CN118052819A - 一种预测甲状腺相关眼病的方法、装置及系统 - Google Patents
一种预测甲状腺相关眼病的方法、装置及系统 Download PDFInfo
- Publication number
- CN118052819A CN118052819A CN202410449250.7A CN202410449250A CN118052819A CN 118052819 A CN118052819 A CN 118052819A CN 202410449250 A CN202410449250 A CN 202410449250A CN 118052819 A CN118052819 A CN 118052819A
- Authority
- CN
- China
- Prior art keywords
- eye
- area
- information
- eyelid
- pressure
- 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
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 84
- 208000030533 eye disease Diseases 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 210000003205 muscle Anatomy 0.000 claims abstract description 144
- 238000009530 blood pressure measurement Methods 0.000 claims abstract description 71
- 210000001508 eye Anatomy 0.000 claims description 283
- 210000000744 eyelid Anatomy 0.000 claims description 193
- 210000005252 bulbus oculi Anatomy 0.000 claims description 82
- 210000004279 orbit Anatomy 0.000 claims description 80
- 230000011218 segmentation Effects 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 30
- 206010015997 Eyelid retraction Diseases 0.000 claims description 26
- 210000004087 cornea Anatomy 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 15
- 208000021642 Muscular disease Diseases 0.000 claims description 13
- 201000009623 Myopathy Diseases 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 2
- 239000003814 drug Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 15
- 230000004410 intraocular pressure Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 230000006378 damage Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 210000003786 sclera Anatomy 0.000 description 8
- 238000012216 screening Methods 0.000 description 8
- 208000003084 Graves Ophthalmopathy Diseases 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 206010061323 Optic neuropathy Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 208000020911 optic nerve disease Diseases 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000023275 Autoimmune disease Diseases 0.000 description 1
- 201000004569 Blindness Diseases 0.000 description 1
- 208000003164 Diplopia Diseases 0.000 description 1
- 208000019749 Eye movement disease Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000018087 Orbital disease Diseases 0.000 description 1
- 239000012072 active phase Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 208000029444 double vision Diseases 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000028780 ocular motility disease Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000006016 thyroid dysfunction Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及医学技术领域，尤其涉及一种预测甲状腺相关眼病的方法、装置及系统。提供一种预测甲状腺相关眼病的方法、装置和系统，通过获取筛查个体脸部图像并进行分区，筛查个体的眼球突出长度，根据眼球突出长度选择合适的眼睛压力测量方式，并根据压力测量结果，获取筛查个体眼眶CT图像后对眼肌区域进行分割与分析，给出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。该方法快速且准确地预测出甲状腺相关眼病的潜在个体，节约医疗资源，使甲状腺相关眼病的预测更为有效和准确。
Description
技术领域
本发明涉及医学技术领域，尤其涉及一种预测甲状腺相关眼病的方法、装置及系统。
背景技术
甲状腺相关眼病是一种自身免疫性疾病，其发病与甲状腺功能异常密切相关，多为双眼发病，是成人最常见的眼眶疾病。甲状腺相关眼病患者常见的临床表现为眼球突出、眼眶组织水肿、眼睑退缩等，也可以出现眼外肌受累导致的眼球运动障碍和复视、严重者会出现压迫性视神经病变、视力下降甚至失明等视功能损害。
当前甲状腺相关眼病的临床研究包括甲状腺相关眼病的分级与分期（包括静止期和活动期）的研究，以及对视神经病变与甲状腺眼病之间的关系的研究等。但这些研究都是基于甲状腺相关眼病确诊后进行的，而不是用来筛查哪些个体可能发展成甲状腺相关眼病的患者而进行的潜在病征的预测，且现有的甲状腺相关眼病的预测手段是通过医生的临床经验等进行的，具有主观性和存在一定的误差，不利于对潜在的甲状腺相关眼病的患者群体做出快速且准确的判断。
发明内容
鉴于上述预测甲状腺相关眼病只能通过医生临床经验的问题，本发明提供一种用于快速且准确地预测出甲状腺相关眼病的潜在个体的方法，节约医疗资源。
一方面，本发明提供一种预测甲状腺相关眼病的方法，包括：
获取筛查个体脸部图像，把所述脸部图像划分为第一区域、第二区域及第三区域，所述第一区域为脸部轮廓区域，所述第二区域为上下眼睑区域，所述第三区域为眼睛虹膜区域；
根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度，并根据所述第三区域对所述眼球突出长度进行验算；
根据所述眼球突出长度判断压力测量方式，所述压力测量方式为眼睛压力测量或眼眶压力测量，通过眼睛压力测量得到眼睛压力信息或通过眼眶压力测量得到眼眶压力信息；
根据压力测量结果，获取所述筛查个体眼眶CT图像，提取所述眼眶CT图像的第四区域，所述第四区域为眼肌区域；
对所述第四区域进行特征提取得到第四特征点信息，对所述第四特征点信息进行分割，对分割后的同类信息进行合并，将合并后的信息与眼肌病灶数据库进行比较，得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
优选地，在所述根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度，并根据所述第三区域对所述眼球突出长度进行验算之前，还包括：
对所述第一区域、所述第二区域分别进行特征点提取得到第一特征点信息及第二特征点信息；
根据所述第一特征点信息计算并拟合出人脸外轮廓曲线,根据所述第二特征点信息计算并拟合出上下眼睑轮廓曲线;
对所述人脸外轮廓曲线和所述上下眼睑轮廓曲线进行叠加确定虹膜区域范围；
对所述虹膜区域范围进行边缘检测及降噪处理，拟合出虹膜定位曲线；
根据所述上下眼睑轮廓曲线和所述虹膜定位曲线，判断是否存在眼睑退缩情况，若存在眼睑退缩情况则诊断为甲状腺相关眼病患者，若不存在眼睑退缩情况，根据所述第二区域及所述第三区域计算所述筛查个体的眼球突出长度，并根据所述第一区域对所述眼球突出长度进行验算。
具体地，对所述虹膜区域范围进行边缘检测及降噪处理，拟合出虹膜定位曲线包括：
对所述第三区域进行特征点提取得到第三特征点信息，并确定第三区域的中心点坐标及所述第三特征点信息的坐标，根据所述第三特征点信息的坐标和所述中心点坐标确定预估虹膜区域半径；
根据所述预估虹膜区域半径，使用Canny算子进行边缘检测及降噪处理，拟合出虹膜定位曲线。
具体地，根据所述眼球突出长度判断压力测量方式包括：
设定第一阈值，所述第一阈值为判断眼球突出长度的临界值；当所述眼球突出长度小于所述第一阈值时，测量所述筛查个体的眼睛压力信息；当所述眼球突出长度大于所述第一阈值时，测量所述筛查个体的眼眶压力信息。
具体地，根据所述压力测量结果，获取所述筛查个体眼眶CT图像包括：
设定第二阈值，所述第二阈值为眼睛压力的临界值或眼眶压力的临界值；当所述眼睛压力信息或所述眼眶压力信息小于所述第二阈值时，排除所述筛查个体为甲状腺相关眼病的可能患病个体；当所述眼睛压力信息或所述眼眶压力信息大于所述第二阈值时，获取所述筛查个体眼眶CT图像，并得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
具体地，根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度包括：
获取第一区域中左侧脸部照片和右侧脸部照片，根据所述左侧脸部照片确定左眼角膜外沿坐标，根据所述右侧脸部照片确定右眼角膜外沿坐标；
获取第二区域中左侧脸部上下眼睑照片和右侧脸部上下眼睑照片，根据所述左侧脸部上下眼睑照片确定左眼上眼睑坐标及左眼下眼睑坐标，以所述左眼上眼睑坐标及左眼下眼睑坐标连线的中点为左眼坐标原点，计算所述左眼角膜外沿坐标到所述左眼坐标原点的距离为左眼眼球突出长度；根据所述右侧脸部上下眼睑照片确定右眼上眼睑坐标及右眼下眼睑坐标，以所述右眼上眼睑坐标及右眼下眼睑坐标连线的中点为右眼坐标原点，计算所述右眼角膜外沿坐标到所述右眼坐标原点的距离为右眼眼球突出长度。
具体地，所述眼眶压力测量由眶压测量仪进行测量，所述眶压测量仪包括本体、眶压采集单元及显示设备，所述眶压采集单元包括压力传感器及眼眶套，所述压力传感器置于所述眼眶套内并与所述眼眶套连接，所述眼眶套根据所述上下眼睑轮廓曲线调节开口大小，通过所述压力传感器测量所述筛查个体的眶压值，并通过显示设备显示所述眶压值。
具体地，对所述第四区域进行特征提取得到第四特征点信息，对所述第四特征点信息进行分割，对分割后的同类信息进行合并包括：对所述第四特征点信息分割为左眼的上直肌、下直肌、内直肌和外直肌以及右眼的上直肌、下直肌、内直肌和外直肌，把所述左眼的上直肌与所述右眼的上直肌合并得到上直肌特征信息，把所述左眼的下直肌与所述右眼的下直肌合并得到下直肌特征信息，把所述左眼的内直肌与所述右眼的内直肌合并得到内直肌特征信息，把所述左眼的外直肌与所述右眼的外直肌合并得到外直肌特征信息，所述上直肌特征信息、所述下直肌特征信息、所述内直肌特征信息及所述外直肌特征信息为所述合并后的信息，将所述合并后的信息与眼肌病灶数据库进行比较，得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
一方面，本发明提供一种预测甲状腺相关眼病的检测装置，包括：
第一图像获取单元，用于获取筛查个体脸部图像，把所述脸部图像划分为第一区域、第二区域及第三区域，所述第一区域为脸部轮廓区域，所述第二区域为上下眼睑区域，所述第三区域为眼睛虹膜区域；
眼球突出长度计算单元，用于根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度，并根据所述第三区域对所述眼球突出长度进行验算；
压力测量判断单元，用于根据所述眼球突出长度判断压力测量方式，所述压力测量方式为眼睛压力测量或眼眶压力测量，通过眼睛压力测量得到眼睛压力信息或通过眼眶压力测量得到眼眶压力信息；
第二图像获取单元，用于根据所述压力测量结果，获取所述筛查个体眼眶CT图像，提取所述眼眶CT图像的第四区域，所述第四区域为眼肌区域；
结果预测单元，用于对所述第四区域进行特征提取得到第四特征点信息，对所述第四特征点信息进行分割，对分割后的同类信息进行合并，将合并后的信息与眼肌病灶数据库进行比较，得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
一方面，本发明提供一种预测甲状腺相关眼病的检测系统，包括：
存储器及处理器，所述存储器与所述处理器耦合相连，所述存储器存储有可执行的程序模块，所述处理器用于运行所述存储器中存储的程序模块以实现如上所述的方法。
通过上述方案，获取筛查个体脸部图像并进行分区，筛查个体的眼球突出长度，根据所述眼球突出长度选择合适的眼睛压力测量方式，并根据压力测量结果，获取所述筛查个体眼眶CT图像后对眼肌区域进行分割与分析，给出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。该方法快速且准确地预测出甲状腺相关眼病的潜在个体，节约医疗资源，使甲状腺相关眼病的预测更为有效和准确。
附图说明
图1是一种预测甲状腺相关眼病的方法流程图；
图2是另一种预测甲状腺相关眼病的方法流程图；
图3是眼眶测量仪中眼眶套的正视图；
图4是一种预测甲状腺相关眼病装置的结构图；
图5是另一种预测甲状腺相关眼病装置的结构图；
图6是一种预测甲状腺相关眼病的检测系统结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程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。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
一方面，如图1所示，本发明提供一种预测甲状腺相关眼病的方法，包括：
S101:获取筛查个体脸部图像，把脸部图像划分为第一区域、第二区域及第三区域，第一区域为脸部轮廓区域，第二区域为上下眼睑区域，第三区域为眼睛虹膜区域；
需要说明的是，拍摄筛查个体的脸部图像需要拍摄三个方位的照片，分别是正对人脸的前平位，正对右侧人脸的右侧位及正对左侧人脸的左侧位，再对照片分别进行区域的划分，该步骤中的区域划分为初次的区域划分，目的是使后面的图像信息精确的提取更加准确。此处对图像的区域划分根据划分区域的不同，使用不同的划分方式：当对正对人脸的前平位、正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行第一区域划分时，使用基于边缘的分割方法进行划分，由于第一区域是脸部轮廓区域，脸部的边界和头发的边界区分较为明显，所以使用基于边缘分割的方法能快速有效地划分出第一区域；当对正对人脸的前平位、正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行第二区域划分时，使用基于阈值的分割方法进行划分，由于第二区域为上下眼睑区域，该区域由于巩膜的灰度值等级较高，灰度值一般接近255，因此使用基于阈值的分割方法，可把阈值设置在250到255之间，当图像的灰度值到达设定的阈值范围，则把该区域进行整体划分；当对正对人脸的前平位、正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行第三区域划分时，基于第二区域的划分方式，同样使用基于阈值的分割方法进行划分，由于人眼虹膜颜色与巩膜颜色对比度较为明显，因此第三区域的划分需要同时满足两个条件，一是设定划分阈值，二是第三区域要位于第二区域内。
S102：根据第一区域及第二区域计算筛查个体的眼球突出长度，并根据第三区域对眼球突出长度进行验算；
需要说明的是，这里的第一区域和第二区域是指正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行的区域划分。通过第一区域即脸部轮廓区域可得到眼角膜的最外侧点的位置，与第二区域即上下眼睑区域进行比较叠加，得到眼球突出的长度。为了更加精确的计算眼球突出长度，可通过第三区域即虹膜区域对眼球突出的长度进行验算。
S103:根据眼球突出长度判断压力测量方式，压力测量方式为眼睛压力测量或眼眶压力测量，通过眼睛压力测量得到眼睛压力信息或通过眼眶压力测量得到眼眶压力信息；
需要说明的是，眼球突出长度一般可用于判断是否患有甲状腺相关眼病，但并不是唯一的判断标准，有的潜在的甲状腺相关眼病患者可能还不存在眼球突出的情况或眼球突出长度未达到病态范围；而有的患者眼球突出已经达到病态范围，且大概率存在甲状腺相关眼病，若再对患者进行后续的判断中往往需要加入眼压测量以确定患者是否患有甲状腺相关眼病，但这种检测眼压的方式会伤害原本脆弱的眼球。因此对于眼球突出长度不多的可能患病的筛查个体，可以通过眼压测试仪进行眼压测试，一般可采用全自动非接触眼压计或压平式眼压计等进行双眼眼压的测量；但对于眼球突出长度比较多的筛查个体，特别是眼球突出长度接近病态范围的筛查个体，患甲状腺相关眼病的可能性比较大，若采用眼压测试对眼睛可能造成伤害。这里就需要先判断眼睛突出长度，再针对性的进行眼压或者眼眶压力的检测是保险的做法，要减少对潜在的患者眼部的伤害，可以通过对眼眶进行压力测试，来替代眼压的测试。
S104:根据压力测量结果，获取筛查个体眼眶CT图像，提取眼眶CT图像的第四区域，第四区域为眼肌区域；
需要说明的是，有的潜在患病风险的筛查个体，在发病的早期并不存在眼球突出或眼压/眶压升高的情况，需要结合进一步的眼肌检查进行排除，眼肌区域位于眼睛内，需要对筛查个体做眼眶CT图像的获取，为了更准确地获取眼眶信息，这里选取CT的拍摄对象是眼眶而非头部，因为整个头部的扫描，扫描区域较大，相对地有关眼肌层面的图片则会很少，而眼眶CT专门集中扫描眼眶部位，层厚较薄，有关眼肌层面的图片就比较多，图像会更清晰、准确。在获取眼眶CT图像后需要进行使用阈值分割法或者边缘分割法对原始图像预处理，分割出眼肌区域以便于后续对眼肌图像的分析操作。
S105:对第四区域进行特征提取得到第四特征点信息，对第四特征点信息进行分割，对分割后的同类信息进行合并，将合并后的信息与眼肌病灶数据库进行比较，得出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
需要说明的是，由于眼肌部分细小，所以对眼肌图像的分割一直是甲状腺相关眼病图像处理的难点，对于眼肌图像的分割一般使用Unet分割网络进行处理，U-Net神经网络模型进行分割的过程大致如下：首先可对融合扫描图像进行必要的预处理，如标准化、去噪等，以改善模型的分割性能，随后可利用带有标注的医学图像数据集来训练U-Net模型。这些数据集应该包含水平位眼部区域和冠状位平面眼部区域的准确分割标注，再者将预处理后的融合扫描图像输入到训练好的U-Net模型中，模型会生成一个分割掩码，标记出图像中的目标区域，并对模型生成的分割结果进行后处理，如平滑边缘、去除小区域等，以提高分割的准确性。在分割后把同类信息合并，并将合并后的信息与眼肌病灶数据库进行对比，从而得出筛查个体是否为甲状腺相关眼病的可能患病个体的结果。
优选地，如图2所示，在根据第一区域及第二区域计算筛查个体的眼球突出长度，并根据第三区域对眼球突出长度进行验算之前，还包括：
S1011:对第一区域、第二区域分别进行特征点提取得到第一特征点信息及第二特征点信息；
S1012:根据第一特征点信息计算并拟合出人脸外轮廓曲线,根据第二特征点信息计算并拟合出上下眼睑轮廓曲线；
S1013:对人脸外轮廓曲线和上下眼睑轮廓曲线进行叠加确定虹膜区域范围；
S1014:对虹膜区域范围进行边缘检测及降噪处理，拟合出虹膜定位曲线；
S1015:根据上下眼睑轮廓曲线和虹膜定位曲线，判断是否存在眼睑退缩情况，若存在眼睑退缩情况则诊断为甲状腺相关眼病患者，若不存在眼睑退缩情况，根据第二区域及第三区域计算筛查个体的眼球突出长度，并根据第一区域对眼球突出长度进行验算。
需要说明的是，针对S1011，在S101对面部图像进行简单划分过后，需要进一步对脸部轮廓区域及上下眼睑区域做进一步的计算，以提取两个区域的曲线。对第一区域进行特征点提取后得到第一特征点信息，由于在S101中已经对第一区域进行简单划分，区分出除头发以外的脸部图像，在该基础上，以简单划分后的第一区域的图像边缘为基准，每隔一段预设的距离选取一个特征点，比较优的情况是每隔1cm的距离选取一个特征点，构成第一特征点信息的集合；同样地，在S101中已经对第二区域进行简单划分，区分出上下眼睑的图像，在该基础上，以简单划分后的第二区域的图像边缘为基准，每隔一段预设的距离选取一个特征点，比较优的情况是每隔3mm的距离选取一个特征点，构成第二特征点信息的集合。
针对S1012，在第一区域提取到第一特征点信息的集合后，使用拟合曲线公式进行人脸轮廓的曲线拟合，其中人脸轮廓曲线的起点是Q0，人脸轮廓曲线的终点是Qn，Q代表每个特征点的坐标值，t为0到1之间的数。例如若第一特征点信息的集合选取到20个特征点，则这20个特征点为Q0-Qn，则公式为，计算机使用该公式进行计算，可拟合出人脸外轮廓曲线，该曲线拟合后的区域能有效排除头发、发饰、衣服及耳朵的影响，实现简便且需要的信息量较少，却能拟合出较光滑的曲线。
在第二区域提取到第二特征点信息的集合后，使用拟合曲线公式进行上下眼睑的曲线拟合，上下眼睑的曲线拟合需要进行四条曲线的拟合，即左眼上眼睑曲线、左眼下眼睑曲线、右眼上眼睑曲线以及右眼下眼睑曲线，其中O0-O3是代表其中一条眼睑线的4个特征点的坐标值，B0,3（t）为(1-t)3/6，B1,3（t）为（3t3-6t2+4）/6,B2,3(t)为（-3t3+3t2+3t+1）/6，B3,3=t3/6。例如第二特征点信息的集合选取到16个特征点，其中左眼上眼睑、左眼下眼睑、右眼上眼睑以及右眼下眼睑分别选取4个特征点，带入上述上下眼睑拟合曲线的公式得到O（t）=O0*(1-t)3/6+O1*（3t3-6t2+4）/6+O2*（-3t3+3t2+3t+1）/6+O4*t3/6，计算机使用该公式进行计算后可拟合出上下眼睑的四条曲线，该计算方法拟合出的曲线准确率高且边缘光滑。
针对步骤1013及步骤1014，对步骤1012中计算拟合得到的脸部轮廓曲线和上下眼睑曲线进行叠加处理得到虹膜区域范围，另外为了增加虹膜区域范围的准确度，还可通过步骤101中对脸部图像的虹膜划分出的第三区域图像，对虹膜区域范围进行验证。对虹膜区域范围使用高斯平滑去噪声滤波器对图像进行降噪处理，选定双阈值检测的阈值范围，一般为采用1:2的比例进行双阈值检测的阈值范围选定，并在虹膜区域的边缘使用连通域处理模块，对图像边缘使用连通域处理模块进行去噪声处理拟合出最终的虹膜定位曲线。
针对步骤1015，结合上下眼睑轮廓定位曲线和虹膜定位曲线，配合EUGOGO的眼睑退缩评估标准，可判断出筛查个体是否存在眼睑退缩情况。EUGOGO的眼睑退缩评估标准是正常个体眼睑位于上方角巩膜缘内的1到2毫米之间，而下眼睑位于下方角巩膜缘处，通过上下眼睑轮廓定位曲线和虹膜定位曲线的叠加，即可看出虹膜定位曲线是否在上眼睑的曲线之上，若虹膜定位曲线的上曲线超过上眼睑轮廓定位曲线2毫米以上，可判定筛查个体为上眼睑退缩；若虹膜定位曲线的下曲线超过下眼睑轮廓定位曲线，可判定筛查个体为下眼睑退缩，结合患者的甲状腺功能评定和甲状腺B超数据，即可判断筛查个体患有甲状腺相关眼病。
但是在实际临床中，有很大一部分筛查个体是潜在的甲状腺眼病的患病个体，若只通过判断眼睑是否退缩就诊断筛查个体是否为甲状腺眼病的患者，可能存在误诊漏诊的情况，鉴于此，需要给出了更加准确判定筛查个体的解决方案，若在上述步骤中不存在眼睑退缩的情况，则继续对筛查个体进行后续的排查，即继续执行步骤S102。
另外，在对步骤S1014进行虹膜区域范围边缘检测及降噪处理，拟合出虹膜定位曲线是通过下述步骤进行的：
S10141：对第三区域进行特征点提取得到第三特征点信息，并确定第三区域的中心点坐标及第三特征点信息的坐标，根据第三特征点信息的坐标和中心点坐标确定预估虹膜区域半径；
S10142：根据预估虹膜区域半径，使用Canny算子进行边缘检测及降噪处理，拟合出虹膜定位曲线。
需要说明的是，在传统的虹膜区域定位中，一般是使用Hough变换圆检测进行虹膜区域定位，但传统的Hough变换圆检测方法的缺点在于圆的搜索半径是随机设置的，并非具有针对性的设置，这就导致计算空间开销过大，计算过程慢的问题，步骤S10141和步骤S10142就解决了这一问题。在传统的Hough变换圆检测中确定虹膜区域的搜索半径，使计算提速，减少空间和时间开销。通过对第三区域即虹膜区域进行特征点信息的提取，提取方式是虹膜区域的中心点以及虹膜区域边缘每隔2mm取一个特征点，并记录中心点和特征点的坐标值，通过中心点坐标和边缘的特征点坐标计算得到虹膜区域的半径，根据这个计算得到的虹膜区域半径。接着使用Canny算子配合计算得到的虹膜区域半径检测实际的虹膜区域强边界和弱边界，可通过调整Canny算子的设定值来进行检测，即可得到准确地虹膜边缘定位，拟合出虹膜定位曲线。根据每个筛查个体虹膜区域半径的不同，适应性地调整Canny算子的检测范围，比传统的Hough检测方法更加的准确、可靠。
具体地，根据眼球突出长度判断压力测量方式包括：
S1031：设定第一阈值，第一阈值为判断眼球突出长度的临界值；
S1032：当眼球突出长度小于第一阈值时，测量筛查个体的眼睛压力信息；当眼球突出长度大于第一阈值时，测量筛查个体的眼眶压力信息。
需要说明的是，为了使筛查个体的眼球免受伤害，需要先判断眼睛突出长度，再针对性的进行眼压或者眼眶压力的检测。可以设定一个眼球突出长度的阈值为第一阈值，当眼球突出长度并没有超过该第一阈值时，代表眼球受到的压力并不算太大，可以使用传统的检查眼压的方法来进行眼睛压力的检测；当眼球突出长度超过该第一阈值时，就使用测量眼眶压力的方法替代眼睛压力的检测，这样的针对性检测就可以减少因为眼睛压力检测对眼睛带来的伤害。
具体地，根据压力测量结果，获取筛查个体眼眶CT图像包括：
S1041:设定第二阈值，第二阈值为眼睛压力的临界值或眼眶压力的临界值；
S1042:当眼睛压力信息或眼眶压力信息小于第二阈值时，排除筛查个体为甲状腺相关眼病的可能患病个体；
S1043:当眼睛压力信息或眼眶压力信息大于第二阈值时，获取筛查个体眼眶CT图像，并得出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
需要说明的是，当眼睛压力信息或眼眶压力信息没有超过设定的临界值时，配合之前眼球突出长度也没有超过设定的第一阈值，可以判断这部分筛查个体没有患上甲状腺相关眼病，若眼睛压力信息或眼眶压力信息超过设定的临界值，则需要再配合筛查个体的眼眶CT图像，查看眼肌的大小厚度从而得出预测结果。
具体地，根据第一区域及第二区域计算筛查个体的眼球突出长度包括：
S1021：获取第一区域中左侧脸部照片和右侧脸部照片，根据左侧脸部照片确定左眼角膜外沿坐标，根据右侧脸部照片确定右眼角膜外沿坐标；
S1022：获取第二区域中左侧脸部上下眼睑照片和右侧脸部上下眼睑照片，根据左侧脸部上下眼睑照片确定左眼上眼睑坐标及左眼下眼睑坐标，以左眼上眼睑坐标及左眼下眼睑坐标连线的中点为左眼坐标原点，计算左眼角膜外沿坐标到左眼坐标原点的距离为左眼眼球突出长度；
S1023：根据右侧脸部上下眼睑照片确定右眼上眼睑坐标及右眼下眼睑坐标，以右眼上眼睑坐标及右眼下眼睑坐标连线的中点为右眼坐标原点，计算右眼角膜外沿坐标到右眼坐标原点的距离为右眼眼球突出长度。
需要说明的是，在步骤S101中，拍摄筛查个体的脸部图像需要拍摄三个方位的照片，分别是正对人脸的前平位，正对右侧人脸的右侧位及正对左侧人脸的左侧位，再对照片分别进行区域的划分得到第一区域的左侧脸部照片和右侧脸部照片，以及第二区域的左侧脸部上下眼睑照片和右侧脸部上下眼睑照片。针对左眼，通过左侧脸部上眼睑的最高点坐标和下眼睑最低点坐标计算得出中心点坐标，则左眼角膜外沿坐标到中心点坐标差值即为左眼眼球突出的长度；同理针对右眼，通过右侧脸部上眼睑的最高点坐标和下眼睑最低点坐标计算得出中心点坐标，则右眼角膜外沿坐标到中心点坐标差值即为右眼眼球突出的长度。
具体地，眼眶压力测量由眶压测量仪进行测量，眶压测量仪包括本体、眶压采集单元及显示设备，如图3所示，眶压采集单元包括压力传感器303及眼眶套，其中眼眶套分为上下部分，上眼眶套301及下眼眶套302，压力传感器置于眼眶套内并与眼眶套连接，眼眶套根据上下眼睑轮廓曲线调节开口大小，可通过机械旋钮或电子开关的方式开启或合并上下眼眶套，从而使眼眶套适配眼睛大小，在眼眶套压在筛查个体眼眶上后，通过眼眶套内的压力传感器测量筛查个体的眶压值，并通过显示设备显示眶压值。
需要说明的是，每位筛查个体的眼眶大小都不相同，步骤S101中采集的正对人脸的前平位的图像后，划分出的上下眼睑区域即第二区域并在之后的步骤S1012中拟合出上下眼睑轮廓曲线，可用于眼眶压力测试中调节眼眶套的开口大小。由于眼眶和上下眼睑有一定的距离，因此开口大小需要在上下眼睑轮廓曲线的最大距离上进行补偿，优选的情况是补偿值为1厘米，即眼眶套开口大小=上下眼睑距离最大值+1cm。另外眼眶套为上下分开设置的两段弧形且长度为2厘米的机构组成，该机构内集成有压力传感器，当眼眶套压在眼眶上时，操作人员通过本体上的摁键对筛查个体进行眶压测量。
具体地，对第四区域进行特征提取得到第四特征点信息，对第四特征点信息进行分割，对分割后的同类信息进行合并包括：
S1051：对第四特征点信息分割为左眼的上直肌、下直肌、内直肌和外直肌以及右眼的上直肌、下直肌、内直肌和外直肌；
S1052：把左眼的上直肌与右眼的上直肌合并得到上直肌特征信息，把左眼的下直肌与右眼的下直肌合并得到下直肌特征信息，把左眼的内直肌与右眼的内直肌合并得到内直肌特征信息，把左眼的外直肌与右眼的外直肌合并得到外直肌特征信息；
S1053：上直肌特征信息、下直肌特征信息、内直肌特征信息及外直肌特征信息为合并后的信息；
S1054：将合并后的信息与眼肌病灶数据库进行比较，得出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
需要说明的是，眼肌分割的方法使用改进的Unet分割网络进行，在对第四特征点信息分割为左眼的上直肌、下直肌、内直肌和外直肌以及右眼的上直肌、下直肌、内直肌和外直肌后，分别把左眼的四个特征和右眼的四个特征调整成相同的尺寸并进行拼接操作，把上述八个眼肌特征压缩到一个较小的维度，但这个维度范围需要包含所有的特征的原始信息以保证特征的完整性；将压缩后的高维特征与类别相关联，然后基于合并后的特征训练出一个分类器，使其能够利用上述八个眼肌特征进行分类，把分类过后的所有眼部直肌特征与眼肌病灶数据库进行比较，进而得到最终的预测结果，判断出筛查个体是否为甲状腺相关眼病的可能患病个体。
通过上述方案，获取筛查个体脸部图像并进行分区，筛查个体的眼球突出长度，根据眼球突出长度选择合适的眼睛压力测量方式，并根据压力测量结果，获取筛查个体眼眶CT图像后对眼肌区域进行分割与分析，给出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。该方法快速且准确地预测出甲状腺相关眼病的潜在个体，节约医疗资源，使甲状腺相关眼病的预测更为有效和准确。
实施例二
一方面，如图4所示，本发明提供一种预测甲状腺相关眼病的检测装置，包括：
第一图像获取单元401，用于获取筛查个体脸部图像，把脸部图像划分为第一区域、第二区域及第三区域，第一区域为脸部轮廓区域，第二区域为上下眼睑区域，第三区域为眼睛虹膜区域；
眼球突出长度计算单元402，用于根据第一区域及第二区域计算筛查个体的眼球突出长度，并根据第三区域对眼球突出长度进行验算；
压力测量判断单元403，用于根据眼球突出长度判断压力测量方式，压力测量方式为眼睛压力测量或眼眶压力测量，通过眼睛压力测量得到眼睛压力信息或通过眼眶压力测量得到眼眶压力信息；
第二图像获取单元404，用于根据压力测量结果，获取筛查个体眼眶CT图像，提取眼眶CT图像的第四区域，第四区域为眼肌区域；
结果预测单元405，用于对第四区域进行特征提取得到第四特征点信息，对第四特征点信息进行分割，对分割后的同类信息进行合并，将合并后的信息与眼肌病灶数据库进行比较，得出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
需要说明的是，第一图像获取单元拍摄筛查个体的脸部图像需要拍摄三个方位的照片，分别是正对人脸的前平位，正对右侧人脸的右侧位及正对左侧人脸的左侧位，再对照片分别进行区域的划分，该步骤中的区域划分为初次的区域划分，目的是使后面的图像信息精确的提取更加准确。此处对图像的区域划分根据划分区域的不同，使用不同的划分方式：当对正对人脸的前平位、正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行第一区域划分时，使用基于边缘的分割方法进行划分，由于第一区域是脸部轮廓区域，脸部的边界和头发的边界区分较为明显，所以使用基于边缘分割的方法能快速有效地划分出第一区域；当对正对人脸的前平位、正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行第二区域划分时，使用基于阈值的分割方法进行划分，由于第二区域为上下眼睑区域，该区域由于巩膜的灰度值等级较高，灰度值一般接近255，因此使用基于阈值的分割方法，可把阈值设置在250到255之间，当图像的灰度值到达设定的阈值范围，则把该区域进行整体划分；当对正对人脸的前平位、正对右侧人脸的右侧位及正对左侧人脸的左侧位的图像进行第三区域划分时，基于第二区域的划分方式，同样使用基于阈值的分割方法进行划分，由于人眼虹膜颜色与巩膜颜色对比度较为明显，因此第三区域的划分需要同时满足两个条件，一是设定划分阈值，二是第三区域要位于第二区域内。
眼球突出长度计算单元通过第一区域即脸部轮廓区域可得到眼角膜的最外侧点的位置，与第二区域即上下眼睑区域进行比较叠加，得到眼球突出的长度。为了更加精确的计算眼球突出长度，可通过第三区域即虹膜区域对眼球突出的长度进行验算。
压力测量判断单元通过先判断眼睛突出长度，再针对性的进行眼压或者眼眶压力的检测是保险的做法，要减少对潜在的患者眼部的伤害，可以通过对眼眶进行压力测试，来替代眼压的测试。
第二图像获取单元对于有些潜在患病风险的筛查个体，在发病的早期并不存在眼球突出或眼压/眶压升高的情况，需要结合进一步的眼肌检查进行排除，眼肌区域位于眼睛内，需要对筛查个体做眼眶CT图像的获取，为了更准确地获取眼眶信息，这里选取CT的拍摄对象是眼眶而非头部，因为整个头部的扫描，扫描区域较大，相对地有关眼肌层面的图片则会很少，而眼眶CT专门集中扫描眼眶部位，层厚较薄，有关眼肌层面的图片就比较多，图像会更清晰、准确。在获取眼眶CT图像后需要进行使用阈值分割法或者边缘分割法对原始图像预处理，分割出眼肌区域以便于后续对眼肌图像的分析操作。
结果预测单元首先是计算机系统通过Unet分割网络算法，对眼肌区域图像进行分割处理，由于眼肌部分细小，所以对眼肌图像的分割一直是甲状腺相关眼病图像处理的难点，对于眼肌图像的分割一般使用Unet分割网络进行，U-Net神经网络模型进行分割的过程大致如下：首先可对融合扫描图像进行必要的预处理，如标准化、去噪等，以改善模型的分割性能，随后可利用带有标注的医学图像数据集来训练U-Net模型。这些数据集应该包含水平位眼部区域和冠状位平面眼部区域的准确分割标注，再者将预处理后的融合扫描图像输入到训练好的U-Net模型中，模型会生成一个分割掩码，标记出图像中的目标区域，并对模型生成的分割结果进行后处理，如平滑边缘、去除小区域等，以提高分割的准确性。在分割后把同类信息合并，并将合并后的信息与眼肌病灶数据库进行对比，从而得出筛查个体是否为甲状腺相关眼病的可能患病个体的结果。
具体地，如图5所示，预测甲状腺相关眼病的检测装置还包括：
第一特征点提取单元501，用于对第一区域进行特征点提取得到第一特征点信息；第二特征点提取单元502，用于对第二区域进行特征点提取得到第二特征点信息；
人脸曲线拟合单元503，用于根据第一特征点信息计算并拟合出人脸外轮廓曲线；眼睑曲线拟合单元504，用于根据第二特征点信息计算并拟合出上下眼睑轮廓曲线；
虹膜区域确定单元505，用于对人脸外轮廓曲线和上下眼睑轮廓曲线进行叠加确定虹膜区域范围；虹膜曲线定位单元506，用于对虹膜区域范围进行边缘检测及降噪处理，拟合出虹膜定位曲线；
眼睑退缩判断单元507，用于根据上下眼睑轮廓曲线和虹膜定位曲线，判断是否存在眼睑退缩情况，若存在眼睑退缩情况则诊断为甲状腺相关眼病患者，若不存在眼睑退缩情况，根据第二区域及第三区域计算筛查个体的眼球突出长度，并根据第一区域对眼球突出长度进行验算。
针对第一特征点提取单元及第二特征点提取单元，在第一图像获取单元对面部图像进行简单划分过后，需要进一步对脸部轮廓区域及上下眼睑区域做进一步的计算，以提取两个区域的曲线。对第一区域进行特征点提取后得到第一特征点信息，由于在第一图像获取单元中已经对第一区域进行简单划分，区分出除头发以外的脸部图像，在该基础上，以简单划分后的第一区域的图像边缘为基准，每隔一段预设的距离选取一个特征点，比较优的情况是每隔1cm的距离选取一个特征点，构成第一特征点信息的集合；同样地，在第一图像获取单元中已经对第二区域进行简单划分，区分出上下眼睑的图像，在该基础上，以简单划分后的第二区域的图像边缘为基准，每隔一段预设的距离选取一个特征点，比较优的情况是每隔3mm的距离选取一个特征点，构成第二特征点信息的集合。
针对人脸曲线拟合单元，在第一区域提取到第一特征点信息的集合后，
使用拟合曲线公式进行人脸轮廓的曲线拟合，其中人脸轮廓曲线的起点是Q0，人脸轮廓曲线的终点是Qn，Q代表每个特征点的坐标值，t为0到1之间的数。例如若第一特征点信息的集合选取到20个特征点，则这20个特征点为Q0-Qn，则公式为，计算机使用该公式进行计算，可拟合出人脸外轮廓曲线，该曲线拟合后的区域能有效排除头发、发饰、衣服及耳朵的影响，实现简便且需要的信息量较少，却能拟合出较光滑的曲线。
针对眼睑曲线拟合单元，在第二区域提取到第二特征点信息的集合后，使用拟合曲线公式进行上下眼睑的曲线拟合，上下眼睑的曲线拟合需要进行四条曲线的拟合，即左眼上眼睑曲线、左眼下眼睑曲线、右眼上眼睑曲线以及右眼下眼睑曲线，其中O0-O3是代表其中一条眼睑线的4个特征点的坐标值，B0,3（t）为(1-t)3/6，B1,3（t）为（3t3-6t2+4）/6,B2,3(t)为（-3t3+3t2+3t+1）/6，B3,3=t3/6。例如第二特征点信息的集合选取到16个特征点，其中左眼上眼睑、左眼下眼睑、右眼上眼睑以及右眼下眼睑分别选取4个特征点，带入上述上下眼睑拟合曲线的公式得到O（t）=O0*(1-t)3/6+O1*（3t3-6t2+4）/6+O2*（-3t3+3t2+3t+1）/6+O4*t3/6，计算机使用该公式进行计算后可拟合出上下眼睑的四条曲线，该计算方法拟合出的曲线准确率高且边缘光滑。
针对虹膜区域确定单元及虹膜曲线定位单元，对人脸曲线拟合单元和虹膜区域确定单元中计算拟合得到的脸部轮廓曲线和上下眼睑曲线进行叠加处理得到虹膜区域范围，另外为了增加虹膜区域范围的准确度，还可通过第一图像获取单元对脸部图像的虹膜划分出的第三区域图像，对虹膜区域范围进行验证。对虹膜区域范围使用高斯平滑去噪声滤波器对图像进行降噪处理，选定双阈值检测的阈值范围，一般为采用1:2的比例进行双阈值检测的阈值范围选定，并在虹膜区域的边缘使用连通域处理模块，对图像边缘使用连通域处理模块进行去噪声处理拟合出最终的虹膜定位曲线。
针对眼睑退缩判断单元，结合上下眼睑轮廓定位曲线和虹膜定位曲线，配合EUGOGO的眼睑退缩评估标准，可判断出筛查个体是否存在眼睑退缩情况。EUGOGO的眼睑退缩评估标准是正常个体眼睑位于上方角巩膜缘内的1到2毫米之间，而下眼睑位于下方角巩膜缘处，通过上下眼睑轮廓定位曲线和虹膜定位曲线的叠加，即可看出虹膜定位曲线是否在上眼睑的曲线之上，若虹膜定位曲线的上曲线超过上眼睑轮廓定位曲线2毫米以上，可判定筛查个体为上眼睑退缩；若虹膜定位曲线的下曲线超过下眼睑轮廓定位曲线，可判定筛查个体为下眼睑退缩，结合患者的甲状腺功能评定和甲状腺B超数据，即可判断筛查个体患有甲状腺相关眼病。
但是在实际临床中，有很大一部分筛查个体是潜在的甲状腺眼病的患病个体，若只通过判断眼睑是否退缩就诊断筛查个体是否为甲状腺眼病的患者，可能存在误诊漏诊的情况，鉴于此，需要给出了更加准确判定筛查个体的解决方案，若在上述步骤中不存在眼睑退缩的情况，则继续对筛查个体进行后续的排查，即继续通过眼球突出长度计算单元进行计算。
另外，对于虹膜曲线定位单元进行虹膜区域范围边缘检测及降噪处理，拟合出虹膜定位曲线是通过下述单元进行操作的：
虹膜实时半径估算单元5061，对第三区域进行特征点提取得到第三特征点信息，并确定第三区域的中心点坐标及第三特征点信息的坐标，根据第三特征点信息的坐标和中心点坐标确定预估虹膜区域半径；
虹膜曲线定位单元506，根据预估虹膜区域半径，使用Canny算子进行边缘检测及降噪处理，拟合出虹膜定位曲线。
需要说明的是，在传统的虹膜区域定位中，一般是使用Hough变换圆检测进行虹膜区域定位，但传统的Hough变换圆检测方法的缺点在于圆的搜索半径是随机设置的，并非具有针对性的设置，这就导致计算空间开销过大，计算过程慢的问题，虹膜实时半径估算单元和虹膜曲线定位单元就解决了这一问题。在传统的Hough变换圆检测中确定虹膜区域的搜索半径，使计算提速，减少空间和时间开销。通过对第三区域即虹膜区域进行特征点信息的提取，提取方式是虹膜区域的中心点以及虹膜区域边缘每隔2mm取一个特征点，并记录中心点和特征点的坐标值，通过中心点坐标和边缘的特征点坐标计算得到虹膜区域的半径，根据这个计算得到的虹膜区域半径。接着使用Canny算子配合计算得到的虹膜区域半径检测实际的虹膜区域强边界和弱边界，可通过调整Canny算子的设定值来进行检测，即可得到准确地虹膜边缘定位，拟合出虹膜定位曲线。根据每个筛查个体虹膜区域半径的不同，适应性地调整Canny算子的检测范围，比传统的Hough检测方法更加的准确、可靠。
对于压力测量判断单元还具有以下子单元，用于根据眼球突出长度判断压力测量方式：
第一阈值单元511，用于设定第一阈值，第一阈值为判断眼球突出长度的临界值；
压力测量方式选择单元512，用于当眼球突出长度小于第一阈值时，测量筛查个体的眼睛压力信息；当眼球突出长度大于第一阈值时，测量筛查个体的眼眶压力信息。
为了使筛查个体的眼球免受伤害，需要先判断眼睛突出长度，再针对性的进行眼压或者眼眶压力的检测。可以设定一个眼球突出长度的阈值为第一阈值，当眼球突出长度并没有超过该第一阈值时，代表眼球受到的压力并不算太大，可以使用传统的检查眼压的方法来进行眼睛压力的检测；当眼球突出长度超过该第一阈值时，就使用测量眼眶压力的方法替代眼睛压力的检测，这样的针对性检测就可以减少因为眼睛压力检测对眼睛带来的伤害。
对于第二图像获取单元还包括以下子单元：
第二阈值单元513，用于设定第二阈值，第二阈值为眼睛压力的临界值或眼眶压力的临界值；
眼压判断单元514，用于当眼睛压力信息或眼眶压力信息小于第二阈值时，排除筛查个体为甲状腺相关眼病的可能患病个体；
CT图像获取单元515，用于当眼睛压力信息或眼眶压力信息大于第二阈值时，获取筛查个体眼眶CT图像，并得出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
当眼睛压力信息或眼眶压力信息没有超过设定的临界值时，配合之前眼球突出长度也没有超过设定的第一阈值，可以判断这部分筛查个体没有患上甲状腺相关眼病，若眼睛压力信息或眼眶压力信息超过设定的临界值，则需要再配合筛查个体的眼眶CT图像，查看眼肌的大小厚度从而得出预测结果。
对于眼球突出长度计算单元包括以下子单元：
角膜坐标确定单元508，用于获取第一区域中左侧脸部照片和右侧脸部照片，根据左侧脸部照片确定左眼角膜外沿坐标，根据右侧脸部照片确定右眼角膜外沿坐标；
眼睑坐标确定单元509，用于获取第二区域中左侧脸部上下眼睑照片和右侧脸部上下眼睑照片，根据左侧脸部上下眼睑照片确定左眼上眼睑坐标及左眼下眼睑坐标，以左眼上眼睑坐标及左眼下眼睑坐标连线的中点为左眼坐标原点，计算左眼角膜外沿坐标到左眼坐标原点的距离为左眼眼球突出长度；
长度计算单元510，用于根据右侧脸部上下眼睑照片确定右眼上眼睑坐标及右眼下眼睑坐标，以右眼上眼睑坐标及右眼下眼睑坐标连线的中点为右眼坐标原点，计算右眼角膜外沿坐标到右眼坐标原点的距离为右眼眼球突出长度。
在第一图像获取单元中，拍摄筛查个体的脸部图像需要拍摄三个方位的照片，分别是正对人脸的前平位，正对右侧人脸的右侧位及正对左侧人脸的左侧位，再对照片分别进行区域的划分得到第一区域的左侧脸部照片和右侧脸部照片，以及第二区域的左侧脸部上下眼睑照片和右侧脸部上下眼睑照片。针对左眼，通过左侧脸部上眼睑的最高点坐标和下眼睑最低点坐标计算得出中心点坐标，则左眼角膜外沿坐标到中心点坐标差值即为左眼眼球突出的长度；同理针对右眼，通过右侧脸部上眼睑的最高点坐标和下眼睑最低点坐标计算得出中心点坐标，则右眼角膜外沿坐标到中心点坐标差值即为右眼眼球突出的长度。
眼眶压力测量是通过眶压测量仪进行的，眶压测量仪包括本体、眶压采集单元及显示设备，如图3所示，眶压采集单元包括压力传感器303及眼眶套，其中眼眶套分为上下部分，上眼眶套301及下眼眶套302，压力传感器置于眼眶套内并与眼眶套连接，眼眶套根据上下眼睑轮廓曲线调节开口大小，可通过机械旋钮或电子开关的方式开启或合并上下眼眶套，从而使眼眶套适配眼睛大小，在眼眶套压在筛查个体眼眶上后，通过眼眶套内的压力传感器测量筛查个体的眶压值，并通过显示设备显示眶压值。
每位筛查个体的眼眶大小都不相同，第一图像获取单元中采集的正对人脸的前平位的图像后，划分出的上下眼睑区域即第二区域并在之后通过眼睑曲线拟合单元拟合出上下眼睑轮廓曲线，可用于眼眶压力测试中调节眼眶套的开口大小。由于眼眶和上下眼睑有一定的距离，因此开口大小需要在上下眼睑轮廓曲线的最大距离上进行补偿，优选的情况是补偿值为1厘米，即眼眶套开口大小=上下眼睑距离最大值+1cm。另外眼眶套为上下分开设置的两段弧形且长度为2厘米的机构组成，该机构内集成有压力传感器，当眼眶套压在眼眶上时，操作人员通过本体上的摁键对筛查个体进行眶压测量。
对于结果预测单元，还包括以下子单元：
眼直肌分割单元516：对第四特征点信息分割为左眼的上直肌、下直肌、内直肌和外直肌以及右眼的上直肌、下直肌、内直肌和外直肌；
眼直肌合并单元517：把左眼的上直肌与右眼的上直肌合并得到上直肌特征信息，把左眼的下直肌与右眼的下直肌合并得到下直肌特征信息，把左眼的内直肌与右眼的内直肌合并得到内直肌特征信息，把左眼的外直肌与右眼的外直肌合并得到外直肌特征信息，上直肌特征信息、下直肌特征信息、内直肌特征信息及外直肌特征信息为合并后的信息；
结果输出单元518：将合并后的信息与眼肌病灶数据库进行比较，得出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
眼肌分割单元使用改进的Unet分割网络进行，在对第四特征点信息分割为左眼的上直肌、下直肌、内直肌和外直肌以及右眼的上直肌、下直肌、内直肌和外直肌后，分别把左眼的四个特征和右眼的四个特征调整成相同的尺寸并进行拼接操作，把上述八个眼肌特征压缩到一个较小的维度，但这个维度范围需要包含所有的特征的原始信息以保证特征的完整性；将压缩后的高维特征与类别相关联，然后基于合并后的特征训练出一个分类器，使其能够利用上述八个眼肌特征进行分类，把分类过后的所有眼部直肌特征与眼肌病灶数据库进行比较，进而得到最终的预测结果，判断出筛查个体是否为甲状腺相关眼病的可能患病个体。
通过上述方案，获取筛查个体脸部图像并进行分区，筛查个体的眼球突出长度，根据眼球突出长度选择合适的眼睛压力测量方式，并根据压力测量结果，获取筛查个体眼眶CT图像后对眼肌区域进行分割与分析，给出筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。该方法快速且准确地预测出甲状腺相关眼病的潜在个体，节约医疗资源，使甲状腺相关眼病的预测更为有效和准确。
实施例三
一方面，如图6所示，本发明提供一种预测甲状腺相关眼病的检测系统，包括：
存储器62及处理器61，存储器与处理器耦合相连，存储器存储有可执行的程序模块，处理器用于运行存储器中存储的程序模块以实现如实施例一的方法。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器（ROM）、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (10)
1.一种预测甲状腺相关眼病的方法，其特征在于，包括：
获取筛查个体脸部图像，把所述脸部图像划分为第一区域、第二区域及第三区域，所述第一区域为脸部轮廓区域，所述第二区域为上下眼睑区域，所述第三区域为眼睛虹膜区域；
根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度，并根据所述第三区域对所述眼球突出长度进行验算；
根据所述眼球突出长度判断压力测量方式，所述压力测量方式为眼睛压力测量或眼眶压力测量，通过眼睛压力测量得到眼睛压力信息或通过眼眶压力测量得到眼眶压力信息；
根据压力测量结果，获取所述筛查个体眼眶CT图像，提取所述眼眶CT图像的第四区域，所述第四区域为眼肌区域；
对所述第四区域进行特征提取得到第四特征点信息，对所述第四特征点信息进行分割，对分割后的同类信息进行合并，将合并后的信息与眼肌病灶数据库进行比较，得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
2.根据权利要求1所述的一种预测甲状腺相关眼病的方法，其特征在于，在所述根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度，并根据所述第三区域对所述眼球突出长度进行验算之前，还包括：
对所述第一区域、所述第二区域分别进行特征点提取得到第一特征点信息及第二特征点信息；
根据所述第一特征点信息计算并拟合出人脸外轮廓曲线,根据所述第二特征点信息计算并拟合出上下眼睑轮廓曲线；
对所述人脸外轮廓曲线和所述上下眼睑轮廓曲线进行叠加确定虹膜区域范围;
对所述虹膜区域范围进行边缘检测及降噪处理，拟合出虹膜定位曲线；
根据所述上下眼睑轮廓曲线和所述虹膜定位曲线，判断是否存在眼睑退缩情况，若存在眼睑退缩情况则诊断为甲状腺相关眼病患者，若不存在眼睑退缩情况，根据所述第二区域及所述第三区域计算所述筛查个体的眼球突出长度，并根据所述第一区域对所述眼球突出长度进行验算。
3.根据权利要求2所述的一种预测甲状腺相关眼病的方法，其特征在于，对所述虹膜区域范围进行边缘检测及降噪处理，拟合出虹膜定位曲线包括：
对所述第三区域进行特征点提取得到第三特征点信息，并确定第三区域的中心点坐标及所述第三特征点信息的坐标，根据所述第三特征点信息的坐标和所述中心点坐标确定预估虹膜区域半径；
根据所述预估虹膜区域半径，使用Canny算子进行边缘检测及降噪处理，拟合出虹膜定位曲线。
4.根据权利要求1所述的一种预测甲状腺相关眼病的方法，其特征在于，根据所述眼球突出长度判断压力测量方式包括：
设定第一阈值，所述第一阈值为判断眼球突出长度的临界值；
当所述眼球突出长度小于所述第一阈值时，测量所述筛查个体的眼睛压力信息；当所述眼球突出长度大于所述第一阈值时，测量所述筛查个体的眼眶压力信息。
5.根据权利要求1所述的一种预测甲状腺相关眼病的方法，其特征在于，根据所述压力测量结果，获取所述筛查个体眼眶CT图像包括：
设定第二阈值，所述第二阈值为眼睛压力的临界值或眼眶压力的临界值；
当所述眼睛压力信息或所述眼眶压力信息小于所述第二阈值时，排除所述筛查个体为甲状腺相关眼病的可能患病个体；
当所述眼睛压力信息或所述眼眶压力信息大于所述第二阈值时，获取所述筛查个体眼眶CT图像，并得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
6.根据权利要求1所述的一种预测甲状腺相关眼病的方法，其特征在于，根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度包括：
获取第一区域中左侧脸部照片和右侧脸部照片，根据所述左侧脸部照片确定左眼角膜外沿坐标，根据所述右侧脸部照片确定右眼角膜外沿坐标；
获取第二区域中左侧脸部上下眼睑照片和右侧脸部上下眼睑照片，根据所述左侧脸部上下眼睑照片确定左眼上眼睑坐标及左眼下眼睑坐标，以所述左眼上眼睑坐标及左眼下眼睑坐标连线的中点为左眼坐标原点，计算所述左眼角膜外沿坐标到所述左眼坐标原点的距离为左眼眼球突出长度；
根据所述右侧脸部上下眼睑照片确定右眼上眼睑坐标及右眼下眼睑坐标，以所述右眼上眼睑坐标及右眼下眼睑坐标连线的中点为右眼坐标原点，计算所述右眼角膜外沿坐标到所述右眼坐标原点的距离为右眼眼球突出长度。
7.根据权利要求2所述的一种预测甲状腺相关眼病的方法，其特征在于，所述眼眶压力测量由眶压测量仪进行测量，所述眶压测量仪包括本体、眶压采集单元及显示设备，所述眶压采集单元包括压力传感器及眼眶套，所述压力传感器置于所述眼眶套内并与所述眼眶套连接，所述眼眶套根据所述上下眼睑轮廓曲线调节开口大小，通过所述压力传感器测量所述筛查个体的眶压值，并通过显示设备显示所述眶压值。
8.根据权利要求1所述的一种预测甲状腺相关眼病的方法，其特征在于，对所述第四区域进行特征提取得到第四特征点信息，对所述第四特征点信息进行分割，对分割后的同类信息进行合并包括：
对所述第四特征点信息分割为左眼的上直肌、下直肌、内直肌和外直肌以及右眼的上直肌、下直肌、内直肌和外直肌；
把所述左眼的上直肌与所述右眼的上直肌合并得到上直肌特征信息，把所述左眼的下直肌与所述右眼的下直肌合并得到下直肌特征信息，把所述左眼的内直肌与所述右眼的内直肌合并得到内直肌特征信息，把所述左眼的外直肌与所述右眼的外直肌合并得到外直肌特征信息；
所述上直肌特征信息、所述下直肌特征信息、所述内直肌特征信息及所述外直肌特征信息为所述合并后的信息；
将所述合并后的信息与眼肌病灶数据库进行比较，得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
9.一种预测甲状腺相关眼病的检测装置，其特征在于，包括：
第一图像获取单元，用于获取筛查个体脸部图像，把所述脸部图像划分为第一区域、第二区域及第三区域，所述第一区域为脸部轮廓区域，所述第二区域为上下眼睑区域，所述第三区域为眼睛虹膜区域；
眼球突出长度计算单元，用于根据所述第一区域及所述第二区域计算所述筛查个体的眼球突出长度，并根据所述第三区域对所述眼球突出长度进行验算；
压力测量判断单元，用于根据所述眼球突出长度判断压力测量方式，所述压力测量方式为眼睛压力测量或眼眶压力测量，通过眼睛压力测量得到眼睛压力信息或通过眼眶压力测量得到眼眶压力信息；
第二图像获取单元，用于根据所述压力测量结果，获取所述筛查个体眼眶CT图像，提取所述眼眶CT图像的第四区域，所述第四区域为眼肌区域；
结果预测单元，用于对所述第四区域进行特征提取得到第四特征点信息，对所述第四特征点信息进行分割，对分割后的同类信息进行合并，将合并后的信息与眼肌病灶数据库进行比较，得出所述筛查个体是否为甲状腺相关眼病的可能患病个体的预测结果。
10.一种预测甲状腺相关眼病的检测系统，其特征在于，包括：
存储器及处理器，所述存储器与所述处理器耦合相连，所述存储器存储有可执行的程序模块，所述处理器用于运行所述存储器中存储的程序模块以实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410449250.7A CN118052819B (zh) | 2024-04-15 | 2024-04-15 | 一种预测甲状腺相关眼病的方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410449250.7A CN118052819B (zh) | 2024-04-15 | 2024-04-15 | 一种预测甲状腺相关眼病的方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118052819A true CN118052819A (zh) | 2024-05-17 |
| CN118052819B CN118052819B (zh) | 2024-06-14 |
Family
ID=91046955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410449250.7A Active CN118052819B (zh) | 2024-04-15 | 2024-04-15 | 一种预测甲状腺相关眼病的方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118052819B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111951219A (zh) * | 2020-07-09 | 2020-11-17 | 上海交通大学 | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 |
| WO2021227124A1 (zh) * | 2020-05-13 | 2021-11-18 | 南京中科道置智能科技有限公司 | 一种基于面部虹膜识别和热成像技术的人脸识别活体检测方法 |
| CN114757881A (zh) * | 2022-03-10 | 2022-07-15 | 上海交通大学医学院附属第九人民医院 | 基于面部表情分析的甲状腺相关眼病识别方法、系统及终端 |
| KR20240002668A (ko) * | 2022-06-29 | 2024-01-05 | 주식회사 타이로스코프 | 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템 |
-
2024
- 2024-04-15 CN CN202410449250.7A patent/CN118052819B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021227124A1 (zh) * | 2020-05-13 | 2021-11-18 | 南京中科道置智能科技有限公司 | 一种基于面部虹膜识别和热成像技术的人脸识别活体检测方法 |
| CN111951219A (zh) * | 2020-07-09 | 2020-11-17 | 上海交通大学 | 基于眼眶ct图像的甲状腺眼病筛查方法、系统及设备 |
| CN114757881A (zh) * | 2022-03-10 | 2022-07-15 | 上海交通大学医学院附属第九人民医院 | 基于面部表情分析的甲状腺相关眼病识别方法、系统及终端 |
| KR20240002668A (ko) * | 2022-06-29 | 2024-01-05 | 주식회사 타이로스코프 | 활동성 갑상선 눈병증 진료를 위한 내원 안내 방법 및 이를 수행하는 시스템 |
Non-Patent Citations (1)
| Title |
|---|
| 吕红彬;黄新文;罗清礼;邓开鸿;何为民;: "CT在甲状腺相关眼病中的诊断价值", 四川大学学报(医学版), no. 01, 28 February 2007 (2007-02-28), pages 1 - 3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118052819B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7992999B2 (en) | Automated assessment of optic nerve head with spectral domain optical coherence tomography | |
| Cheng et al. | Sparse dissimilarity-constrained coding for glaucoma screening | |
| US20110137157A1 (en) | Image processing apparatus and image processing method | |
| Giancardo et al. | Microaneurysms detection with the radon cliff operator in retinal fundus images | |
| Khalil et al. | Detection of glaucoma using cup to disc ratio from spectral domain optical coherence tomography images | |
| Hassan et al. | Automated retinal edema detection from fundus and optical coherence tomography scans | |
| Jan et al. | Retinal image analysis aimed at blood vessel tree segmentation and early detection of neural-layer deterioration | |
| WO2012037414A1 (en) | Systems and methods for multilayer imaging and retinal injury analysis | |
| US8428322B2 (en) | Method and system for determining the position of an optic cup boundary | |
| Hassan et al. | Fully automated detection, grading and 3D modeling of maculopathy from OCT volumes | |
| JP6734475B2 (ja) | 画像処理装置及びプログラム | |
| Sakthivel et al. | An automated detection of glaucoma using histogram features | |
| Giancardo | Automated fundus images analysis techniques to screen retinal diseases in diabetic patients | |
| US10956735B1 (en) | System and method for determining a refractive error from red reflex images of eyes | |
| Abdani et al. | Iris segmentation method of pterygium anterior segment photographed image | |
| Matsopoulos et al. | Detection of glaucomatous change based on vessel shape analysis | |
| CN113243914A (zh) | 基于脑影像的评估方法及神经精神疾病评估系统 | |
| CN118052819B (zh) | 一种预测甲状腺相关眼病的方法、装置及系统 | |
| Putri et al. | Retracted: Prediction Instrument of Diabetes Mellitus based on Iridology Image and Artificial Neural Network: Initial Findings | |
| WO2011047342A1 (en) | Systems and methods for detecting retinal abnormalities | |
| Singh et al. | Assessment of disc damage likelihood scale (DDLS) for automated glaucoma diagnosis | |
| Bhardwaj et al. | Two-tier grading system for npdr severities of diabetic retinopathy in retinal fundus images | |
| Kanimozhi | Comparative thresholding analysis for keratoconus detection using probability density function | |
| El-Bendary et al. | ARIAS: Automated retinal image analysis system | |
| Sabina et al. | Convolutional Neural Network Analysis of Fundus for Glaucoma Diagnosis |
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 |