一种用于角膜图像分割的方法、设备及介质与流程

本公开的实施例总体涉及图像处理领域，具体涉及一种用于角膜图像分割的方法、电子设备及计算机可读介质。

背景技术：

1、光学相干断层成像(optical cohernce tomography，oct)在1991年由麻省理工大学huang等人提出，在数十年时间里面得到了极大的发展和应用。该技术利用了迈克尔逊干涉仪的原理，将其中一块反射镜改成了样品，通过样品臂的反射光和参考臂的反射光相干成像，得到样品的深度信息。oct技术有快速成像、较深的成像深度、非侵入、非接触、价格低等特点，在医疗检测领域得到广泛的发展和应用。从分辨率和成像深度对比其他成像手段，oct成像技术填补了共焦显微镜和超声技术之间的空白。

2、根据具体的成像原理和系统设计，oct系统可分为时域oct(td-oct)和频域oct(fd-oct)。而频域oct，又可根据其采用的光源和接收器的不同，分为光谱域oct(sd-oct)和扫频源oct(ss-oct)两种。目前，频域oct由于可以直接得到样品的深度信息，省去了参考臂的移动，成像速度得到了极大的提高，频域oct已经基本取代了时域oct作为眼科的检测的主要设备。

3、作为眼前节的最外层，角膜在眼视光中起了重要的作用，通过角膜的聚光能力使物体对人眼可见。角膜的任何形态学变化都会导致眼科问题。因此，角膜的定量分析和角膜的形态学特征对各种眼科疾病起了重要作用。在实际临床中，oct用来可视化角膜组织。自动精确分割oct图像中的角膜组织是一项相当关键的技术。

4、oct图像中的角膜分割已经有了很多经典的解决方法。比如，利用图论和动态规划，利用半经典的方法和形态学操作，利用阈值处理和拟合的方法等等。这些方法有相当的局限性，首先，它们对图像质量相当敏感，其次，很多方法受到参数的影响。近年来，随着深度学习的发展，以卷积网络为主的unet网络已经广泛运用在医学图像的分割中。除了普通的u-net分割，还有attention u-net，asymmetric u-net等等。

5、利用u-net网络进行学习训练后，对于绝大部分oct图像，该方法能迅速有效地进行像素级分割。但是，由于其他干扰因素的存在，u-net网络分割后的图片可能不是完整的角膜，并且可能引入其他非角膜区域。这些额外的瑕疵很难通过改进网络来得到完美的解决。

6、首先，oct的成像原理属于相干成像，存在大量的散斑噪声，该噪声会掩盖较小的特征，组织边界变得模糊，这会一定程度上影响u-net的分割效果。其次，眼睫毛等异物也会造成目标物体的成像不完整。最后，扫描过程中也可能产生额外的十字线。

技术实现思路

1、本公开的实施例提供了一种用于角膜图像分割的方法、电子设备及计算机可读介质，由此能够在角膜因异物不完整和角膜先天受损的情况下准确分割角膜图像。

2、在本公开的第一方面，提供了一种用于角膜图像分割的方法。该方法包括：获取包括角膜的第一oct图像；基于第一oct图像，经由图像分割神经网络模型，得到第一角膜掩膜图像，图像分割神经网络模型通过包括角膜的oct图像集作为输入、以及对应的角膜掩膜图像集作为标签训练得到，第一角膜掩膜图像包括指示非角膜的缺失点和指示角膜的非缺失点；确定第一角膜掩膜图像中各列的非缺失点厚度及非缺失点厚度均值；基于各列的非缺失点厚度、非缺失点厚度均值以及非缺失点与缺失点的相邻关系，确定各列中的非缺失点的类别，类别包括正常点、缺失点以及异常点；分别对第一角膜掩膜图像中角膜上表面和角膜下表面的正常点进行拟合，得到角膜上表面拟合曲线和角膜下表面拟合曲线；以及分别基于角膜上表面和角膜下表面的非缺失点的类别，利用角膜上表面拟合曲线和角膜下表面拟合曲线，重建角膜上表面和角膜下表面，以得到角膜分割结果。

3、在本公开的第二方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开的第一方面所述的方法。

4、在本公开的第三方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行根据本公开的第一方面所述的方法。

5、提供
技术实现要素：
部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征，也无意限制本公开的范围。

技术特征：

1.一种用于角膜图像分割的方法，包括：

2.根据权利要求1所述的方法，其中所述基于各列的非缺失点厚度、非缺失点厚度均值以及非缺失点与缺失点的相邻关系，确定各列中的非缺失点的类别包括：

3.根据权利要求1所述的方法，其中所述基于所述第一oct图像，经由图像分割神经网络模型，得到第一角膜掩膜图像包括：

4.根据权利要求3所述的方法，其中所述去除所述第一oct图像中的横亮线包括：

5.根据权利要求3所述的方法，其中所述去除所述第一oct图像中的竖亮线包括：

6.根据权利要求1所述的方法，其中所述确定所述第一角膜掩膜图像中各列的非缺失点厚度及非缺失点厚度均值包括：

7.根据权利要求1所述的方法，其中对所述第一角膜掩膜图像中角膜上表面的正常点进行拟合，得到角膜上表面拟合曲线包括：

8.根据权利要求1所述的方法，其中基于所述角膜上表面的非缺失点的类别，利用所述角膜上表面拟合曲线，重建所述角膜上表面包括：

9.根据权利要求1所述的方法，其中基于所述角膜上表面的非缺失点的类别，利用所述角膜上表面拟合曲线，重建所述角膜上表面包括：

10.根据权利要求1所述的方法，还包括：

11.根据权利要求10所述的方法，还包括：

12.一种电子设备，包括：

13.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行根据权利要求1-11中任一项所述的方法。

技术总结
根据本公开的示例实施例，提供了一种用于角膜图像分割的方法、设备和介质。该方法包括：获取包括角膜的第一OCT图像；基于第一OCT图像，经由图像分割神经网络模型，得到第一角膜掩膜图像；基于各列的非缺失点厚度、非缺失点厚度均值以及非缺失点与缺失点的相邻关系，确定各列中的非缺失点的类别，类别包括正常点、缺失点以及异常点；分别对第一角膜掩膜图像中角膜上表面和角膜下表面的正常点进行拟合，得到角膜上表面拟合曲线和角膜下表面拟合曲线；以及分别基于角膜上表面和所述角膜下表面的非缺失点的类别，重建角膜上表面和角膜下表面，以得到角膜分割结果。由此，能够在角膜因异物不完整和角膜先天受损的情况下准确分割角膜图像。

技术研发人员：袁韬,邓如芝
受保护的技术使用者：杭州微晓医疗科技有限公司
技术研发日：
技术公布日：2024/1/14