、视觉训练方法及装置
CN114782394A (zh) * 2022-05-07 2022-07-22 浙江大学 一种基于多模态融合网络的白内障术后视力预测系统
CN115067944A (zh) * 2022-08-22 2022-09-20 深圳市心流科技有限公司 一种眼动状态评估方法、装置、终端设备及存储介质
CN115590462A (zh) * 2022-12-01 2023-01-13 广州视景医疗软件有限公司（Cn） 一种基于摄像头的视力检测方法和装置
CN116392370A (zh) * 2023-04-19 2023-07-07 中山大学中山眼科中心 一种用于提高眼球震颤患者视觉质量的系统及方法
CN116803335A (zh) * 2023-06-12 2023-09-26 广州视景医疗软件有限公司 一种基于眼动追踪的眼球运动功能评估方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
先天性特发性眼球震颤的定量诊断及发病机理研究;杨红;《中国博士学位论文全文数据库 医药卫生科技辑》(第11期);全文 *

Also Published As

Publication number Publication date
CN117058148A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
Nyström et al. The influence of calibration method and eye physiology on eyetracking data quality
CN110573061B (zh) 眼科检查方法及仪器
JP6340503B2 (ja) 目追跡システム及び利き目を検出する方法
RU2716201C2 (ru) Способ и устройство для определения остроты зрения пользователя
Miao et al. Virtual reality-based measurement of ocular deviation in strabismus
US20120120369A1 (en) Self guided subjective refraction instruments and methods
US20210106216A1 (en) Method for altering the visual performance of a subject, method for measuring the spherical refraction correction need of a subject and optical system for implementing these methods
CN111295129B (zh) 视敏度检查
US12011224B2 (en) Method for determining refractive power of eye using immersive system and electronic device thereof
CN112351727B (zh) 用于测量视觉功能图的系统和方法
JP7166473B2 (ja) 眼検査
DK3218762T3 (en) OPTICAL VISION AID WITH ADDITIONAL ASTIGMATISM
CN112689470B (zh) 用于使用计算装置执行散光力测试的方法以及相应的计算装置
JP2021519195A (ja) モバイルデバイスを使用した視覚検査
CN115670373B (zh) 一种眼动检测方法、装置、设备及介质
CN115553707A (zh) 一种基于眼动追踪的对比敏感度测量方法及设备
CN116634920A (zh) 主观屈光检查系统
CN117058148B (zh) 一种眼球震颤患者成像质量检测方法、装置及设备
WO2024038134A1 (en) Methods and devices in performing a vision testing procedure on a person
KR102208508B1 (ko) 복합적인 안과 진료를 수행하는 시스템 및 방법
Kang et al. Automated mathematical algorithm for quantitative measurement of strabismus based on photographs of nine cardinal gaze positions
EP4171350B1 (en) Method and device for determining at least one astigmatic effect of at least one eye
CN113850772A (zh) 基于as-oct视频的青光眼筛查方法、系统、设备及存储介质
WO2024095261A1 (en) System and method for diagnosis and treatment of various movement disorders and diseases of the eye
DE102021104127A1 (de) Verfahren zum Betreiben eines mobilen Computergeräts, Computerprogramm und mobiles Computergerät

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