CN117137428A - 眼前节的角膜厚度测量方法、装置、计算机设备及介质 - Google Patents
眼前节的角膜厚度测量方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN117137428A CN117137428A CN202311137729.9A CN202311137729A CN117137428A CN 117137428 A CN117137428 A CN 117137428A CN 202311137729 A CN202311137729 A CN 202311137729A CN 117137428 A CN117137428 A CN 117137428A
- Authority
- CN
- China
- Prior art keywords
- cornea
- target
- image
- detected
- detection
- 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.)
- Pending
Links
- 210000004087 cornea Anatomy 0.000 title claims abstract description 360
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 185
- 238000000605 extraction Methods 0.000 claims abstract description 87
- 238000012014 optical coherence tomography Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 230000001746 atrial effect Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 238000003384 imaging method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 3
- 201000002287 Keratoconus Diseases 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000001008 atrial appendage Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- A61B3/102—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for optical coherence tomography [OCT]
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Ophthalmology & Optometry (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本申请涉及图像处理、智慧医疗技术领域，揭示了一种眼前节的角膜厚度测量方法、装置、设备及介质，该方法包括：获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息，通过确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜的厚度测量，提高角膜厚度参数的检测效率和准确率。
Description
技术领域
本发明涉及图像处理、智慧医疗技术领域，尤其涉及一种眼前节的角膜厚度测量方法、装置、计算机设备及介质。
背景技术
眼前节OCT(optical coherence tomography，光学相干断层扫描)通过处理沿入射光相同路径返回的漫反射光，并根据其光信号强度以及传输时间进行可视化处理，实现对活体眼组织的显微镜结构进行非接触式、非侵入性的断层成像，从而对角膜中央厚度(Central Corneal Thickness,CCT)进行定量测量，可以对角膜相关疾病进行客观的评估，辅助眼科疾病的诊断。
目前，主要通过手动测量的方式对眼前节OCT进行定量测量又或者利用光学成像原理对眼剖面成像，可以得到角膜至晶体范围内的二维照片，再经三维重建得到眼前节整体数据。其中，手动测量的方式不仅无法保证检测的效率，同时还会受到操作者的临床经验等主观因素的影响，导致测量得到的参数准确性较低；而利用光学成像原理得到眼前节整体数据的方式存在光学畸变相差，需要进行非常复杂的图像矫正，效率较低，且因照明光源采用蓝光(475nm)，对人眼形成非常大的刺激，也无法获得放松状态下眼前节的形态，影响测量得到的参数的准确性。
发明内容
基于此，有必要针对现有技术的对眼前节OCT进行定量测量的效率和准确率较低的技术问题，提出了一种眼前节的角膜厚度测量方法。
第一方面，提供了一种眼前节的角膜厚度测量方法，所述方法包括：
获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；
将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；
基于所述待检测图像，确定检测基准线，所述检测基准线用于固定所述目标角膜轮廓的位置；
基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息。
第二方面，提供了一种眼前节的角膜厚度测量装置，所述装置包括：
图像获取模块，用于获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；
角膜轮廓提取模块，用于将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；
基准线确定模块，用于基于所述待检测图像，确定检测基准线，所述检测基准线用于固定所述目标角膜轮廓的位置；
厚度信息确定模块，用于基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息。
第三方面，提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述眼前节的角膜厚度测量方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述眼前节的角膜厚度测量方法的步骤。
本申请提供一种眼前节的角膜厚度测量方法、装置、计算机设备及介质，通过获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。在本申请中，眼前节的光学相干断层扫描图像为眼前节的非接触式成像，可以降低对人眼形成刺激，从而保证在受检者的眼前节较为放松的情况下，获得待检测图像，以提高对角膜厚度参数进行测量的准确性，之后，基于目标检测神经网络训练得到的角膜轮廓提取模型，自动对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，提高对眼前节OCT图像进行定量检测的效率，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率。
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一些实施例，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，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中眼前节的角膜厚度测量方法的应用环境图；
图2为一个实施例中眼前节的角膜厚度测量方法的流程示意图；
图3为一个实施例中，眼前节的角膜厚度测量方法的目标角膜轮廓与检测基准线的相对位置示意图；
图4为一个实施例中眼前节的角膜厚度测量装置的结构示意框图；
图5为一个实施例中计算机设备的结构示意框图；
图6为一个实施例中计算机设备的结构示意框图。
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作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。
本发明实施例提供的眼前节的角膜厚度测量方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信。服务端可以通过客户端获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息，将厚度信息反馈回客户端，在本发明中，通过基于目标检测神经网络训练得到的角膜轮廓提取模型对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜的厚度测量，提高角膜厚度参数的检测效率和准确率。其中，客户端可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示，图2为本发明实施例提供的眼前节的角膜厚度测量方法的一个流程示意图，该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于服务端举例说明。该眼前节的角膜厚度测量方法包括如下步骤S100至步骤S400：
S100：获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像。
其中，待检测图像为通过光学相干断层扫描技术(Optical CoherenceTomography，OCT)，对目标对象的眼前节进行成像得到的二维结构图像或三维结构图像；目标对象为需要检测眼角膜厚度的患者。
OCT是一种新的光学诊断技术，可进行生物组织显微结构的非接触式、非侵入性断层成像，该光学诊断技术利用弱相干光干涉仪的基本原理，检测生物组织不同深度层面对入射弱相干光的背向反射或几次散射信号，通过扫描，可得到生物组织二维结构图像或三维结构图像。
在一场景中，若目标对象需要检测一只眼睛，则待检测图像的数量可以为至少1张。
在一场景中，若目标对象需要检测两只眼睛，则针对每只眼睛拍摄有至少一张待检测图像，也可以针对两只眼睛拍摄至少一张待检测图像。
在一场景中，可以根据实际需要获取目标对象同一眼前节的多个角度的待检测图像。
S200：将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型。
传统提取角膜轮廓的方式是将眼前节OCT图像依次进行去噪、灰度化、形态学操作等处理步骤后，得到眼前节OCT图像对应的二值图并利用非极大值抑制算法进行轮廓检测，但由于眼前节OCT图像中存在大量的散斑噪声，且在眼前节OCT图像的中央还存在光线垂直入射产生的强反射带，导致得到角膜轮廓不清晰、不准确。
基于此，在本步骤中，通过采用目标检测神经网络训练得到的角膜轮廓提取模型对待检测图像进行角膜轮廓提取，可以对待检测图像中每个像素点所属的类别进行分类预测，从而根据每个像素点的类别确定角膜轮廓的像素点，并组成角膜轮廓区域的二值图，再使用边缘检测算子对角膜轮廓区域的二值图进行角膜轮廓的提取，得到目标角膜轮廓，以实现对眼前节中的角膜进行高质量的轮廓识别，从而提高角膜轮廓提取的清晰度和准确度。
可选地，目标卷积神经网络可以是U2-Net深层网络结构，U2-Net深层网络结构是在U-net基础上提出的显著性检测模型，采用眼前节OCT(Optical Coherence Tomography，OCT)图像样本集对显著性检测模型进行训练，并采用二分类交叉熵损失(Binary CrossEntropy Loss，BCE loss)函数作为显著性检测模型的损失函数，选取交并比(Intersection-over-Union，IoU)作为显著检测模型的眼前节OCT图像中提取的角膜的目标角膜轮廓的清晰度和准确度的评价指标，当采用验证集对该显著检测模型进行验证时，得到角膜分割的平均IoU大于或等于预设阈值(如93％)时，则将该显著检测模型作为角膜轮廓提取模型。
S300：基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置。
由于在采集待检测图像的过程中易受到多种因素(如目标对象在采集待检测图像的过程中位置偏移，或操作人员在使用采集仪器时操作不当等)干扰，导致目标角膜轮廓在待检测图像中的相对位置并不固定，因此，基于待检测图像确定检测基准线，可以固定目标角膜轮廓在待检测图像中的相对位置，由此可以提高目标角膜轮廓提取的准确度和清晰度。
可选地，可以基于待检测图像建立图像坐标系，基于该图像坐标系确定两个目标坐标点，例如，目标做标点(x，y)以及目标坐标点(0，x)，其中，x为待检测图像的像素点在图像坐标系中横轴的数值，y为待检测图像的像素点在图像坐标系中纵轴的数值；基于两个目标坐标点，确定检测基准线。即将两个目标坐标点进行直线连接，该直线为检测基准线。
S400：基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。
可选地，基于该检测基准线，确定检测基准线与目标角膜轮廓中外轮廓相交的坐标点和检测基准线与目标角膜轮廓中内轮廓相交的坐标点，基于两个相交的坐标点确定计算得到目标角膜轮廓的中央厚度值，并将该中央厚度值作为角膜的厚度信息。
此处需要特别说明的是，角膜的厚度指的是中央厚度值。中央厚度值一般在530个微米，加减30个微米范围之内，周边有的时候会达到1000微米左右厚度。因为角膜在眼前节中的位置关系，故角膜能够起到一定的光学的作用以及一定的保护作用。如果检测到目标角膜轮廓的中央厚度值过于薄，如低于530个微米，那么，角膜的抗外力的作用能力可能就比较弱。若长期这种揉眼睛还会导致角膜变形、圆锥角膜等等病症。若患者，也即目标对象要做角膜的手术，则角膜的中央厚度值一定要足够厚，一般要大于480个微米以上。若角膜的中央厚度值过薄，可能就不适合做手术。
在本实施例中，通过获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。在本申请中，眼前节的光学相干断层扫描图像为眼前节的非接触式成像，可以降低对人眼形成刺激，从而保证在受检者的眼前节较为放松的情况下，获得待检测图像，以提高对角膜厚度参数进行测量的准确性，之后，基于目标检测神经网络训练得到的角膜轮廓提取模型，自动对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，提高对眼前节OCT图像进行定量检测的效率，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率。
在本实施例的一些可选地实现方式中，角膜轮廓提取模型包括像素分类模块、像素拼接模块和轮廓提取模块，步骤S200，将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到眼前节中角膜的目标角膜轮廓，包括如下步骤S210至步骤S230：
S210：采用像素分类模块，对待检测图像进行像素点为角膜轮廓的分类预测，得到角膜轮廓的像素点信息。
其中，像素分类模块可以是采用支持向量机算法训练得到的模块。该像素分类模块用于对待检测图像进行像素点为角膜轮廓的分类预测，得到角膜轮廓的像素点信息。
S220：采用像素拼接模块，对角膜轮廓的像素点信息进行拼接，得到二值化图像。
其中，通过将待检测图像上角膜轮廓对应的像素点的值设置为0或255，非角膜轮廓对应的像素点则对应设置为255或0，使角膜轮廓呈现出黑或白的效果，从而得到二值化图像。
其中，像素拼接模块可以采用基于空间域图像拼接算法训练得到的模块，该像素拼接模块用于对角膜轮廓的像素点信息进行拼接，得到待检测图像中的角膜轮廓对应的二值化图像。
S230：采用轮廓提取模块，对二值化图像进行角膜轮廓提取，得到目标角膜轮廓。
其中，轮廓提取模块可以为通过边缘检测算法训练得到的模块，该轮廓提取模块用于对二值化图像进行角膜轮廓提取，从而得到目标角膜轮廓。
在本实施例中，通过对待检测图像中的像素点进行角膜轮廓的分类预测，确定待检测图像中属于角膜轮廓的像素点，得到角膜轮廓的像素点信息，并将角膜轮廓的像素点信息进行拼接，得到角膜轮廓对应的二值化图像，最后从二值化图像中提取角膜轮廓的外轮廓和内轮廓，从而得到目标角膜轮廓，以实现对眼前节中的角膜进行高质量的轮廓识别，从而提高角膜轮廓提取的清晰度和准确度。
在本实施例的一些可选地实现方式中，步骤S400，基于目标角膜轮廓和检测基准线，得到角膜的厚度信息，包括如下步骤S410至步骤S430：
S410：基于目标角膜轮廓和检测基准线，确定多条与目标角膜轮廓垂直的角膜厚度检测线。
其中，基于检测基准线，确定检测基准线与目标角膜轮廓的相对位置，并作出至少两条与检测基准线平行的角膜厚度检测线。各角膜厚度检测线与目标角膜轮廓垂直。各角膜厚度检测线均匀分布在检测基准线的两侧。
如图3所示，提供一个目标角膜轮廓与检测基准线的相对位置示意图，其中，a为检测基准线，b为目标角膜轮廓。
S420：基于各角膜厚度检测线和目标角膜轮廓，确定目标角膜轮廓的拟合坐标点信息。
基于角膜厚度检测线与目标角膜轮廓中的外轮廓的相交点以及角膜厚度检测线与目标角膜轮廓中的内轮廓的相交点，并将两个相交点作为拟合坐标点，拟合坐标点信息包括多个拟合坐标点。
S430：根据拟合坐标点信息，得到角膜的厚度信息。
计算拟合坐标点信息中角膜厚度检测线与目标角膜轮廓中的外轮廓的相交点以及角膜厚度检测线与目标角膜轮廓中的内轮廓的相交点的差值，差值即为角膜厚度检测线测量出的目标角膜轮廓的厚度值，故，可将各差值作为角膜的厚度信息。
可选地，可以基于插值算法，对各差值进行拟合，得到角膜的厚度曲线，将角膜的厚度曲线作为角膜的厚度信息。
在本实施例中，在确定拟合坐标点信息后，可以根据拟合坐标点信息计算得到角膜的厚度信息，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率。
在本实施例的一些可选地实现方式中，步骤S430，根据拟合坐标点信息，得到角膜的厚度信息，包括如下步骤4300至步骤S4302：
S4300：基于圆的标准方程，对拟合坐标点信息进行拟合，确定目标参数，目标参数包括圆心坐标和半径值。
可选地，将拟合坐标点信息中外轮廓对应的坐标点，代入圆的标准方程进行计算，得到目标参数。
可选地，采用最小二乘法和圆的标准方程，对拟合坐标点信息中外轮廓对应的坐标点进行圆弧拟合，从而确定外轮廓的目标参数，也即外轮廓的圆心坐标和半径值。
S4301：基于目标参数，确定目标检测圆。
其中，目标检测圆为目标角膜轮廓的外轮廓对应的圆弧对应的圆。
其中，可以基于外轮廓的目标参数确定目标检测圆。
S4302：基于目标检测圆，得到角膜的厚度信息。
可选地，可以基于目标检测圆的圆心和半径值，得到角膜的厚度信息。
例如，将目标检测圆的圆心作为起点，半径作为角膜厚度检测线，目标检测圆的圆弧(也即目标角膜轮廓的外轮廓)为终点，从而计算每条半径与内轮廓的相交点与半径对应的终点的差值，该差值即为角膜的厚度值，从而确定角膜的厚度信息。
在本实施例中，通过对拟合坐标点信息进行拟合，确定圆心和半径值，进而得到目标检测圆，基于目标检测圆的半径可以得到颗粒度更细的角膜的厚度信息，从而提高角膜厚度参数的检测效率和准确率。
在本实施例的一些可选地实现方式中，步骤S300，基于待检测图像，确定检测基准线，包括如下步骤S310至步骤S311：
S310：当在待检测图像中只检测到单侧的房角隐窝或检测到待检测图像中的房角隐窝不可见，则检测待检测图像的宽度信息和高度信息。
其中，可以基于预训练的神经网络模型检测待检测图像中的房角隐窝，若待检测图像中房角隐窝不可见，或只检测到单侧的房角隐窝，则检测待检测图像的宽度信息和高度信息，并根据宽度信息和高度信息生成默认基准线，默认基准线的两个端点选取为(0，w/2)，(h,w/2)，w为待检测图像的宽，h为待检测图像的高。
S311：基于宽度信息和高度信息确定检测基准线。
其中，将基于宽度信息和高度信息生成的默认基准线作为检测基准线。
在本实施例中，若待检测图像中房角隐窝不可见，或只检测到单侧的房角隐窝，则根据待检测图像的宽度信息和高度信息确定基准检测线，从而确定基准检测线和目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜的厚度测量，提高角膜厚度参数的检测效率和准确率。
在本实施例的一些可选地实现方式中，基于待检测图像，确定检测基准线，包括如下步骤S320至步骤S321：
S320：当检测到待检测图像中存在双侧的房角隐窝，将各待检测图像输入房角隐窝关键点检测模型进行关键点检测，得到第一房角隐窝关键点信息及第二房角隐窝关键点信息，其中，房角隐窝关键点检测模型为通过卷积神经网络训练得到的模型。
其中，可以基于预训练的神经网络模型检测待检测图像中的房角隐窝，若检测到待检测图像中存在双侧的房角隐窝，将各待检测图像输入房角隐窝关键点检测模型进行关键点检测，第一房角隐窝关键点信息可以为左眼的房角隐窝的坐标点信息。第二房角隐窝关键点信息可以为右眼的房角隐窝的坐标点信息。又或者，第一房角隐窝关键点信息可以为右眼的房角隐窝的坐标点信息。第二房角隐窝关键点信息可以为左眼的房角隐窝的坐标点信息。
其中，卷积神经网络可以为Unet模型，Unet模型是一个语义分割模型，通过利用房角隐窝关键点数据集对Unet模型进行训练，直至Unet模型收敛为止，得到房角隐窝关键点检测模型，房间隐窝关键点数据集包括多张房角隐窝关键点的图像样本，通过欧式距离对房角隐窝关键点检测模型进行准确度评价，房角隐窝关键点检测模型在验证集上误差的平均欧式距离为8个像素距离，约为56μm，即证明房角隐窝关键点检测模型的准确率较高，有利于准确确定检测基准线，从而提高测量角膜厚度的准确率。
可选地，利用房角隐窝关键点数据集对Unet模型进行训练时，可以根据如下公式(1)表示欧式距离：
式中，ρ为平均欧式距离，x2为预测的房角隐窝关键点的横坐标，x1为真实的房角隐窝关键点的纵坐标，y2为预测的房角隐窝关键点的纵坐标，y1为真实的房角隐窝关键点的纵坐标，M为房角隐窝关键点的图像样本对应的高斯热图中的像素点的数量。
该房角隐窝关键点检测模型对待检测图像进行房角隐窝预测，生成预测的房角隐窝对应的高斯热图(Heatmap)，该高斯热图的分辨率可以为128*128，也即，高斯热图的长为128像素，宽也为128个像素，并通过最大似然估计函数对高斯热图中的像素点进行加权求平均，以实现将热图转换成坐标点信息，从而房角隐窝关键点检测模型输出预测的房角隐窝的坐标点信息，实现房角隐窝关键点信息的准确预测。
可选地，可以根据如下公式(2)表示最大似然估计函数：
式中，xc为房角隐窝的横坐标，yc为房角隐窝的纵坐标，xi为高斯热图中第i个像素点的横坐标，yi为高斯热图中第i个像素点的纵坐标，Pi为高斯热图中第i个像素点的像素值，N为高斯热图中的像素点的总数量，例如，N为128*128。
S321：基于第一房角隐窝关键点信息和第二房角隐窝关键点信息，确定检测基准线。
基于第一房角隐窝关键点信息和第二房角隐窝关键点信息，确定第一房角隐窝和第二房角隐窝的连接线，将该连接线的垂直平分线作为检测基准线。
在本实施例中，通过检测左眼和右眼的房角隐窝关键信息，以确定检测基准线，从而确定基准检测线和目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜的厚度测量，提高角膜厚度参数的检测效率和准确率。
在本实施例的一些可选地实现方式中，在步骤S400之后，也即，基于目标角膜轮廓和检测基准线，得到角膜的厚度信息之后，该方法还包括如下步骤S410：
S410：基于插值算法，对各厚度信息进行拟合，得到目标对象的角膜厚度地形图。
通过对目标对象从不同角度拍摄的待检测图像进行检测，从而得到每张待检测图像对应的厚度信息，然后，基于插值算法对各厚度信息进行插值近似拟合，得到全周的厚度信息，将全周的厚度信息作为角膜厚度地形图。
在一应用场景中，采用角膜厚度地形图可以对圆锥角膜进行更全面的观测。
在本实施例中，通过生成角膜厚度地形图，将多张待检测图像的厚度信息组合成一个全周的信息，可以得到颗粒度更细的角膜厚度信息，从而提高角膜厚度参数的检测效率和准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种眼前节的角膜厚度测量装置，该眼前节的角膜厚度测量装置与上述实施例中眼前节的角膜厚度测量方法一一对应。请参阅图4所示，该眼前节的角膜厚度测量装置包括图像获取模块10、角膜轮廓提取模块20、基准线确定模块30和厚度信息确定模块40，各功能模块详细说明如下：
图像获取模块10，用于获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像。
角膜轮廓提取模块20，用于将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型。
基准线确定模块30，用于基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置。
厚度信息确定模块40，用于基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。
在本实施例中，通过获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。在本申请中，眼前节的光学相干断层扫描图像为眼前节的非接触式成像，可以降低对人眼形成刺激，从而保证在受检者的眼前节较为放松的情况下，获得待检测图像，以提高对角膜厚度参数进行测量的准确性，之后，基于目标检测神经网络训练得到的角膜轮廓提取模型，自动对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，提高对眼前节OCT图像进行定量检测的效率，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率。
可选地，角膜轮廓提取模型包括像素分类模块、像素拼接模块和轮廓提取模块，角膜轮廓提取模块20中的将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到眼前节中角膜的目标角膜轮廓，包括：
分类预测子模块，用于采用像素分类模块，对待检测图像进行像素点为角膜轮廓的分类预测，得到角膜轮廓的像素点信息。
像素拼接子模块，用于采用像素拼接模块，对角膜轮廓的像素点信息进行拼接，得到二值化图像。
轮廓提取子模块，用于采用轮廓提取模块，对二值化图像进行角膜轮廓提取，得到目标角膜轮廓。
可选地，厚度信息确定模块40中的基于目标角膜轮廓和检测基准线，得到角膜的厚度信息，包括：
厚度检测线确定子模块，用于基于目标角膜轮廓和检测基准线，确定多条与目标角膜轮廓垂直的角膜厚度检测线。
坐标点信息确定子模块，用于基于各角膜厚度检测线和目标角膜轮廓，确定目标角膜轮廓的拟合坐标点信息。
厚度信息确定子模块，用于根据拟合坐标点信息，得到角膜的厚度信息。
可选地，厚度信息确定子模块中的根据拟合坐标点信息，得到角膜的厚度信息，包括：
参数确定单元，用于基于圆的标准方程，对拟合坐标点信息进行拟合，确定目标参数，目标参数包括圆心坐标和半径值。
目标检测圆确定单元，用于基于目标参数，确定目标检测圆。
厚度信息确定单元，用于基于目标检测圆，得到角膜的厚度信息。
可选地，基准线确定模块30中的基于待检测图像，确定检测基准线，包括：
信息检测子模块，用于当在待检测图像中只检测到单侧的房角隐窝或检测到待检测图像中的房角隐窝不可见，则检测待检测图像的宽度信息和高度信息。
第一基准线确定子模块，用于基于宽度信息和高度信息确定检测基准线。
可选地，基准线确定模块30中的基于待检测图像，确定检测基准线，包括：
关键点检测子模块，用于当检测到待检测图像中存在双侧的房角隐窝，将各待检测图像输入房角隐窝关键点检测模型进行关键点检测，得到第一房角隐窝关键点信息及第二房角隐窝关键点信息，其中，房角隐窝关键点检测模型为通过卷积神经网络训练得到的模型。
第二基准线确定子模块，用于基于第一房角隐窝关键点信息和第二房角隐窝关键点信息，确定检测基准线。
可选地，在厚度信息确定模块40执行基于目标角膜轮廓和检测基准线，得到角膜的厚度信息之后，该装置还包括：
角膜厚度地形图确定模块，用于基于插值算法，对各厚度信息进行拟合，得到目标对象的角膜厚度地形图。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的客户端通过网络连接通信。该计算机程序被处理器执行时以实现一种眼前节的角膜厚度测量方法(应用于服务侧)的功能或步骤。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种眼前节的角膜厚度测量方法(应用于终端侧)的功能或步骤。
在一个实施例中，提出了一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像。
将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型。
基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置。
基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。
在本实施例中，通过获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。在本申请中，眼前节的光学相干断层扫描图像为眼前节的非接触式成像，可以降低对人眼形成刺激，从而保证在受检者的眼前节较为放松的情况下，获得待检测图像，以提高对角膜厚度参数进行测量的准确性，之后，基于目标检测神经网络训练得到的角膜轮廓提取模型，自动对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，提高对眼前节OCT图像进行定量检测的效率，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率。
在一个实施例中，提出了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像。
将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型。
基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置。
基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。
在本实施例中，通过获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息。在本申请中，眼前节的光学相干断层扫描图像为眼前节的非接触式成像，可以降低对人眼形成刺激，从而保证在受检者的眼前节较为放松的情况下，获得待检测图像，以提高对角膜厚度参数进行测量的准确性，之后，基于目标检测神经网络训练得到的角膜轮廓提取模型，自动对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，提高对眼前节OCT图像进行定量检测的效率，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率。
需要说明的是，上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤，可对应参阅前述方法实施例中，服务端侧以及客户端侧的相关描述，为避免重复，这里不再一一描述。
本领域普通技术人员可以理解实现上述实施例方法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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种眼前节的角膜厚度测量方法，其特征在于，所述方法包括：
获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；
将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；
基于所述待检测图像，确定检测基准线，所述检测基准线用于固定所述目标角膜轮廓的位置；
基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息。
2.根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述角膜轮廓提取模型包括像素分类模块、像素拼接模块和轮廓提取模块，所述将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述眼前节中角膜的目标角膜轮廓，包括：
采用所述像素分类模块，对所述待检测图像进行像素点为角膜轮廓的分类预测，得到角膜轮廓的像素点信息；
采用所述像素拼接模块，对所述角膜轮廓的像素点信息进行拼接，得到二值化图像；
采用所述轮廓提取模块，对所述二值化图像进行角膜轮廓提取，得到所述目标角膜轮廓。
3.根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息，包括：
基于所述目标角膜轮廓和所述检测基准线，确定多条与所述目标角膜轮廓垂直的角膜厚度检测线；
基于各所述角膜厚度检测线和所述目标角膜轮廓，确定所述目标角膜轮廓的拟合坐标点信息；
根据所述拟合坐标点信息，得到所述角膜的所述厚度信息。
4.根据权利要求3所述的眼前节的角膜厚度测量方法，其特征在于，所述根据所述拟合坐标点信息，得到所述角膜的所述厚度信息，包括：
基于圆的标准方程，对所述拟合坐标点信息进行拟合，确定目标参数，所述目标参数包括圆心坐标和半径值；
基于所述目标参数，确定目标检测圆；
基于所述目标检测圆，得到所述角膜的所述厚度信息。
5.根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述基于所述待检测图像，确定检测基准线，包括：
当在所述待检测图像中只检测到单侧的房角隐窝或检测到所述待检测图像中的房角隐窝不可见，则检测所述待检测图像的宽度信息和高度信息；
基于所述宽度信息和所述高度信息确定所述检测基准线。
6.根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述基于所述待检测图像，确定检测基准线，包括：
当检测到所述待检测图像中存在双侧的房角隐窝，将各所述待检测图像输入房角隐窝关键点检测模型进行关键点检测，得到第一房角隐窝关键点信息及第二房角隐窝关键点信息，其中，所述房角隐窝关键点检测模型为通过卷积神经网络训练得到的模型；
基于所述第一房角隐窝关键点信息和所述第二房角隐窝关键点信息，确定所述检测基准线。
7.根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息之后，所述方法还包括：
基于插值算法，对各所述厚度信息进行拟合，得到所述目标对象的角膜厚度地形图。
8.一种眼前节的角膜厚度测量装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；
角膜轮廓提取模块，用于将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；
基准线确定模块，用于基于所述待检测图像，确定检测基准线，所述检测基准线用于固定所述目标角膜轮廓的位置；
厚度信息确定模块，用于基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述眼前节的角膜厚度测量方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述眼前节的角膜厚度测量方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137729.9A CN117137428A (zh) | 2023-09-01 | 2023-09-01 | 眼前节的角膜厚度测量方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311137729.9A CN117137428A (zh) | 2023-09-01 | 2023-09-01 | 眼前节的角膜厚度测量方法、装置、计算机设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117137428A true CN117137428A (zh) | 2023-12-01 |
Family
ID=88904114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311137729.9A Pending CN117137428A (zh) | 2023-09-01 | 2023-09-01 | 眼前节的角膜厚度测量方法、装置、计算机设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117137428A (zh) |
-
2023
- 2023-09-01 CN CN202311137729.9A patent/CN117137428A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11253171B2 (en) | System and method for patient positioning | |
| EP2665406B1 (en) | Automated determination of arteriovenous ratio in images of blood vessels | |
| US8699774B2 (en) | Image processing apparatus, control method thereof, and program | |
| US20110137157A1 (en) | Image processing apparatus and image processing method | |
| Giancardo et al. | Textureless macula swelling detection with multiple retinal fundus images | |
| CN108985210A (zh) | 一种基于人眼几何特征的视线追踪方法及系统 | |
| US9089280B2 (en) | Image processing apparatus, image processing method, and program storage medium | |
| CA2844433A1 (en) | Motion correction and normalization of features in optical coherence tomography | |
| CN102542564B (zh) | 图像处理装置以及图像处理方法 | |
| Ong et al. | Measuring torsional eye movements by tracking stable iris features | |
| Liu et al. | Automated photoreceptor cell identification on nonconfocal adaptive optics images using multiscale circular voting | |
| Nakagawa et al. | Quantitative depth analysis of optic nerve head using stereo retinal fundus image pair | |
| US10573007B2 (en) | Image processing apparatus, image processing method, and image processing program | |
| Lazaridis et al. | Improving statistical power of glaucoma clinical trials using an ensemble of cyclical generative adversarial networks | |
| Pineda et al. | Robust automated reading of the skin prick test via 3D imaging and parametric surface fitting | |
| CN114937024A (zh) | 图像评估方法、装置和计算机设备 | |
| CN114189623B (zh) | 基于光场的屈光图形生成方法、装置、设备及存储介质 | |
| Yadav et al. | Optic nerve head three-dimensional shape analysis | |
| CN111932502B (zh) | 一种角膜图像点云选取方法、系统、智能终端及存储介质 | |
| JP2016152962A (ja) | 画像処理装置、画像処理装置の制御方法、眼科装置、眼科装置の制御方法、画像処理プログラムおよび撮影制御プログラム | |
| WO2023103609A1 (zh) | 用于眼前节octa的眼动追踪方法、装置、设备和存储介质 | |
| EP2693397B1 (en) | Method and apparatus for noise reduction in an imaging system | |
| JP2022513424A (ja) | 視神経乳頭の自動形状定量化の方法 | |
| CN117137428A (zh) | 眼前节的角膜厚度测量方法、装置、计算机设备及介质 | |
| CN112528714B (zh) | 基于单光源的注视点估计方法、系统、处理器及设备 |
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 |