眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统与流程

本发明涉及眼部检测设备领域，具体涉及一种眼底盘沿宽度确定方法、青光眼疾病诊断装置和系统。

背景技术：

青光眼是一种不可逆的致盲性眼底疾病，在筛查或临床诊断上，医生可以通过观察眼底图像来判断被检查者是否可能患有青光眼，从而做出是否需要进一步检查或就诊的建议。

在临床诊断时，眼科医生可以通过观察眼底图中视杯和视盘的情况做出判断。例如视杯过大，导致视杯视盘的比例过大，则被检查者很可能患有青光眼，其中的杯盘比一般为视杯和视盘的垂直直径比。

但是，眼科医生肉眼或者借助拍摄设备估算杯盘比或者盘沿形态的方式主观性很强，缺乏客观数据依据，导致结果不够准确，而且消耗大量的时间和精力。

技术实现要素：

有鉴于此，本发明第一方面提供一种眼底盘沿宽度确定方法，包括如下步骤：

获取眼底图像；

在所述眼底图像中识别视盘区域和视杯区域；

根据所述识别视盘区域的中心点的位置和所述视杯区域的中心点的位置确定平均点；

基于所述平均点的位置确定盘沿宽度值。

可选地，所述根据在所述眼底图像中识别视盘区域和视杯区域，包括：

利用第一机器学习模型从所述眼底图像中识别出包含视盘的有效区域；

利用第二机器学习模型从所述有效区域中识别出视盘区域；

利用第三机器学习模型从所述有效区域中识别出视杯区域。

可选地，所述基于所述平均点的位置确定盘沿宽度，包括：

在水平方向确定经过所述平均点的横向直线；

确定所述横向直线与所述视盘区域轮廓的第一交点，以及所述横向直线与所述视杯区域轮廓的第二交点；

计算所述眼底图像中同一侧的所述第一交点与所述第二交点的距离作为横向盘沿宽度值。

可选地，所述基于所述平均点的位置确定盘沿宽度，包括：

在竖直方向确定经过所述平均点的纵向直线，

确定所述纵向直线与所述视盘区域轮廓的第三交点，以及所述纵向直线与所述视杯区域轮廓的第四交点；

计算所述眼底图像中同一侧的所述第三交点与所述第四交点的距离作为纵向盘沿宽度值。

可选地，所述基于所述平均点的位置确定盘沿宽度，包括：

在多个设定方向上确定经过所述平均点的多条直线；

分别确定所述多条直线与所述视盘区域轮廓的第四交点，以及所述多条直线与所述视杯区域轮廓的第五交点；

分别计算同一条直线上的所述第四交点与所述第五交点间的距离得到多个盘沿宽度值；

获取所述多个盘沿宽度值中的最小值作为所述多个设定方向所在侧的盘沿宽度。

可选地，所述盘沿宽度值包括上方盘沿宽度值、下方盘沿宽度值、左侧盘沿宽度值和右侧盘沿宽度值。

本发明第二方面提供一种眼底盘沿宽度确定装置，包括：

获取单元，用于获取眼底图像；

区域识别单元，用于在所述眼底图像中识别视盘区域和视杯区域；

平均点确定单元，用于根据所述识别视盘区域的中心点的位置和所述视杯区域的中心点的位置确定平均点；

盘沿确定单元，用于基于所述平均点的位置确定盘沿宽度值。

本发明第三方面提供一种电子设备，其特征在于，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述眼底盘沿宽度确定方法。

本发明第四方面提供一种青光眼图像判断装置，包括：

眼底盘沿宽度确定单元，用于根据上述眼底盘沿宽度确定方法确定盘沿宽度值；

判断单元，用于根据所述盘沿宽度值确定所述眼底图像是否为青光眼图像。

可选地，所述盘沿宽度值包括上方盘沿宽度值、下方盘沿宽度值、鼻侧盘沿宽度值和颞侧盘沿宽度值；

所述判断单元根据四种所述盘沿宽度值的大小关系判断所述眼底图像是否为青光眼图像。

本发明第五方面一种青光眼疾病诊断系统，包括：

眼底照相设备，用于拍摄用户眼底图像；以及上述青光眼图像判断装置。

根据本发明实施例提供的眼底盘沿宽度确定方法，首先从眼底图像中识别视盘区域和视杯区域，然后分别确定二者的中心点，进一步根据这两个中心点确定一个平均的中心点，以兼顾这两个区域的中心位置。基于这一平均中心点的位置确定盘沿宽度，得到的数值能够准确体现视盘与视杯的形态特性，本方案基于图像数据及客观算法计算出可以直观度量的盘沿数据，节约人力资源，能够有效辅助医生或专家对青光眼疾病做出判断。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例中的眼底盘沿宽度确定方法的流程图；

图2为本发明实施例中一种具体的眼底盘沿宽度确定方法的流程图；

图3为本发明实施例中的剪切后的眼底图像；

图4为本发明实施例中的包含视盘的有效区域图像；

图5为本发明实施例中的一种样本图像；

图6为本发明实施例中的另一种样本图像；

图7为本发明实施例中确定眼底盘沿宽度过程的示意图像；

图8为本发明实施例中的眼底盘沿宽度确定装置的结构图；

图9为本发明实施例中的青光眼图像判断装置的结构图；

图10为本发明实施例中的青光眼疾病诊断系统的结构图。

具体实施方式

下面将结合附图对本发明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发明一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明提供了一种眼底盘沿宽度确定方法，该方法可以由计算机、服务器或者便携式终端等电子设备执行。如图1所示，该方法包括如下步骤：

s1a，获取眼底图像。眼底图像通常是彩色图像，但在本发明实施例中也可以使用单通道的灰度图像，甚至也可以使用线条图像。

s2a，在眼底图像中识别视盘区域和视杯区域。具体识别方法包括多种，例如可以基于机器视觉原理，根据像素点的像素值特征搜索这两个区域；也可以采用人工智能算法，使用训练后的机器学习模型识别这些区域。

s3a，根据视盘区域的中心点的位置和视杯区域的中心点的位置确定平均点。具体地，首先分别根据视盘区域的边缘(轮廓)和视杯区域的边缘(轮廓)确定视盘中心点和视杯中心点。

视盘中心点是与视盘轮廓四周距离尽可能相等的位置，视杯中心点是与视杯轮廓四周距离尽可能相等的位置，这两个中心点通常不会重合。

视盘区域和视杯区域都是不规则的形状，确定不规则封闭区域的中心点的算法有多种，本发明可以使用任一种现有的算法找到这两个中心点。

根据视盘中心点和视杯中心点的二维坐标(在图像中的位置)确定一个中心点，对视盘中心点坐标和视杯中心点坐标求和并取平均，得到新的中心点坐标，此新中心点可被认为是修正后的视盘中心点。例如可以使用下式计算：

其中xdisc为视盘中心点的在图像中的横坐标，ydisc为视盘中心点的在图像中的纵坐标，xcup为视杯中心点的在图像中的横坐标，ycup为视杯中心点的在图像中的纵坐标，xcenter为平均点在图像中的横坐标，ycenter为平均点在图像中的纵坐标。

s4a，基于平均点的位置确定盘沿宽度值。从平均点出发，向图像中的任何一个方位生成一条直线，或者从图像边缘的任何一个位置出发，向中心点生成一条直线，可以使这条直线与视杯区域的边缘产生一个交点，以及与视盘区域的边缘产生一个交点。这两个交点间的距离即为这一方向上的视盘边缘到视杯边缘的距离，在本发明中将其称为盘沿宽度值。

在本发明的一个实施例中，可以预先针对图像中的各侧分别设定多个待选方向，例如以平均点为中心向图像的某一侧取一个较小角弧度的小扇形，该角弧度区间中的多个方向可作为待选方向。在计算时，针对该侧可在这些待选方向上确定经过平均点的多条直线；然后分别确定这些直线与视盘区域轮廓的交点，以及这些直线与视杯区域轮廓的交点；并分别计算同一条直线上的两个交点的距离得到多个盘沿宽度值；最后取这些盘沿宽度值中的最小值作为这一侧的盘沿宽度值。

通常情况下获取的眼底图像的方位和人体方位是一致的，即图像的上方和下方即为人体的上方和下方，图像两侧分别是人体的鼻侧和颞侧(左、右眼图像方向相反)。如果获取的图像角度比较特殊，可以在步骤s1后调整图像角度，使其与人体方位一致。

实际应用中，可以基于该平均点向任意方向确定任意方向的盘沿宽度，这些盘沿宽度即可作为医生判断青光眼的客观依据。

根据本发明实施例提供的眼底盘沿宽度确定方法，首先从眼底图像中识别视盘区域和视杯区域，然后分别确定二者的中心点，进一步根据这两个中心点确定一个平均的中心点，以兼顾这两个区域的中心位置。基于这一平均中心点的位置确定盘沿宽度，得到的数值能够准确体现视盘与视杯的形态特性，本方案基于图像数据及客观算法计算出可以直观度量的盘沿数据，节约人力资源，能够有效辅助医生或专家对青光眼疾病做出判断。

本发明的一个实施例提供了一种具体的眼底盘沿宽度确定方法，如图2所示，包括如下步骤：

s1b，获取眼底照相设备拍摄的眼底照片，一般是有黑色背景的图像，背景中可能还包括一些文字信息；

s2b，对眼底照片进行剪裁得到眼底图像，该图像边缘恰好容纳圆形的眼底区域。如图3所示，剪切后图像的四个边分别与眼底区域边缘相交。这种剪裁操作是为了后续使用机器学习模型对图像进行识别而做出的优化处理，在其它实施例中也可不进行剪裁的操作，或者剪裁掉更多的内容，至少保留视盘区域即可。

s3b，利用第一机器学习模型从眼底图像中识别出包含视盘的有效区域。有效区域内可包括视盘以及少部分眼底背景内容，它的形状可以是设定的规则形状，例如一个方形区域或圆形区域，此步骤可以去除掉大部分眼底背景内容，得到一个如图4所示以视盘为主的有效区域。

在使用机器学习模型进行识别之前，应当使用训练数据对其进行训练。关于第一机器学习模型的训练过程，本发明实施例提供一种优选的模型训练方案。在训练阶段先通过手工把包括视盘的有效区域在眼底图像中标注出来得到训练数据，例如图5所示的虚线框为标注内容，这个标注框进入机器学习模型的形式为(x,y,height,width)，其中x,y为标注框左上角点在图像中的坐标，height、width分别为标注框的高度和宽度。利用大量的眼底图像和标注框一起输入模型进行训练，模型通过学习可以预测出包括视盘的有效区域的位置，以与标注框相同的形式输出结果。

本发明实施例可以采用现有的深度检测模型作为第一机器学习模型，如ssd、yolo或faster-rcnn等，也可以自行设计深度网络模型。

s4b，对有效区域进行预处理以增强像素点特征。具体可以使用局部脂肪图均衡算法(clahe)对有效区域做图像增强。此步骤可以使图像中的特征更加突出，经过预处理后对图像进行识别时更容易找到视盘的轮廓和视杯的轮廓，从而提高识别准确性和识别效率。

s5b，利用第二机器学习模型从有效区域中识别出视盘区域、利用第三机器学习模型从有效区域中识别出视杯区域。此步骤得到是更佳精确的区域分割结果，其轮廓与人体的视盘和视杯轮廓一致，通常是不规则的形状。经过识别可以得到如图7所示的视盘区域71和视杯区域72。

关于第一机器学习模型和第二机器学习模型的训练过程，本发明实施例提供一种优选的模型训练方案。具体地，在训练时手工精确地标注出视盘，然后基于人工标注的轮廓生成如图6所示填充掩图，其中白色为视盘区域，黑色为背景。最终把截取的视盘区域和对应的掩图一起输入模型进行训练，模型通过学习识别出视盘区域，把它分割出来。视杯的标注和分割的过程遵循同样的步骤。

本发明实施例可以采用现有的深度检测模型作为第二和第三机器学习模型，例如可以采用u-net、maskr-cnn、deeplabv3等现有的模型，或自行设计的深度分割模型。

s6b，根据识别视盘区域中心点711的位置和视杯区域中心点712的位置确定平均点73。图7展示了确定平均点的示意图，这只是为了清楚地说明而做出的举例，实际过程是后台计算步骤，不必在图像中展示这些内容。

s7b，在水平方向确定经过平均点73的横向直线74，在竖直方向确定经过平均点73的纵向直线75。其中横向直线74与图像上、下边缘平行为水平直线，纵向直线75与图像左、右边缘平行垂直于横向直线74。

s8b，确定直线与轮廓的交点。具体地，确定横向直线74与视盘区域71轮廓的第一交点741，以及横向直线74与视杯区域72轮廓的第二交点742；确定纵向直线75与视盘区域71轮廓的第三交点751，以及纵向直线75与视杯区域72轮廓的第四交点752。图中左侧和右侧分别有一个第一交点741和一个第二交点742，、图中上方和下方分别有一个第三交点751和一个第四交点752。

s9b，根据交点位置计算盘沿宽度值。具体地，计算眼底图像中同一侧的第一交点与第二交点的距离作为横向盘沿宽度值；计算眼底图像中同一侧的第三交点与第四交点的距离作为纵向盘沿宽度值。

由此可以计算左侧第一交点741和第二交点742之间的距离得到左侧盘沿宽度值t、计算右侧第一交点741和第二交点742之间的距离得到右侧盘沿宽度值n；计算上方第三交点751和第四交点752之间的距离得到上方盘沿宽度值s、计算下方第三交点751和第四交点752之间的距离得到下方盘沿宽度值i。

根据本发明实施例提供的眼底盘沿宽度确定方法，首先从眼底图像中识别视盘区域和视杯区域，然后分别确定二者的中心点，进一步根据这两个中心点确定一个平均的中心点，以兼顾这两个区域的中心位置。基于这一平均中心点的位置得到isnt四个方位的盘沿宽度数值，这些数值能够准确体现视盘与视杯的形态特性，本方案基于图像数据及客观算法计算出可以直观度量的盘沿数据，节约人力资源，能够有效辅助医生或专家对青光眼疾病做出判断。

相应地，本发明的一个实施例还提供了一种眼底盘沿宽度确定装置，如图8所示，包括：

获取单元81，用于获取眼底图像；

区域识别单元82，用于在所述眼底图像中识别视盘区域和视杯区域；

平均点确定单元83，用于根据所述识别视盘区域的中心点的位置和所述视杯区域的中心点的位置确定平均点；

盘沿确定单元84，用于基于所述平均点的位置确定盘沿宽度值。

本发明的一个实施例还提供了一种电子设备，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述实施例中的眼底盘沿宽度确定方法。

本发明的一个实施例还提供了一种青光眼图像判断装置，如图9所示包括：

眼底盘沿宽度确定单元91，用于根据上述实施例中的眼底盘沿宽度确定方法确定盘沿宽度值；

判断单元92，用于根据盘沿宽度值确定眼底图像是否为青光眼图像。此装置可以根据设定的规则自动确定输入的眼底图像是否为青光眼患者的图像。其中的设定规则例如可以是将计算得到的盘沿宽度值与设定阈值进行比较，根据比较结果进行判定；也可以是将计算得到的各个方位的盘沿宽度值相互比较，根据它们的大小关系进行判定；也可以采用人工智能算法，使用训练后的机器学习模型对盘沿宽度值进行识别，得到识别或者分类结果。

根据本发明实施例提供的青光眼图像判断装置，通过眼底盘沿宽度确定单元计算盘沿宽度值可以客观量化眼底图像中的盘沿形态，利用判断单元可根据量化的盘沿形态自动判定眼底图像是否为青光眼患者的图像。本方案基于图像数据及客观算法判定青光眼图像，节约人力资源，能够有效辅助医生或专家对青光眼疾病做出判断。

作为一个优选的实施方式，可以计算并确定上方盘沿宽度值、下方盘沿宽度值、鼻侧盘沿宽度值和颞侧盘沿宽度值。判断单元根据这四种盘沿宽度值的大小关系判断所述眼底图像是否为青光眼图像。例如可以设定判定依据为盘沿宽度i>s>n>t，将不符合这一条件的眼底图像判定为青光眼图像。

本发明的一个实施例还提供了一种青光眼疾病诊断系统，如图10所示包括：

眼底照相设备90，用于拍摄用户眼底图像；以及

眼底盘沿宽度确定单元91，用于根据上述实施例中的眼底盘沿宽度确定方法确定盘沿宽度值；

判断单元92，用于根据盘沿宽度值确定眼底图像是否为青光眼图像。

根据本发明实施例提供的青光眼疾病诊断系统，利用眼底照相设备采集用户眼底图像，并通过眼底盘沿宽度确定单元获取眼底图像并计算盘沿宽度值，以客观量化眼底图像中的盘沿形态；利用判断单元可根据量化的盘沿形态自动判定眼底图像是否为青光眼患者的图像。本方案基于图像数据及客观算法判定青光眼图像，节约人力资源，能够有效辅助医生或专家对青光眼疾病做出判断。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。