CN113361482A - 核性白内障识别方法、装置、电子设备以及存储介质 - Google Patents
核性白内障识别方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113361482A CN113361482A CN202110766487.4A CN202110766487A CN113361482A CN 113361482 A CN113361482 A CN 113361482A CN 202110766487 A CN202110766487 A CN 202110766487A CN 113361482 A CN113361482 A CN 113361482A
- Authority
- CN
- China
- Prior art keywords
- region
- nuclear
- eye image
- pixel
- sample 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.)
- Pending
Links
- 206010007759 Cataract nuclear Diseases 0.000 title claims abstract description 90
- 208000029552 nuclear cataract Diseases 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000000695 crystalline len Anatomy 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000036285 pathological change Effects 0.000 abstract description 4
- 231100000915 pathological change Toxicity 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 208000002177 Cataract Diseases 0.000 description 11
- 238000012014 optical coherence tomography Methods 0.000 description 9
- 210000001653 corpus striatum Anatomy 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 206010024214 Lenticular opacities Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种核性白内障识别方法、装置、电子设备以及存储介质,属于人工智能技术领域。该方法包括:提取样本眼部图像中晶状体核性区域的区域特征,并提取所述样本眼部图像中晶状体核性区域的形状特征,且根据所述区域特征和所述形状特征确定所述样本眼部图像的目标特征;基于所述样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。上述技术方案,可以准确获取眼底图像中晶状体核性区域的病变特征,进而使得核性白内障级别的判断更加准确,为核性白内障的自动诊断提供了一种新思路,可以辅助眼科医生高效、客观、精准地诊断核性白内障。
Description
技术领域
本发明实施例涉及人工智能技术领域,尤其涉及图像处理技术领域,具体涉及一种核性白内障识别方法、装置、电子设备以及存储介质。
背景技术
核性白内障是一种主要的致盲和导致视力损害眼科疾病,临床症状表现为晶状体核性区域出现混浊且逐渐***和色泽逐渐加深。早期干预和白内障手术可以有效地改善白内障患者的视力和生活质量。前节光学相干断层成像技术(anterior segment opticalcoherence tomography,AS-OCT)是一种光学相干断层成像技术(optical coherencetomography,OCT)。AS-OCT图像具有非接触、高探测灵敏度、快速、高分辨、检查快速、客观定量化测量等特点并且能获取整个晶状体结构。
在临床基础研究中,学者已经研究了晶状体核性区域的像素均值与核性白内障严重程度之间相关性,临床统计结果显示两者存在较好的相关关系。在晶状混浊分类***(Lens Opacities Classification System III,LOCS III)下,眼科医生通常将核性白内障分为两个等级:低级和高级;低级阶段是指白内障患者的晶状体核性区域出现混浊症状但不明显(核性白内障级别对应为1级和2级),这类患者可以使用点滴药物来缓解白内障发展进程;高级阶段是指白内障患者的晶状体核性区域出现明显的混浊症状,核性白内障级别对应3级及以上级别,这类患者需要接受临床跟踪或白内障手术。临床研究还发现晶状体核性区域下部分的像素均值与核性白内障严重程度的相关性弱于整体晶状体核性区域下,同时临床研究还分析了核性区域的直径和厚度与核性白内障厚度之间的关系。这些临床研究工作为基于前节OCT图像的自动核性白内障分级提供了临床支持,但目前基于前节OCT图像的自动核性白内障分级工作比较少。
发明内容
本发明提供一种核性白内障识别方法、装置、电子设备以及存储介质,以实现基于眼前节OCT图像的自动核性白内障分级。
第一方面,本发明实施例提供了一种核性白内障识别方法,包括:
提取样本眼部图像中晶状体核性区域的区域特征,并提取所述样本眼部图像中晶状体核性区域的形状特征,且根据所述区域特征和所述形状特征确定所述样本眼部图像的目标特征;
基于所述样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
第二方面,本发明实施例还提供了一种核性白内障识别装置,包括:
目标特征确定模块,用于提取样本眼部图像中晶状体核性区域的区域特征,并提取所述样本眼部图像中晶状体核性区域的形状特征,且根据所述区域特征和所述形状特征确定所述样本眼部图像的目标特征;
识别模型构建模块,用于基于所述样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所提供的核性白内障识别方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所提供的核性白内障识别方法。
本发明通过提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征,且根据区域特征和形状特征确定样本眼部图像的目标特征;之后基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。上述技术方案,可以准确获取眼底图像中晶状体核性区域的病变特征,进而使得核性白内障级别的判断更加准确,为核性白内障的自动诊断提供了一种新思路,可以辅助眼科医生高效、客观、精准地诊断核性白内障。
附图说明
图1是本发明实施例一提供的一种核性白内障识别方法的流程图;
图2是本发明实施例二提供的一种核性白内障识别方法的流程图;
图3是本发明实施例三提供的一种核性白内障识别装置的结构示意图;
图4是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种核性白内障识别方法的流程图;本实施例可适用于核性白内障识别的情况,该方法可以由核性白内障识别装置来执行,该装置可由软件/硬件实现,并可集成于承载核性白内障识别功能的电子设备中,例如服务器设备中。
如图1所示,该方法具体可以包括:
S110、提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征,且根据区域特征和形状特征确定样本眼部图像的目标特征。
本实施例中,样本眼底图像是指预先采集的眼科临床的眼底图像,例如可以是眼部AS-OCT图像,包括正常眼部图像和核性白内障病变眼部图像。晶状体核性区域是指眼部图像中晶状体所在的区域。
所谓区域特征是指眼部图像中晶状体核性区域的像素特征,可以包括如下至少一项区域特征维度:像素均值、像素方差、最大像素值、最小像素值、像素范围、像素标准差、像素中位数、能量、均方根、预设范围内的像素灰度值、像素的四分位距、像素的平均绝对偏差、像素的偏度、像素的峰度、基于图像灰度直方图的能量、熵和一致性。
其中,所谓像素均值,是指眼部图像中晶状体核性区域所有像素的均值,反映了眼部图像中核性白内障浑浊度的平均反射强度。
所谓像素方差,用于衡量眼部图像中晶状体核性区域的像素的离散(均匀)程度,具体确定像素方差可以是,计算眼部图像中晶状体核性区域的每个像素值与像素均值之间的差值的平方值,并计算所有平方值的均值,将该均值作为像素方差。
所谓最大像素值,是指眼部图像中晶状体核性区域的最大像素值。
所谓最小像素值,是指眼部图像中晶状体核性区域的最小像素值。
所谓像素范围,是指眼部图像中晶状体核性区域的最大像素值和眼部图像中晶状体核性区域的最小像素值之间的差值。
所谓像素标准差,是指眼部图像中晶状体核性区域的像素值方差的平方根。
所谓像素中位数,是指眼部图像中晶状体核性区域的像素灰度值处于中间大小的值。
所谓能量,是指眼部图像中晶状体核性区域的所有像素值的平方之和的均值。
所谓均方根,是指眼部图像中晶状体核性区域的像素的能量特征的平方根。
所谓预设范围内的像素灰度值,是指将眼部图像中晶状体核性区域的所有像素灰度值按照从小到大的顺序排序后,位于预设范围内的像素灰度值,其中,预设范围是本领域技术人员根据实际情况设定的,例如可以是位于前面10%的像素灰度值,也可以是位于后面10%的像素灰度值。
所谓像素的四分位距,是指将眼部图像中晶状体核性区域的所有像素灰度值按照从小到大的顺序排序后,排名为75%的像素灰度值与排名为25%的像素灰度值之间的差值。
所谓像素的平均绝对偏差,是指眼部图像中晶状体核性区域的所有像素灰度值与像素均值之间的差值的绝对值之和的均值,用来衡量所有像素灰度值与像素均值之间的偏差程度。平均绝对偏差值越大,则表明像素灰度值分布离散;反之像素灰度值分布集中。
所谓像素的偏度用于衡量眼部图像中晶状体核性区域的所有像素灰度值分布偏斜方向和程度,用于统计像素分布非对称程度的数字特征。
所谓像素的峰度用于衡量像素灰度值分布的峰值(平坦度);峰度越高,则像素分布集中在尾部而不是集中在均值处;峰度越低,则像素分布集中在均值处。
所谓基于图像灰度直方图的能量、熵和一致性特征是指通过对眼部图像中晶状体核性区域的直方图进行统计分析得到的特征,其中,熵用于度量直方图的不确定性(随机性)和测量图像中包含的平均信息量;一致性用于度量直方图随机性。具体的,将直方图的像素灰度分段间隔设为固定值(例如25),则像素范围在0-255之间,有11个像素分段间隔;计算直方图中所有灰度分段的像素数量的平方和,将得到的结果作为基于图像灰度直方图的能量;计算直方图中每个灰度分段的熵,将各个灰度分段的熵求和,将求和后的结果作为基于图像灰度直方图的熵;将直方图中每个灰度分段的概率的平方之和,作为基于图像灰度直方图的一致性特征,其中灰度分段的概率是指每个灰度值分段的像素数量与晶状体核性区域的像素总数量之比。
所谓形状特征是指眼部图像中晶状体核性区域的厚度和长度。
本实施例中,可以基于深度分割网络,从样本眼部图像中裁剪晶状体核性区域;提取样本眼部图像中晶状体核性区域的18个维度的区域特征,分别为:像素均值、像素方差、最大像素值、最小像素值、像素范围、像素标准差、像素中位数、能量、均方根、位于前10%的像素灰度值、位于后10%的像素灰度值、像素的四分位距、像素的平均绝对偏差、像素的偏度、像素的峰度、基于图像灰度直方图的能量、熵和一致性;并提取样本眼部图像中晶状体核性区域的2个维度的形状特征,分别为晶状体核性区域的厚度和长度。进而将18维的区域特征和2维的形状特征按顺序拼接起来,得到20维的向量特征,将该向量特征作为样本眼部图像的目标特征。
为了能够充分表征眼部图像中晶状体核性区域的特征,作为本发明实施例的一种可选方式,提取样本眼部图像中晶状体核性区域的区域特征可以是,对晶状体核性区域进行分块处理,得到至少两张晶状体核性区域子图像;提取各晶状体核性区域子图像的区域特征,根据各晶状体核性区域子图像块的区域特征,确定样本眼部图像中晶状体核性区域的区域特征。
具体的,将样本眼部图像中的晶状体核性区域分为上下两部分,得到两张晶状体核性区域子图像;分别提取各晶状体核性区域子图像的18维的区域特征,将每张晶状体核性区域子图像的18维的区域特征拼接起来,可以得到36维的向量特征,将该向量特征作为样本眼部图像中晶状体核性区域的区域特征。进而将36维的区域特征和2维的形状特征拼接起来,得到38维的向量特征,将该向量特征作为样本眼部图像的目标特征。
进一步的,还可以将各晶状体核性区域子图像的18维的区域特征、晶状体核性区域的18维的区域特征、以及晶状体核性区域的2维的形状特征拼接起来,得到56维的向量特征,将该向量特征作为样本眼部图像的目标特征。
需要说明的是,本发明是实施例仅给出了将样本眼部图像中的晶状体核性区域分为两部分的一种示例,还可以将样本眼部图像中的晶状体核性区域分为其他数量的晶状体核性区域子图像,并按照上述可选实施方式,确定各晶状体核性区域子图像的区域特征,进而根据各晶状体核性区域子图像的区域特征和晶状体核性区域的形状特征确定样本眼部图像的目标特征。
120、基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
其中,待识别眼部图像是指临床中需要进行核性白内障级别判断的眼部图像。核性白内障级别分为低级和高级。
本实施例中,可以采用机器学习中有监督的分类识别算法,基于样本眼部图像的目标特征和样本眼部图像的核性白内障级别,构建核性白内障识别模型,进而基于核性白内障识别模型,来确定待识别眼部图像的核心白内障级别。
可选的,还可以采用机器学习中无监督的分类识别算法,基于样本眼部图像的目标特征,构建核性白内障识别模型,进而基于核性白内障识别模型,来确定待识别眼部图像的核心白内障级别。
本发明实施例的技术方案,通过提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征,且根据区域特征和形状特征确定样本眼部图像的目标特征;之后基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。上述技术方案,可以准确获取眼底图像中晶状体核性区域的病变特征,进而使得核性白内障级别的判断更加准确,为核性白内障的自动诊断提供了一种新思路,可以辅助眼科医生高效、客观、精准地诊断核性白内障。
实施例二
图2是本发明实施例二提供的一种核性白内障识别方法的流程图;在上述实施例的基础上,进一步对“根据区域特征和形状特征确定样本眼部图像的目标特征”进行优化,提供一种可选实施方案。
如图2所示,该方法具体可以包括:
S210、提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征。
S220、根据区域特征和形状特征,确定样本眼部图像的候选特征。
本实施例中,将样本眼部图像中晶状体核性区域的区域特征和形状特征,作为样本眼部图像的候选特征。例如,可以将上述实施例中得到的56维向量特征作为样本眼部图像的候选特征。
S230、对候选特征进行降维处理,确定样本眼部图像的目标特征。
本实施例中,由于样本眼部图像中的候选特征中存在一些对于后续核性白内障级别识别没有太大影响的特征,同时也为了提高后续核性白内障识别的速度,对候选特征进行降维处理,确定样本眼部图像的目标特征。具体的,可以采用主成分分析(PrincipalComponent Analysis,PCA)对候选特征进行降维处理,根据降维后的结果,确定样本眼部图像的目标特征。
可选的,还可以基于重要性分析模型,对候选特征进行分析,确定候选特征的得分;将得分大于设定值的候选特征,作为样本眼部图像的目标特征。其中,重要性分析模型是本领域技术人员基于逻辑回归方法和特征迭代删除方法确定的;设定值是本领域技术人员根据实际情况设定的。
具体的,将样本眼部图像的候选特征输入至重要性分析模型中,得到候选特征的得分,若得分大于或等于设定值,则保留该候选特征;若得分小于设定值,则删除该候选特征。例如,将上述实施例中得到的56维的候选特征输入至重要性分析模型中,其中,像素范围、像素最小值以及位于前面10%的像素灰度值的得分均小于设定值,即这三项特征对于后续核性白内障级别确定的影响小,因此,删除这三项特征,得到53维的向量特征,将该向量特征作为样本眼部图像的目标特征。
240、基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
本发明实施例的技术方案,通过根据区域特征和形状特征,确定样本眼部图像的候选特征,进而对候选特征进行降维处理,确定样本眼部图像的目标特征。上述技术方案,通过对区域特征和形状特征进行筛选,使得眼部图像的目标特征更加准确,进而使得核性白内障级别的判断更加准确,同时通过区域特征和形状特征进行筛选,降低了目标特征的维度,提高了后续识别核性白内障级别的速度。
实施例三
图3是本发明实施例三提供的一种核性白内障识别装置的结构示意图;本实施例可适用于核性白内障识别的情况,该装置可由软件/硬件实现,并可集成于承载核性白内障识别功能的电子设备中,例如服务器设备中。
如图3所示,该装置可以包括目标特征确定模块310和识别模型构建模块320,其中,
目标特征确定模块310,用于提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征,且根据区域特征和形状特征确定样本眼部图像的目标特征;
识别模型构建模块320,用于基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
本发明实施例的技术方案,通过提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征,且根据区域特征和形状特征确定样本眼部图像的目标特征;之后基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。上述技术方案,可以准确获取眼底图像中晶状体核性区域的病变特征,进而使得核性白内障级别的判断更加准确,为核性白内障的自动诊断提供了一种新思路,可以辅助眼科医生高效、客观、精准地诊断核性白内障。
进一步地,区域特征包括如下至少一项区域特征维度:像素均值、像素方差、最大像素值、最小像素值、像素范围、像素标准差、像素中位数、能量、均方根、预设范围内的像素灰度值、像素的四分位距、像素的平均绝对偏差、像素的偏度、像素的峰度、基于图像灰度直方图的能量、熵和一致性。
进一步地,目标特征确定模块310包括子图像确定单元和区域特征确定单元,其中,
子图像确定单元,用于对晶状体核性区域进行分块处理,得到至少两张晶状体核性区域子图像;
区域特征确定单元,用于提取各晶状体核性区域子图像的区域特征,根据各晶状体核性区域子图像块的区域特征,确定样本眼部图像中晶状体核性区域的区域特征。
进一步地,目标特征确定模块310还包括候选特征确定单元和目标特征确定单元,其中,
候选特征确定单元,用于根据区域特征和形状特征,确定样本眼部图像的候选特征;
目标特征确定单元,用于对候选特征进行降维处理,确定样本眼部图像的目标特征。
进一步地,目标特征确定单元包括得分确定子单元和目标特征确定子单元,其中,
得分确定子单元,用于基于重要性分析模型,对候选特征进行分析,确定候选特征的得分;
目标特征确定子单元,用于将得分大于设定值的候选特征,作为样本眼部图像的目标特征。
上述核性白内障识别装置可执行本发明任意实施例所提供的核性白内障识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4是本发明实施例四提供的一种电子设备的结构示意图,图4示出了适于用来实现本发明实施例实施方式的示例性设备的框图。图4显示的设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明实施例各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明实施例所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的核性白内障识别方法。
实施例五
本发明实施例五还提供一种计算机可读存储介质,其上存储有计算机程序(或称为计算机可执行指令),该程序被处理器执行时用于执行本发明实施例所提供的核性白内障识别方法,该方法包括:
提取样本眼部图像中晶状体核性区域的区域特征,并提取样本眼部图像中晶状体核性区域的形状特征,且根据区域特征和形状特征确定样本眼部图像的目标特征;
基于样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明实施例进行了较为详细的说明,但是本发明实施例不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种核性白内障识别方法,其特征在于,包括:
提取样本眼部图像中晶状体核性区域的区域特征,并提取所述样本眼部图像中晶状体核性区域的形状特征,且根据所述区域特征和所述形状特征确定所述样本眼部图像的目标特征;
基于所述样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
2.根据权利要求1所述的方法,其特征在于,所述区域特征包括如下至少一项区域特征维度:像素均值、像素方差、最大像素值、最小像素值、像素范围、像素标准差、像素中位数、能量、均方根、预设范围内的像素灰度值、像素的四分位距、像素的平均绝对偏差、像素的偏度、像素的峰度、基于图像灰度直方图的能量、熵和一致性。
3.根据权利要求1所述的方法,其特征在于,提取样本眼部图像中晶状体核性区域的区域特征,包括:
对所述晶状体核性区域进行分块处理,得到至少两张晶状体核性区域子图像;
提取各晶状体核性区域子图像的区域特征,根据各晶状体核性区域子图像块的区域特征,确定所述样本眼部图像中晶状体核性区域的区域特征。
4.根据权利要求1所述的方法,其特征在于,根据所述区域特征和所述形状特征确定所述样本眼部图像的目标特征,包括:
根据所述区域特征和所述形状特征,确定所述样本眼部图像的候选特征;
对所述候选特征进行降维处理,确定所述样本眼部图像的目标特征。
5.根据权利要求4所述的方法,其特征在于,对所述候选特征进行降维处理,确定所述样本眼部图像的目标特征,包括:
基于重要性分析模型,对所述候选特征进行分析,确定所述候选特征的得分;
将得分大于设定值的所述候选特征,作为所述样本眼部图像的目标特征。
6.一种核性白内障识别装置,其特征在于,包括:
目标特征确定模块,用于提取样本眼部图像中晶状体核性区域的区域特征,并提取所述样本眼部图像中晶状体核性区域的形状特征,且根据所述区域特征和所述形状特征确定所述样本眼部图像的目标特征;
识别模型构建模块,用于基于所述样本眼部图像的目标特征,构建核性白内障识别模型,用于确定待识别眼部图像的核性白内障级别。
7.根据权利要求6所述的装置,其特征在于,所述区域特征包括如下至少一项区域特征维度:像素均值、像素方差、最大像素值、最小像素值、像素范围、像素标准差、像素中位数、能量、均方根、预设范围内的像素灰度值、像素的平均绝对偏差、像素的偏度、像素的峰度、基于图像灰度直方图的能量、熵和一致性。
8.根据权利要求6所述的装置,其特征在于,所述目标特征确定模块包括:
子图像确定单元,用于对所述晶状体核性区域进行分块处理,得到至少两张晶状体核性区域子图像;
区域特征确定单元,用于提取各晶状体核性区域子图像的区域特征,根据各晶状体核性区域子图像块的区域特征,确定所述样本眼部图像中晶状体核性区域的区域特征。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一项所述的核性白内障识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的核性白内障识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766487.4A CN113361482A (zh) | 2021-07-07 | 2021-07-07 | 核性白内障识别方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110766487.4A CN113361482A (zh) | 2021-07-07 | 2021-07-07 | 核性白内障识别方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361482A true CN113361482A (zh) | 2021-09-07 |
Family
ID=77538717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110766487.4A Pending CN113361482A (zh) | 2021-07-07 | 2021-07-07 | 核性白内障识别方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361482A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309584A (zh) * | 2023-05-22 | 2023-06-23 | 泰安光明爱尔眼科医院有限公司 | 一种用于白内障区域识别的图像处理*** |
CN116612339A (zh) * | 2023-07-21 | 2023-08-18 | 中国科学院宁波材料技术与工程研究所 | 一种核性白内障图像分级模型的构建装置及分级装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4191176A (en) * | 1976-02-24 | 1980-03-04 | Novo Laboratories, Inc. | Intralenticular cataract surgery |
US20030186294A1 (en) * | 2000-08-25 | 2003-10-02 | Xiangyin Kong | Method of diagnosing and treating lesion of crystalline lens using human crygs gene and coding product thereof |
CN102202557A (zh) * | 2008-05-20 | 2011-09-28 | 科学、技术与研究机构 | 用于皮层皮质性白内障诊断的自动混浊检测*** |
US20120155726A1 (en) * | 2009-08-24 | 2012-06-21 | Huiqi Li | method and system of determining a grade of nuclear cataract |
JP2012239639A (ja) * | 2011-05-19 | 2012-12-10 | Konan Medical Inc | 水晶体画像解析装置 |
CN109376782A (zh) * | 2018-10-26 | 2019-02-22 | 北京邮电大学 | 基于眼部影像特征的支持向量机白内障分级方法及装置 |
CN109872322A (zh) * | 2019-02-27 | 2019-06-11 | 电子科技大学 | 一种基于级联检测模型的核性白内障病变区域定位方法 |
CN109919932A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
CN110738527A (zh) * | 2019-10-17 | 2020-01-31 | 中国建设银行股份有限公司 | 一种特征重要性排序方法、装置、设备和存储介质 |
CN110909005A (zh) * | 2019-11-29 | 2020-03-24 | 广州市百果园信息技术有限公司 | 一种模型特征分析方法、装置、设备及介质 |
CN112006651A (zh) * | 2020-09-10 | 2020-12-01 | 孙礼华 | 一种白内障手术辅助诊断***及其方法 |
-
2021
- 2021-07-07 CN CN202110766487.4A patent/CN113361482A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4191176A (en) * | 1976-02-24 | 1980-03-04 | Novo Laboratories, Inc. | Intralenticular cataract surgery |
US20030186294A1 (en) * | 2000-08-25 | 2003-10-02 | Xiangyin Kong | Method of diagnosing and treating lesion of crystalline lens using human crygs gene and coding product thereof |
CN102202557A (zh) * | 2008-05-20 | 2011-09-28 | 科学、技术与研究机构 | 用于皮层皮质性白内障诊断的自动混浊检测*** |
US20120155726A1 (en) * | 2009-08-24 | 2012-06-21 | Huiqi Li | method and system of determining a grade of nuclear cataract |
CN102984997A (zh) * | 2009-08-24 | 2013-03-20 | 新加坡保健服务集团有限公司 | 一种确定核性白内障级别的方法及*** |
JP2012239639A (ja) * | 2011-05-19 | 2012-12-10 | Konan Medical Inc | 水晶体画像解析装置 |
CN109376782A (zh) * | 2018-10-26 | 2019-02-22 | 北京邮电大学 | 基于眼部影像特征的支持向量机白内障分级方法及装置 |
CN109872322A (zh) * | 2019-02-27 | 2019-06-11 | 电子科技大学 | 一种基于级联检测模型的核性白内障病变区域定位方法 |
CN109919932A (zh) * | 2019-03-08 | 2019-06-21 | 广州视源电子科技股份有限公司 | 目标对象的识别方法和装置 |
CN110738527A (zh) * | 2019-10-17 | 2020-01-31 | 中国建设银行股份有限公司 | 一种特征重要性排序方法、装置、设备和存储介质 |
CN110909005A (zh) * | 2019-11-29 | 2020-03-24 | 广州市百果园信息技术有限公司 | 一种模型特征分析方法、装置、设备及介质 |
CN112006651A (zh) * | 2020-09-10 | 2020-12-01 | 孙礼华 | 一种白内障手术辅助诊断***及其方法 |
Non-Patent Citations (6)
Title |
---|
A L WONG 等: "Quantitative assessment of lens opacities with anterior segment optical coherence tomography", BRITISH JOURNAL OF OPHTHALMOLOGY, 6 October 2008 (2008-10-06), pages 61 - 65 * |
JULIE-ANNE LITTLE等: "In-vivo anterior segment OCT imaging provides unique insight into cerulean blue-dot opacities and cataracts in Down syndrome", NATURE, 22 June 2020 (2020-06-22), pages 1 - 7 * |
MARIA A HENRIQUEZ 等: "Correlation between lens thickness and lens density in patients with mild to moderate cataracts", BRITISH JOURNAL OF OPHTHALMOLOGY, vol. 104, no. 10, 19 December 2019 (2019-12-19), pages 1 - 8 * |
XIAOQING ZHANG 等: "Nuclear cataract classification in anterior segment OCT based on clinical global–local features", COMPLEX & INTELLIGENT SYSTEMS, no. 9, 16 September 2022 (2022-09-16), pages 1479 - 1493 * |
唐由之, 马文新, 王萌建, 黄晓燕, 何进, 王吉龙: "白内障的诊断与晶状体图像计算机分析***的研究", 中国中医眼科杂志, no. 03, 11 August 1998 (1998-08-11), pages 139 - 144 * |
杨平 等: "影响高度近视白内障患者疗效的相关因素分析", 《国际眼科杂志》, vol. 17, no. 7, 31 July 2017 (2017-07-31), pages 1374 - 1377 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309584A (zh) * | 2023-05-22 | 2023-06-23 | 泰安光明爱尔眼科医院有限公司 | 一种用于白内障区域识别的图像处理*** |
CN116612339A (zh) * | 2023-07-21 | 2023-08-18 | 中国科学院宁波材料技术与工程研究所 | 一种核性白内障图像分级模型的构建装置及分级装置 |
CN116612339B (zh) * | 2023-07-21 | 2023-11-14 | 中国科学院宁波材料技术与工程研究所 | 一种核性白内障图像分级模型的构建装置及分级装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108464840B (zh) | 一种乳腺肿块自动检测方法及*** | |
CN110245657B (zh) | 病理图像相似性检测方法及检测装置 | |
CN110222759B (zh) | 一种冠状动脉易损斑块自动识别*** | |
CN109191451B (zh) | 异常检测方法、装置、设备和介质 | |
CN111598867B (zh) | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 | |
WO2021114817A1 (zh) | 基于神经网络的oct图像病灶检测方法、装置及介质 | |
KR102155381B1 (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 판단방법, 장치 및 소프트웨어 프로그램 | |
Xiao et al. | Major automatic diabetic retinopathy screening systems and related core algorithms: a review | |
SV | Computer-aided diagnosis of anterior segment eye abnormalities using visible wavelength image analysis based machine learning | |
CN113361482A (zh) | 核性白内障识别方法、装置、电子设备以及存储介质 | |
CN113485555B (zh) | 医学影像阅片方法、电子设备和存储介质 | |
Akut | FILM: finding the location of microaneurysms on the retina | |
CN115731203A (zh) | 白内障图像识别方法、装置、计算机设备和可读存储介质 | |
CN115578783A (zh) | 基于眼部图像进行眼部疾病识别的装置、方法及相关产品 | |
Adorno III et al. | Advancing eosinophilic esophagitis diagnosis and phenotype assessment with deep learning computer vision | |
CN116681923A (zh) | 一种基于人工智能的眼科疾病自动分类方法及*** | |
Zhang et al. | Artificial intelligence-assisted diagnosis of ocular surface diseases | |
CN114005541A (zh) | 一种基于人工智能的动态干眼预警方法与*** | |
EP3907696A1 (en) | Method and system for identifying abnormal images in a set of medical images | |
KR20210033902A (ko) | 인공지능 기반 기술의 의료영상분석을 이용한 자궁경부암 진단방법, 장치 및 소프트웨어 프로그램 | |
US11798163B2 (en) | Systems and methods for quantitative phenotyping of fibrosis | |
KR20230099995A (ko) | 자궁 경부암의 진단에 대한 정보 제공 방법 및 이를 이용한 자궁 경부암의 진단에 대한 정보 제공용 디바이스 | |
Tang et al. | Applications of deep learning for detecting ophthalmic diseases with ultrawide-field fundus images | |
Islam et al. | Severity grading of diabetic retinopathy using deep convolutional neural network | |
US20240029247A1 (en) | Systems and methods for quantitative phenotyping of biological fibrilar structures |
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 |