影像处理系统及影像处理方法技术方案

一种影像处理方法，影像处理方法的步骤包含：通过一眼底镜装置以取得一彩色眼底图；以及通过一处理器接收彩色眼底图，并通过一电脑视觉演算法或一深度学习模型产生对应彩色眼底图的一血管切割图，将彩色眼底图及该血管切割图进行一预处理，以得到一初始输入图，将初始输入图输入到一卷积神经网络，卷积神经网络输出一数值；其中处理器依据一杯盘比与数值生成一眼底图分析信息。本公开还涉及一种影像处理系统。理系统。理系统。

【技术实现步骤摘要】
影像处理系统及影像处理方法


[0001]本专利技术涉及一种处理系统，特别涉及一种应用于分析眼底图的影像处理 系统及影像处理方法。

技术介绍

[0002]青光眼为中国台湾或美国民众造成失明的第二大主因，且大约只有三分 之一的患者意识到自己罹患青光眼并前往诊断。青光眼的确诊方式为使用眼 科光学同调断层扫描(Optical Coherence Tomography，OCT)计算视网膜神 经纤维层厚度(retinal nerve fiber layer(RNFL)thickness map)。
[0003]然而，一般人不会刻意去拍摄光学同调断层扫描影像，且光学同调断层 扫描的拍摄成本高且不易取得，彩色眼底镜影像(Color Fundus Photography) 相对容易获取。
[0004]因此，如何使用较低成本且便利的方法辅助医生判读彩色眼底镜影像， 已成为本领域需解决的问题之一。

技术实现思路

[0005]为了解决上述的问题，本公开内容的一实施方式提供了一种影像处理系 统。影像处理系统包含一眼底镜装置以及一处理器。处理器用以接收彩色眼 底图，并通过一电脑视觉演算法或一深度学习模型产生对应彩色眼底图的一 血管切割图，将彩色眼底图及血管切割图进行一预处理，以得到一初始输入 图，将初始输入图输入到一卷积神经网络，卷积神经网络输出一数值；其中 处理器依据一杯盘比与数值生成一眼底图分析信息。
[0006]本专利技术的又一实施方式提供一种影像处理方法，影像处理方法的步骤包 含：通过一眼底镜装置以取得一彩色眼底图；以及通过一处理器接收彩色眼 底图，并通过一电脑视觉演算法或一深度学习模型产生对应彩色眼底图的一 血管切割图，将彩色眼底图及血管切割图进行一预处理，以得到一初始输入 图，将初始输入图输入到一卷积神经网络，卷积神经网络输出一数值；其中 处理器依据一杯盘比与数值生成一眼底图分析信息。
[0007]本专利技术所示的影像处理系统及影像处理方法，可以分析彩色眼底图，进 而计算出杯盘比及视神经纤维缺陷的几率，应用眼底图分析信息用以辅助医 生使用彩色眼底图作青光眼的判别，例如，当医生看到杯盘比落在正常人眼 的范围，且视神经纤维缺陷的几率低于50％，则医生可能初步认为此病人为 正常；当医生看到杯盘比并非落在正常人眼的范围，且视神经纤维缺陷的几 率低于50％，则医生可能初步认为此病人为疑似良性青光眼；当医生看到杯 盘比落在正常人眼的范围(例如小于0.7)，且视神经纤维缺陷的几率高于 50％，则医生可能初步认为此病人为疑似恶性青光眼，医生可建议病人拍摄 眼科光学同调断层扫描，通过断层扫描图判断是否确诊；当医生看到杯盘比 落并非落在正常人眼的范围，且视神经纤维缺陷的几率高于50％，则医生可 能初步认为此病人为疑似恶性青光眼，需要通过拍摄眼科光学同调断层扫描， 依据断层扫描图判断是否确诊。借此，影像处理系统及影像处理方法可以产 生许多信息，综和视神经纤维缺陷的几率及杯盘比，以协助医生
评估病人的 青光眼严重程度。
附图说明
[0008]图1是依照本专利技术一实施例示出影像处理系统的方框图。
[0009]图2是依照本专利技术一实施例示出影像处理方法的示意图。
[0010]图3是依照本专利技术一实施例示出血管切割图的生成方法的示意图。
[0011]图4是依照本专利技术一实施例示出视神经缺损状态的评估方法的示意图。
[0012]图5是依照本专利技术一实施例示出U
‑
Net深度学习分割网络的示意图。
[0013]图6是依照本专利技术一实施例示出影像处理方法的流程图。
[0014]图7是依照本专利技术一实施例示出的视神经杯盘系统模型的示意图。
[0015]图8是依照本专利技术一实施例示出的神经盘语意分析图的示意图。
[0016]图9是依照本专利技术一实施例示出的神经杯语意分析图的示意图。
[0017]附图标记说明：
[0018]100：影像处理系统
[0019]PT：病人
[0020]10：眼底镜装置
[0021]A：接目口
[0022]B：光色旋钮
[0023]C：钢圈旋钮
[0024]DR：医生
[0025]LK：数据传输线
[0026]20：处理器
[0027]200：影像处理方法
[0028]210～240：步骤 310：彩色眼底图
[0029]EB：眼球
[0030]OD：视神经盘
[0031]OC：视神经杯
[0032]320：影像切割运算
[0033]330：血管切割图
[0034]L：最粗血管影像
[0035]W：垂直于长轴的另一最粗血管影像 410：初始输入图
[0036]420：深度学习模型
[0037]430：视神经缺损状态 U1、U2：深度学习分割网络
[0038]600：影像处理方法
[0039]610～670：步骤 800：神经盘语意分析图 POD：神经盘影像范围
[0040]900：神经杯语意分析图 POC：神经杯影像范围
具体实施方式
[0041]以下说明是为完成专利技术的优选实现方式，其目的在于描述本专利技术的基本 精神，但
并不用以限定本专利技术。实际的
技术实现思路
必须参考之后的权利要求范 围。
[0042]必须了解的是，使用于本说明书中的“包含”、“包括”等词，是用以表 示存在特定的技术特征、数值、方法步骤、作业处理、元件以及/或组件，但 并不排除可加上更多的技术特征、数值、方法步骤、作业处理、元件、组件， 或以上的任意组合。
[0043]于权利要求中使用如“第一”、“第二”、“第三”等词是用来修饰权利要 求中的元件，并非用来表示之间具有优先权顺序，先行关系，或者是一个元 件先于另一个元件，或者是执行方法步骤时的时间先后顺序，仅用来区别具 有相同名字的元件。
[0044]请参照图1至图3，图1是依照本专利技术一实施例示出影像处理系统100 的方框图。图2是依照本专利技术一实施例示出影像处理方法200的示意图。图 3是依照本专利技术一实施例示出血管切割图330的生成方法的示意图。
[0045]如图1所示，影像处理系统100包含一眼底镜装置10及一处理器20。
[0046]于一实施例中，眼底镜装置10用以取得彩色眼底图。
[0047]于一实施例中，眼底镜装置10可以是直接眼底镜或间接眼底镜，以直接 眼底镜为例，眼底镜装置10可直接检查眼底，不必散大瞳孔，在暗室中进行 检查，医生DR将眼底镜装置10拿到靠近病人PT的眼睛右眼或左眼。眼底 镜装置10的正面接触病人PT，正面的接目口A用以对准病人眼睛，光色旋 钮B用以发光，在一些例子中，光色旋钮B可以让医生DR选择让眼底镜装 置10的正面发出绿光、白光或偏极光，绿光用以观察血管网膜出血、白光用 于一般检查，偏极光用于消除角膜反光，角膜反光消除后，更容易观察眼底， 钢圈旋钮C可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种影像处理系统，包含：一眼底镜装置，用以取得一彩色眼底图；以及一处理器，用以接收该彩色眼底图，并通过一电脑视觉演算法或一深度学习模型产生对应该彩色眼底图的一血管切割图，将该彩色眼底图及该血管切割图进行一预处理，以得到一初始输入图，将该初始输入图输入到一卷积神经网络，该卷积神经网络输出一数值；其中该处理器依据一杯盘比与该数值生成一眼底图分析信息。2.如权利要求1所述的影像处理系统，其中，该处理器更用以判断该数值是否大于一门限值，若该数值大于该门限值，则将该彩色眼底图视为异常，当该数值不大于该门限值，则将该彩色眼底图视为正常。3.如权利要求1所述的影像处理系统，其中，该处理器定位该彩色眼底图中的一视神经盘影像，并裁切出该视神经盘影像，将该视神经盘影像输入一第一深度学习分割网络，该第一深度学习分割网络输出一神经盘语意分析图，将该视神经盘影像输入一第二深度学习分割网络，该第二深度学习分割网络输出一神经杯语意分析图，将该神经盘语意分析图中的白色面积除以该神经杯语意分析图中的白色面积得到该杯盘比。4.如权利要求3所述的影像处理系统，其中，该第一深度学习分割网络为一第一U
‑
Net深度学习分割网络，当该处理器将该视神经盘影像输入该第一U
‑
Net深度学习分割网络后，该第一U
‑
Net深度学习分割网络输出的该神经盘语意分析图中，神经盘影像范围为白色，其余部分为黑色；该第二深度学习分割网络为一第二U
‑
Net深度学习分割网络，当该处理器将该视神经盘影像输入该第二U
‑
Net深度学习分割网络后，该第二U
‑
Net深度学习分割网络输出的该神经杯语意分析图中，神经杯影像范围为白色，其余部分为黑色；其中，该视神经盘影像、该神经盘语意分析图及该神经杯语意分析图的维度一样。5.如权利要求1所述的影像处理系统，其中，该血管切割图为一灰阶图，该预处理是指将该彩色眼底图及该血管切割图相叠。6.如权利要求5所述的影像处理系统，其中，该处理器滤除该彩色眼底图中的红色后，再将滤除红色的该彩色眼底图及该血管切割图相叠。7.如权利要求1所述的影像处理系统，其中，该处理器将该初始输入图输入到一神经网络，该神经网络输出该数值，其中该神经网络是将尚未训练的U
‑
Net深度学习分割网络所获取出的多个特征进行分类，再将分类后的所述多个特征组成该神经网络。8.如权利要求1所述的影像处理系统，其中，该处理器将该初始输入图输入到一神经网络，该神经网络输出该数值，其中该神经网络是将已训练的U
‑
Net深度学习分割网络所获取出的多个特征取出，并固定此些特征各自对应的一权重，再调整一全连接层的权重以产生该神经网络。9.如权利要求3所述的影像处理系统，其中，该处理器裁切出该视神经盘影像后，将该视神经盘影像的中心点视为原点，进行一极坐标转换，以产生一极坐标转换视神经盘影像，将该极坐标转换视神经盘影像输入该第一深度学习分割网络，该第一深度学习分割网络输出该神经盘语意分析图，将该极坐标转换视神经盘影像输入该第二深度学习分割网络，该第二深度学习分割网络输出该神经杯语意分析图。10.如权利要求1所述的影像处理系统，其中，该处理器选择该血管切割图中一最粗血
管影像以决定一视神经盘影像的长轴，选择垂直于长轴的另一最粗血管影像以决定该视神经盘影像的短轴，一视神经杯影像的长轴平行于该视神经盘影像的长轴，该视神经杯影像的短轴平行于该视神经盘影像的长轴，该处理器依据该视神经盘影像的长轴及该视神经盘影像的短轴，应用一椭圆拟合演算法裁切出该视神经盘影像，依据该视神经杯影像的长轴及该视神经杯影像的短轴，应用该椭圆拟合演算法裁切出该视神经杯影像。11.一种...

【专利技术属性】
技术研发人员：余春贤，黄振宇，谢成典，林昀廷，
申请(专利权)人：宏碁股份有限公司，
类型：发明
国别省市：