眼前节的角膜厚度测量方法技术

本申请涉及图像处理

【技术实现步骤摘要】
眼前节的角膜厚度测量方法、装置、计算机设备及介质


[0001]本专利技术涉及图像处理
、
智慧医疗
，尤其涉及一种眼前节的角膜厚度测量方法
、
装置
、
计算机设备及介质
。

技术介绍

[0002]眼前节
OCT(optical coherence tomography
，光学相干断层扫描
)
通过处理沿入射光相同路径返回的漫反射光，并根据其光信号强度以及传输时间进行可视化处理，实现对活体眼组织的显微镜结构进行非接触式
、
非侵入性的断层成像，从而对角膜中央厚度
(Central Corneal Thickness,CCT)
进行定量测量，可以对角膜相关疾病进行客观的评估，辅助眼科疾病的诊断
。
[0003]目前，主要通过手动测量的方式对眼前节
OCT
进行定量测量又或者利用光学成像原理对眼剖面成像，可以得到角膜至晶体范围内的二维照片，再经三维重建得到眼前节整体数据
。
其中，手动测量的方式不仅无法保证检测的效率，同时还会受到操作者的临床经验等主观因素的影响，导致测量得到的参数准确性较低；而利用光学成像原理得到眼前节整体数据的方式存在光学畸变相差，需要进行非常复杂的图像矫正，效率较低，且因照明光源采用蓝光
(475nm)
，对人眼形成非常大的刺激，也无法获得放松状态下眼前节的形态，影响测量得到的参数的准确性
。
专利
技术实现思路

[0004]基于此，有必要针对现有技术的对眼前节
OCT
进行定量测量的效率和准确率较低的技术问题，提出了一种眼前节的角膜厚度测量方法
。
[0005]第一方面，提供了一种眼前节的角膜厚度测量方法，所述方法包括：
[0006]获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；
[0007]将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；
[0008]基于所述待检测图像，确定检测基准线，所述检测基准线用于固定所述目标角膜轮廓的位置；
[0009]基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息
。
[0010]第二方面，提供了一种眼前节的角膜厚度测量装置，所述装置包括：
[0011]图像获取模块，用于获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；
[0012]角膜轮廓提取模块，用于将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；
[0013]基准线确定模块，用于基于所述待检测图像，确定检测基准线，所述检测基准线用
于固定所述目标角膜轮廓的位置；
[0014]厚度信息确定模块，用于基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息
。
[0015]第三方面，提供了一种计算机设备，包括存储器
、
处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述眼前节的角膜厚度测量方法的步骤
。
[0016]第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述眼前节的角膜厚度测量方法的步骤
。
[0017]本申请提供一种眼前节的角膜厚度测量方法
、
装置
、
计算机设备及介质，通过获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息
。
在本申请中，眼前节的光学相干断层扫描图像为眼前节的非接触式成像，可以降低对人眼形成刺激，从而保证在受检者的眼前节较为放松的情况下，获得待检测图像，以提高对角膜厚度参数进行测量的准确性，之后，基于目标检测神经网络训练得到的角膜轮廓提取模型，自动对待检测图像中的眼前节的光学相干断层扫描图像进行角膜的目标角膜轮廓提取，提高对眼前节
OCT
图像进行定量检测的效率，并基于待检测图像，确定检测基准线，以此确定检测基准线与目标角膜轮廓的相对位置，以固定目标角膜轮廓的位置，从而可准确地对目标角膜轮廓进行角膜厚度进行自动测量，提高角膜厚度参数的检测效率和准确率
。
附图说明
[0018]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0019]其中：
[0020]图1为一个实施例中眼前节的角膜厚度测量方法的应用环境图；
[0021]图2为一个实施例中眼前节的角膜厚度测量方法的流程示意图；
[0022]图3为一个实施例中，眼前节的角膜厚度测量方法的目标角膜轮廓与检测基准线的相对位置示意图；
[0023]图4为一个实施例中眼前节的角膜厚度测量装置的结构示意框图；
[0024]图5为一个实施例中计算机设备的结构示意框图；
[0025]图6为一个实施例中计算机设备的结构示意框图
。
具体实施方式
[0026]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本专利技术一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0027]本专利技术实施例提供的眼前节的角膜厚度测量方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务端进行通信
。
服务端可以通过客户端获取目标对象的至少一张待检测图像，待检测图像包括目标对象的眼前节的光学相干断层扫描图像；将待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到角膜的目标角膜轮廓，角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于待检测图像，确定检测基准线，检测基准线用于固定目标角膜轮廓的位置；基于目标角膜轮廓和检测基准线，得到角膜的厚度信息，将厚度信息反馈回客户端，在本专利技术中，通过基于目标检测神经网络训练得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种眼前节的角膜厚度测量方法，其特征在于，所述方法包括：获取目标对象的至少一张待检测图像，所述待检测图像包括所述目标对象的眼前节的光学相干断层扫描图像；将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述角膜的目标角膜轮廓，所述角膜轮廓提取模型为基于目标检测神经网络训练得到的模型；基于所述待检测图像，确定检测基准线，所述检测基准线用于固定所述目标角膜轮廓的位置；基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息
。2.
根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述角膜轮廓提取模型包括像素分类模块
、
像素拼接模块和轮廓提取模块，所述将所述待检测图像输入角膜轮廓提取模型进行角膜轮廓提取，得到所述眼前节中角膜的目标角膜轮廓，包括：采用所述像素分类模块，对所述待检测图像进行像素点为角膜轮廓的分类预测，得到角膜轮廓的像素点信息；采用所述像素拼接模块，对所述角膜轮廓的像素点信息进行拼接，得到二值化图像；采用所述轮廓提取模块，对所述二值化图像进行角膜轮廓提取，得到所述目标角膜轮廓
。3.
根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述基于所述目标角膜轮廓和所述检测基准线，得到所述角膜的厚度信息，包括：基于所述目标角膜轮廓和所述检测基准线，确定多条与所述目标角膜轮廓垂直的角膜厚度检测线；基于各所述角膜厚度检测线和所述目标角膜轮廓，确定所述目标角膜轮廓的拟合坐标点信息；根据所述拟合坐标点信息，得到所述角膜的所述厚度信息
。4.
根据权利要求3所述的眼前节的角膜厚度测量方法，其特征在于，所述根据所述拟合坐标点信息，得到所述角膜的所述厚度信息，包括：基于圆的标准方程，对所述拟合坐标点信息进行拟合，确定目标参数，所述目标参数包括圆心坐标和半径值；基于所述目标参数，确定目标检测圆；基于所述目标检测圆，得到所述角膜的所述厚度信息
。5.
根据权利要求1所述的眼前节的角膜厚度测量方法，其特征在于，所述基于所述待检测图像，确定检测基准线，包括：当在所述待检测图像中只检测到单侧的房角...

【专利技术属性】
技术研发人员：张少冲，弥胜利，孙尚，窦宁馨，周大钊，石开文，李光扬，
申请(专利权)人：清华大学深圳国际研究生院，
类型：发明
国别省市：