一种适用于测量人眼睫状肌和巩膜结构多指标的方法技术

本发明专利技术属于计算机图像处理技术领域，具体公开了一种适用于测量人眼睫状肌和巩膜结构多指标的方法，包括获得睫状体部的灰度图像；对灰度图像进行预处理；对睫状肌进行识别并进行实例分割，获得睫状肌掩膜；对获得的睫状肌掩膜进行形态学处理，包括筛选出睫状肌掩膜中所占面积最大的轮廓以计算睫状肌面积、睫状肌周长、睫状肌长度、睫状肌厚度、巩膜厚度和最大睫状肌厚度；对睫状肌的相关角度进行测量，相关角度包括睫状肌前角、睫状肌尾角、睫状肌下角、TCA、ICA和前房角。本技术方案能够完成对睫状肌和巩膜相关参数的全自动测量，提升在医学研究、临床工作中的效率，无需人工介入，排出人为因素干扰，结果可重复性强。结果可重复性强。结果可重复性强。

【技术实现步骤摘要】
一种适用于测量人眼睫状肌和巩膜结构多指标的方法


[0001]本专利技术属于计算机图像处理
，尤其涉及一种适用于测量人眼睫状肌和巩膜结构多指标的方法。

技术介绍

[0002]人眼部睫状肌相关生物参数的准确测量，是眼科医学研究中的重要环节。传统方式利用超声活体显微镜(Ultrasound Biomicroscopy，UBM)获取被测者睫状体部灰度图像，人工在图像上测量睫状肌的各种生物指标。该方法受测量者的主观影响较大，可重复性低。人眼部睫状肌生物参数包括：睫状肌的周长，面积，睫状肌厚度，睫状肌长度，以及睫状肌角度等参数。由于图像分辨率的局限性和像素点的不连续性，基于图像的角度估计是计算机图像处理问题中的一大难点。
[0003]睫状肌的识别可以通过掩膜区域卷积神经网络(Mask RCNN)获得睫状肌的掩膜，接着应用各种计算机视觉方法进行图像形态学处理以测量睫状肌相关指标。为对睫状肌相关角度指标进行全自动测量，需要找到睫状体附近的关键点。关键点检测技术指的是计算机从图像中自动识别出被检测对象的关键部位，已被广泛用于人体姿态估计、行为识别等领域。关键点检测技术的两大方法，分为回归法和热图法。回归法，即在主干特征提取网络后将特征图打平(flatten)，使用全连接层回归出关键点的坐标值。热图法，即让卷积神经网络最后一层生成高斯热图，再找出热图中值最大位置的索引作为关键点的位置。两种方法各有优劣，回归法具有更好的鲁棒性，但其将特征图打平，丧失了关键点的空间特征；而热图法更多关注于局部的空间特征，网络更好收敛，使用DSNT(Differentiable Spatial to Numerical Transform)层对热图求期望还可以使热图法具有高精度，但热图法不太擅长刚性物体的关键点检测。角度估计更多关注角的顶点和两条射线的斜率，即两个向量之间的夹角，而非是三个顶点的坐标值，使用传统的方法生成三个关键点的热图，或用三个关键点的坐标值作为神经网络的输出，不符合角度测量任务的目的。
[0004]因此现在急需设计一种能够完成对睫状肌相关的参数进行全自动测量的方法，来提升在医学研究、临床工作中的效率。

技术实现思路

[0005]本专利技术的目的在于提供一种适用于测量人眼睫状肌和巩膜结构多指标的方法，以解决目前采用的回归法会造成丧失关键点的空间特征以及采用的热图法不擅长钢性物体的关键点检测的问题。
[0006]为了达到上述目的，本专利技术的技术方案为：一种适用于测量人眼睫状肌和巩膜结构多指标的方法，包括
[0007]获得睫状体部的灰度图像；
[0008]使用深度学习平台对灰度图像进行预处理；
[0009]使用深度学习平台对睫状肌进行识别并进行实例分割，获得睫状肌掩膜；
[0010]使用深度学习平台对获得的睫状肌掩膜进行形态学处理；包括筛选出睫状肌掩膜中所占面积最大的轮廓以及根据所占面积最大的轮廓计算出睫状肌面积、睫状肌周长、睫状肌长度、睫状肌厚度、巩膜厚度和最大睫状肌厚度；
[0011]使用深度学习平台对睫状肌的相关角度进行测量，相关角度包括睫状肌前角、睫状肌尾角、睫状肌下角、TCA、ICA和前房角。
[0012]进一步，预处理包括灰度图像比例尺的识别和对灰度图像进行裁剪；比例尺的识别方法为：从灰度图像中用颜色筛选出图像的标尺，设定刻度颜色的高阈值和低阈值，并生成对应刻度颜色的掩膜；计算两个刻度最大值之间的像素长度，该像素长度即为比例尺；根据灰度图像的信号分布进行灰度图像的裁剪，产生感兴趣矩形区域。
[0013]进一步，所述深度学习平台包括睫状肌识别模块，睫状肌识别模块的建立方式为：
[0014]对n名被测者的双眼的睫状体进行扫描，每只眼睛扫描四个方位，包括0
°
、90
°
、180
°
和270
°
处的睫状体，产生4n张灰度图像；
[0015]使用软件分别对4n张灰度图像的睫状肌掩膜进行标注，并进行训练，得到权重，并预测最佳睫状肌掩膜。
[0016]进一步，所述深度学习平台包括睫状肌形态学处理模块，睫状肌形态学处理模块的处理过程如下：
[0017]提取预测的最佳睫状肌掩膜；
[0018]使用函数找出睫状肌掩膜中的轮廓，筛选出所占面积最大的轮廓；
[0019]计算睫状肌面积：使用函数计算该轮廓的面积，用该面积/(比例尺^2)即得到基于比例尺的睫状肌面积；
[0020]计算睫状肌周长：使用函数计算该轮廓周长，将该周长/比例尺即得到基于比例尺的睫状肌周长；
[0021]计算睫状肌长度：使用算法找到该轮廓上距离最远的两个点，两个点之间的距离/比例尺得到基于比例尺的睫状肌长度；两个点所在的直线即为睫状肌长轴；
[0022]计算睫状肌厚度、巩膜厚度：根据睫状肌长轴，将睫状肌轮廓分为睫状肌上表面和下表面；对不同位置的睫状肌厚度和巩膜厚度进行计算；计算采用法线模式；
[0023]计算最大睫状肌厚度：计算睫状肌上表面切线的垂线与睫状肌下表面之间的最大距离。
[0024]进一步，以睫状肌长轴的中点为原点进行灰度图像的旋转，使睫状肌长轴位于灰度图像的水平方向。
[0025]进一步，所述深度学习平台包括卷积神经网络，所述卷积神经网络用于预测相关角度，所述卷积神经网络包括若干个卷积层，输入张量尺寸为(1，512，512)的灰度图像，输出张量尺寸为(3，512，512)的3通道热图；深度学习平台使用收敛的权重进行角度的预测：解析生成的热图，找到热图每一层的最大值的索引，将该索引作为顶点和边点的位置进行角度的计算。
[0026]进一步，将n名被测者的灰度图像作为卷积神经网络的输入，对n名被测者的灰度图像进行标注，标注出睫状肌相关角度的数据集作为卷积神经网络的输出，根据输入和输出来对卷积神经网络进行训练。
[0027]进一步，所述卷积神经网络采用特别方法来输出相关角度的3通道图像，特别方法
包括顶点坐标的高斯热图生成方法和边点向量热图生成方法：
[0028]一个角包含一个顶点坐标和两个边点坐标，真实顶点坐标为(X
t
,Y
t
)，真实边点G1的坐标为(X
g1
,Y
g1
)，真实边点G2的坐标为(X
g2
,Y
g2
)；由真实边点和真实顶点产生两个真实边点单位向量，即和这两个真实边点单位向量的夹角即为该角的真实角度；
[0029]顶点T的高斯热图生成方法为：首先生成一个尺寸为(1，512，512)的张量，再根据二维高斯分布计算张量中每个位置的值，二维高斯分布公式为：
[0030][0031]该式中，热图上某一点坐标为(X
顶
,Y
顶
)，e为自然常数，σ为方差，方差可根据实际情况进行调整；
[0032]真实边点单位向量的热图生成方法为：
[0033]首先生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于测量人眼睫状肌和巩膜结构多指标的方法，其特征在于：包括获得睫状体部的灰度图像；使用深度学习平台对灰度图像进行预处理；使用深度学习平台对睫状肌进行识别并进行实例分割，获得睫状肌掩膜；使用深度学习平台对获得的睫状肌掩膜进行形态学处理；包括筛选出睫状肌掩膜中所占面积最大的轮廓以及根据所占面积最大的轮廓计算出睫状肌面积、睫状肌周长、睫状肌长度、睫状肌厚度、巩膜厚度和最大睫状肌厚度；使用深度学习平台对睫状肌的相关角度进行测量，相关角度包括睫状肌前角、睫状肌尾角、睫状肌下角、TCA、ICA和前房角。2.根据权利要求1所述的一种适用于测量人眼睫状肌和巩膜结构多指标的方法，其特征在于：预处理包括灰度图像比例尺的识别和对灰度图像进行裁剪；比例尺的识别方法为：从灰度图像中用颜色筛选出图像的标尺，设定刻度颜色的高阈值和低阈值，并生成对应刻度颜色的掩膜；计算两个刻度最大值之间的像素长度，该像素长度即为比例尺；根据灰度图像的信号分布进行灰度图像的裁剪，产生感兴趣矩形区域。3.根据权利要求2所述的一种适用于测量人眼睫状肌和巩膜结构多指标的方法，其特征在于：所述深度学习平台包括睫状肌识别模块，睫状肌识别模块的建立方式为：对n名被测者的双眼的睫状体进行扫描，每只眼睛扫描四个方位，包括0
°
、90
°
、180
°
和270
°
处的睫状体，产生4n张灰度图像；使用软件分别对4n张灰度图像的睫状肌掩膜进行标注，并进行训练，得到权重，并预测最佳睫状肌掩膜。4.根据权利要求3所述的一种适用于测量人眼睫状肌和巩膜结构多指标的方法，其特征在于：所述深度学习平台包括睫状肌形态学处理模块，睫状肌形态学处理模块的处理过程如下：提取预测的最佳睫状肌掩膜；使用函数找出睫状肌掩膜中的轮廓，筛选出所占面积最大的轮廓；计算睫状肌面积：使用函数计算该轮廓的面积，用该面积/(比例尺^2)即得到基于比例尺的睫状肌面积；计算睫状肌周长：使用函数计算该轮廓周长，将该周长/比例尺即得到基于比例尺的睫状肌周长；计算睫状肌长度：使用算法找到该轮廓上距离最远的两个点，两个点之间的距离/比例尺得到基于比例尺的睫状肌长度；两个点所在的直线即为睫状肌长轴；计算睫状肌厚度、巩膜厚度：根据睫状肌长轴，将睫状肌轮廓分为睫状肌上表面和下表面；对不同位置的睫状肌厚度和巩膜厚度进行计算；计算采用法线模式；计算最大睫状肌厚度：计算睫状肌上表面切线的垂线与睫状肌下表面之间的最大距离。5.根据权利要求4所述的一种适用于测量人眼睫状肌和巩膜结构多指标的方法，其特征在于：以睫状肌长轴的中点为原点进行灰度图像的旋转，使睫状肌长轴位于灰度图像的水平方向。6.根据权利要求4所述的一种适用于测量人眼睫状肌和巩膜结构多指标的方法，其特
征在于：所述深度学习平台包括卷积神经网络，所述卷积神经网络用于预测相关角度，所述卷积神经网络包括若干个卷积层，输...

【专利技术属性】
技术研发人员：黄凡凡，张童，胡柯，万文娟，计岩，高宁，杜淼淼，
申请(专利权)人：重庆医科大学附属第一医院，
类型：发明
国别省市：