【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像處理，更具體地說，本專利技術(shù)涉及基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法。
技術(shù)介紹
1、眼底圖像是由專用眼底相機或光學相干斷層掃描（oct）技術(shù)獲取的，主要包括視網(wǎng)膜、視神經(jīng)盤、黃斑以及視網(wǎng)膜血管等關(guān)鍵解剖結(jié)構(gòu)。視神經(jīng)盤是眼底圖像中最為突出的亮黃色區(qū)域，位于眼底血管和視網(wǎng)膜神經(jīng)的源頭部位，常用于輔助青光眼等疾病的診斷；黃斑位于視網(wǎng)膜中央，是視覺最敏銳的區(qū)域，其病變可能導致視力下降和其他視覺障礙，常用于老年黃斑病變的診斷；而視網(wǎng)膜血管則有助于識別心血管疾病的跡象。
2、例如公告號為：cn118196218b的專利技術(shù)專利公開的一種眼底圖像處理方法、裝置及設備，通過對眼底圖像進行第一分析處理，以計算確定所述眼底圖像的清晰度；對所述眼底圖像進行第二分析處理，以計算確定所述眼底圖像的色度分布；獲得清晰的目標場景圖片；基于所述眼底圖像對目標場景圖片進行風格遷移處理，形成模糊版目標場景圖片；基于所述清晰度、色度分布及模糊版場景圖片進行處理，形成用于模擬所述患者看向目標場景時的成像效果的模擬圖片。
3、眼底圖像在采集過程中可能由于光照不均、運動模糊、焦距不準等因素導致圖像質(zhì)量下降，影響關(guān)鍵結(jié)構(gòu)（如視神經(jīng)盤、黃斑和視網(wǎng)膜血管等）的可見性和清晰度；此外眼底圖像的不同區(qū)域可能存在質(zhì)量差異，尤其是關(guān)鍵區(qū)域和普通區(qū)域之間。針對上述問題，本專利技術(shù)提出一種解決方案。
技術(shù)實現(xiàn)思路
1、為了克服現(xiàn)有技術(shù)的上述缺陷，本專利技術(shù)的實施例提供基于數(shù)字孿生與視神經(jīng)成像
2、為實現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：
3、基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，包括如下步驟：將獲取的oct和octa?眼底圖像劃分為若干個網(wǎng)格區(qū)域，計算每個網(wǎng)格區(qū)域的oct和octa?眼底圖像的像素值并進行融合，得到眼底融合圖像并進行預處理；
4、將所述眼底融合圖像輸入至眼底數(shù)字孿生模型中進行關(guān)鍵區(qū)域的疊加和特征分割得到眼底融合圖像數(shù)據(jù)集，并將所述眼底融合圖像數(shù)據(jù)集輸入至預設的目標檢測大模型中進行訓練得到眼底融合關(guān)鍵區(qū)域檢測大模型；基于所述眼底融合關(guān)鍵區(qū)域檢測大模型檢測眼底融合圖像的關(guān)鍵區(qū)域，將眼底融合圖像中劃分為關(guān)鍵區(qū)域和普通區(qū)域，并將所述關(guān)鍵區(qū)域和普通區(qū)域劃分為若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像；基于圖像質(zhì)量評價指標計算所述若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，并計算關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)；基于所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)與預設的質(zhì)量閾值對眼底融合圖像進行綜合評價。
5、在一個優(yōu)選的實施方式中，所述將獲取的oct和octa?眼底圖像劃分為若干個網(wǎng)格區(qū)域，計算每個網(wǎng)格區(qū)域的oct和octa?眼底圖像的像素值并進行融合，得到眼底融合圖像并進行預處理，具體為：將獲取的oct和octa?眼底圖像采用配準方法進行像素對齊，得到對齊后的oct和octa?眼底圖像；將所述對齊后的oct和octa?眼底圖像按相同的方式劃分為若干個網(wǎng)格區(qū)域，得到若干個對齊后的oct和octa?眼底網(wǎng)格圖像；分別計算所述若干個對齊后的oct和octa?眼底網(wǎng)格圖像的像素值；對所述若干個對齊后的oct和octa?眼底網(wǎng)格圖像的像素值進行加權(quán)融合，得到若干個網(wǎng)格區(qū)域的融合像素值；將每個網(wǎng)格區(qū)域的融合像素值逐網(wǎng)格拼接，得到眼底融合圖像。
6、在一個優(yōu)選的實施方式中，所述將每個網(wǎng)格區(qū)域的融合像素值逐網(wǎng)格拼接，得到眼底融合圖像，具體為：對于網(wǎng)格區(qū)域的每一行，按照從左到右的順序?qū)⒃撔械乃芯W(wǎng)格的融合像素值進行水平拼接，得到每一行的完整融合區(qū)域；將所述每一行的完整融合區(qū)域進行垂直疊加，得到眼底融合圖像。
7、在一個優(yōu)選的實施方式中，將所述眼底融合圖像輸入至眼底數(shù)字孿生模型中進行關(guān)鍵區(qū)域的疊加和特征分割得到眼底融合圖像數(shù)據(jù)集，并將所述眼底融合圖像數(shù)據(jù)集輸入至預設的目標檢測大模型中進行訓練得到眼底融合關(guān)鍵區(qū)域檢測大模型，具體為：將所述眼底融合圖像與患者實際圖像進行結(jié)合，得到患者的眼底孿生虛擬體；采用所述患者的眼底孿生虛擬體的幾何功能特征數(shù)據(jù)庫，匹配所述眼底融合圖像中的關(guān)鍵區(qū)域進行關(guān)鍵區(qū)域的疊加，所述關(guān)鍵區(qū)域指的是黃斑區(qū)域、視神經(jīng)乳頭區(qū)域以及血管密集區(qū)域；在眼底數(shù)字孿生模型中使用深度學習分割算法對關(guān)鍵區(qū)域進行細粒度分割，得到關(guān)鍵區(qū)域的精確邊界框，并將所述關(guān)鍵區(qū)域的精確邊界框保存為預設的訓練集格式得到眼底融合圖像數(shù)據(jù)集；將所述眼底融合圖像數(shù)據(jù)集按照預設的比例分為訓練集和測試集，將訓練集輸入至目標檢測大模型中進行大模型的訓練，得到訓練后的目標檢測大模型；
8、在一個優(yōu)選的實施方式中，所述基于圖像質(zhì)量評價指標計算所述若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，具體為：基于圖像質(zhì)量評價指標分別計算所述若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的清晰度評估值、邊緣清晰度評估值、亮度評估值；將所述清晰度評估值、邊緣清晰度評估值、亮度評估值進行標準化，并進行加權(quán)求和得到若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)。
9、在一個優(yōu)選的實施方式中，所述計算關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)，具體為：基于若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)采用幾何平均法計算得到關(guān)鍵區(qū)域圖像的第一質(zhì)量系數(shù)和普通區(qū)域的第一質(zhì)量系數(shù)；基于所述關(guān)鍵區(qū)域圖像的第一質(zhì)量系數(shù)和普通區(qū)域的第一質(zhì)量系數(shù)，計算得到關(guān)鍵區(qū)域圖像的平均質(zhì)量系數(shù)和普通區(qū)域圖像的平均質(zhì)量系數(shù)；計算所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像的圖像質(zhì)量相似性指數(shù)，并基于所述圖像質(zhì)量相似性指數(shù)得到關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)。
10、在一個優(yōu)選的實施方式中，基于所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)與預設的質(zhì)量閾值對眼底融合圖像進行綜合評價，具體為：當關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)小于預設的質(zhì)量閾值時，圖像質(zhì)量合格；當關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)大于預設的質(zhì)量閾值時，圖像質(zhì)量不合格。
11、本專利技術(shù)基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法的技術(shù)效果和優(yōu)點：
12、1.本專利技術(shù)通過整合患者多次采集的oct和octa眼底圖像及病理數(shù)據(jù)，結(jié)合深度學習大模型構(gòu)建眼底數(shù)字孿生模型，具有顯著優(yōu)點。首先，該模型實現(xiàn)了患者個性化的動態(tài)建模，能夠精確模擬視網(wǎng)膜的解剖結(jié)構(gòu)及病變特征，提供個體化診療支持；其次，數(shù)字孿生技術(shù)生成多樣化的模擬場景和數(shù)據(jù)增強，有助于提升模型的泛化能力；第三，孿生體在數(shù)據(jù)處理過程中實現(xiàn)了自動化標注與特征分割，顯著提高了標注效率和準確性，減少人工干預；此外，該模型通過實時反饋機制優(yōu)化診斷和預測結(jié)果，支持復雜病變的動態(tài)評估；最后，眼底數(shù)字孿生模型不僅提升了臨床決策的科學性和可靠性，還為疾病進程監(jiān)控和治療方案設計提供了仿本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述將獲取的OCT和OCTA?眼底圖像劃分為若干個網(wǎng)格區(qū)域，計算每個網(wǎng)格區(qū)域的OCT和OCTA?眼底圖像的像素值并進行融合，得到眼底融合圖像并進行預處理，具體為：
3.根據(jù)權(quán)利要求2所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述將每個網(wǎng)格區(qū)域的融合像素值逐網(wǎng)格拼接，得到眼底融合圖像，具體為：
4.根據(jù)權(quán)利要求3所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述構(gòu)建眼底數(shù)字孿生模型，基于預設的眼底融合關(guān)鍵區(qū)域檢測大模型檢測眼底融合圖像的關(guān)鍵區(qū)域，具體為：
5.根據(jù)權(quán)利要求4所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述基于圖像質(zhì)量評價指標計算所述若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，具體為：
6.根據(jù)權(quán)利要求5所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所
7.根據(jù)權(quán)利要求6所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，基于所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像之間的質(zhì)量偏差系數(shù)與預設的質(zhì)量閾值對眼底融合圖像進行綜合評價，具體為：
8.根據(jù)權(quán)利要求7所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，分別計算所述若干個對齊后的OCT和OCTA?眼底網(wǎng)格圖像的像素值，具體公式為：
9.根據(jù)權(quán)利要求8所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述基于圖像質(zhì)量評價指標分別計算所述若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的清晰度評估值、邊緣清晰度評估值、亮度評估值，具體公式為：
10.根據(jù)權(quán)利要求9所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，計算所述關(guān)鍵區(qū)域圖像和普通區(qū)域圖像的圖像質(zhì)量相似性指數(shù)，具體公式為：
...【技術(shù)特征摘要】
1.基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述將獲取的oct和octa?眼底圖像劃分為若干個網(wǎng)格區(qū)域，計算每個網(wǎng)格區(qū)域的oct和octa?眼底圖像的像素值并進行融合，得到眼底融合圖像并進行預處理，具體為：
3.根據(jù)權(quán)利要求2所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述將每個網(wǎng)格區(qū)域的融合像素值逐網(wǎng)格拼接，得到眼底融合圖像，具體為：
4.根據(jù)權(quán)利要求3所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述構(gòu)建眼底數(shù)字孿生模型，基于預設的眼底融合關(guān)鍵區(qū)域檢測大模型檢測眼底融合圖像的關(guān)鍵區(qū)域，具體為：
5.根據(jù)權(quán)利要求4所述的基于數(shù)字孿生與視神經(jīng)成像融合的眼底圖像評價方法，其特征在于，所述基于圖像質(zhì)量評價指標計算所述若干個關(guān)鍵區(qū)域網(wǎng)格圖像和普通區(qū)域網(wǎng)格圖像的圖像質(zhì)量系數(shù)，具體為：
6.根據(jù)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：強京靈，張蓓，張欣，王金志，張江波，吳寧勇，楊永利，
申請(專利權(quán))人：延安大學，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。