【技术实现步骤摘要】
一种基于深度学习的在线泪膜破裂时间检测方法
本专利技术涉及一种基于深度学习的在线泪膜破裂时间检测方法,属于医学影像
技术介绍
检测泪膜破裂时间确定是否泪液分泌不足,是诊断干眼症的重要手段。在现有的检测技术中,常见的泪膜破裂时间检测是实时获取照射在人眼上的Placido盘图像,然后通过数字图像处理技术分析泪膜破裂位置,检测过程包括应用自适应滤波和闭运算去除睫毛图像,利用椭圆扫描法标记圆环轮廓进行Placido圆环识别,以睁眼后第一帧图像为模板,将后面的每一帧与之分别进行匹配,最后将匹配的图像与第一帧图像做减法运算找到泪膜破裂位置,利用发生破裂图像的帧数计算泪膜破裂时间,并依据此时间对干眼进行诊断。但是这种方法不能很好地处理睫毛遮挡、变形、眨眼等问题。基于原图的深度学习的泪膜破裂,输入大小是原图,没有定位覆盖Placido圆环的有效区域,容易受其他无效区域干扰,并且使用原图会增大样本空间,分割网络复杂度高,从而导致训练难度大,准确性降低,推理时间慢,硬件配置低时不能达到实时。
技术实现思路
本专利技术的目的是为解决目前检测泪膜破裂时间的检测方法中的技术缺陷的技术问题。为达到解决上述问题的目的,本专利技术所采取的技术方案是提供一种基于深度学习的在线泪膜破裂时间检测方法,包括以下步骤:步骤1:实时获取带有Placido盘的人眼视频;步骤2:基于深度卷积网络的分类网络,用来获取最长持续睁眼段作为有效视频段,对步骤1获取的图像识别是否眨眼,并记录眨眼时刻和持续睁眼时间统计;如 ...
【技术保护点】
1.一种基于深度学习的在线泪膜破裂时间检测方法,其特征在于:包括以下步骤:/n步骤1:实时获取带有Placido盘的人眼视频;/n步骤2:基于深度卷积网络的分类网络,用来获取最长持续睁眼段作为有效视频段,对步骤1获取的图像识别是否眨眼,并记录眨眼时刻和持续睁眼时间统计;如果遇到下一次眨眼则记录下一次眨眼时刻并开始新的持续睁眼时间统计,循环往复更新最长持续睁眼时间的视频段,直至视频获取结束;/n步骤3:基于深度卷积网络的快速定位网络,对步骤1获取的图像定位环区域位置,并对环区域进行图像裁剪;本步骤用来提高分割网络输入图像的有效区域占比,减少分割网络的输入分辨率,可以让分割网络的样本空间更小,需求的训练样本更少,分割网络学习更充分高效,可达到在线实时推理目的;/n步骤4:基于深度卷积网络的快速分割网络,对步骤3获取环区域图像实时分割出泪膜破裂位置,只记录每个位置的首次出现破裂时刻;/n步骤5:根据步骤2和步骤4的时刻差获取泪膜始破裂时间。/n
【技术特征摘要】
1.一种基于深度学习的在线泪膜破裂时间检测方法,其特征在于:包括以下步骤:
步骤1:实时获取带有Placido盘的人眼视频;
步骤2:基于深度卷积网络的分类网络,用来获取最长持续睁眼段作为有效视频段,对步骤1获取的图像识别是否眨眼,并记录眨眼时刻和持续睁眼时间统计;如果遇到下一次眨眼则记录下一次眨眼时刻并开始新的持续睁眼时间统计,循环往复更新最长持续睁眼时间的视频段,直至视频获取结束;
步骤3:基于深度卷积网络的快速定位网络,对步骤1获取的图像定位环区域位置,并对环区域进行图像裁剪;本步骤用来提高分割网络输入图像的有效区域占比,减少分割网络的输入分辨率,可以让分割网络的样本空间更小,需求的训练样本更少,分割网络学习更充分高效,可达到在线实时推理目的;
步骤4:基于深度卷积网络的快速分割网络,对步骤3获取环区域图像实时分割出泪膜破裂位置,只记录每个位置的首次出现破裂时刻;
步骤5:根据步骤2和步骤4的时刻差获取泪膜始破裂时间。
2.如权利要求1所述的一种基于深度学习的在线泪膜破裂时间检测方法,其特征在于:所述步骤2中基于深度卷积网络的分类网络,采用MobileNetV3分类网络,实时对人眼图像进行二分类,识别是否眨眼;分类模型训练采用搭建MobileNetV3分类网络模型;输入图像做灰度化处理;数据扩增采用了旋转、平移、缩放、灰度拉伸、随机模糊的预处理;损失函数采用二分类的交叉熵函数;用MobileNetV3在IMAGENET数据集上的训练权值作为初始权值,然后做微调训练;将数据集分成训练集和验证集,进行迭代训练,最终选取训练集和验证集loss值相差最小的训练权值作为训练结果。
3.如权利要求1所述的一种基于深度学习的在线泪膜破裂时间检测方法,其特征在于:所述步骤3中基于深度卷积网络的快速定位网络,对环边缘进行回归定位,分别取环的最上,最下,最左,最右的点共4个点;...
【专利技术属性】
技术研发人员:王崇阳,陈文光,
申请(专利权)人:上海美沃精密仪器股份有限公司,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。