一種角膜受損智能診斷系統的製作方法
2024-02-14 16:45:15
本發明涉及醫療設備領域,更具體地,涉及一種角膜受損智能診斷系統。
背景技術:
隨著技術的發展,收集、整合、分析醫學大數據成為推進醫學研究和提高疾病診斷和治療率的新方向。對於眼科疾病,早發現、早治療極為重要,而且低成本的自動篩選系統能夠極大程度地幫助患者並有助合理利用預先的醫療資源。近年來,國內外很多團隊嘗試用醫學圖像方法來攻克眼科疾病的診治。傳統眼表圖像分析技術存在著很大的局限性,如何建立更有效更精準的圖像分析方式已經成為研究的熱點。目前,對於角膜潰爛疾病的研究,國內醫生主要藉助於角膜螢光素染色形成明顯的顏色差別來判斷健康區域和受損區域,但是人眼的判別總是存在誤差而且受到相應主觀因素的影響。在角膜的醫學臨床應用中也存在利用photoshop圖像處理軟體對損傷面積的進行定量分析的方法。但是這一方法,大量依賴於人工的手動操作,不僅費時,而且無法保證實時性。
技術實現要素:
本發明的目的在於克服現有技術進行定量分析時費時費力的缺陷,本發明提供了一種角膜受損智能診斷系統,有效地提高角膜受損的診斷質量與效率。
為實現以上發明目的,採用的技術方案是:
一種角膜受損智能診斷系統,包括:
用於採集患者角膜螢光染色圖像的圖像採集模塊;
用於在採集的角膜染色圖像中提取角膜區域的角膜區域提取模塊;
用於對提取的角膜區域進行前期處理的前期處理模塊;
用於對經過前期處理的角膜區域進行受損區域提取的角膜受損區域提取模塊;
用於對提取的受損區域進行受損特徵提取的特徵提取模塊;
用於根據提取的受損特徵進行受損分級及分類,然後給出對應的診療意見的診療模塊。
優選地,所述圖像採集模塊為照相機,所述照相機在裂隙燈的鈷藍光下進行患者角膜螢光染色圖像的採集。
優選地,所述在採集得到患者角膜螢光染色圖像後,採用手動標示的方式在角膜的最左端點、最右端點、最上端點、最下端點進行標示,所述角膜區域提取模塊根據標示的四個端點確定角膜所在的橢圓區域,然後在角膜染色圖像中對橢圓區域進行扣取;所述扣取的橢圓區域即為角膜區域。
優選地,所述前期處理模塊對角膜區域進行前期處理具體包括以下步驟:
(1)選用卷積濾波算法對角膜區域進行去噪濾波;
(2)將經歷過去噪濾波的角膜區域從rgb轉化到lab彩色空間。
優選地,所述角膜受損區域提取模塊對角膜區域進行受損區域提取的具體過如下:
(1)利用k-means聚類分割方法和自定義判定算法從角膜區域中提取出顏色特徵符合角膜潰爛顏色特徵的區域,然後對提取的區域進行輸出;
(2)醫生通過醫學經驗確定區域生長的起始點,然後利用區域生長的圖像分割算法在步驟(1)提取的區域中選取出符合角膜受損特徵的區域;選取出的區域即為受損區域。
優選地,所述利用k-means聚類分割方法和自定義判定算法提取區域的具體過程如下:
(1)提取出角膜區域lab彩色空間的a分量和b分量,進行k-means聚類分割;經過k-means聚類分割後得到兩張圖片;
(2)設計一個自定義判定算法分別讀取兩張圖片的rgb通道信息中的g通道信息,然後分別計算兩張圖片中g值大於200的像素點的個數,選擇兩張圖片中g值大於200的像素點個數較多的圖片進行步驟(3);
(3)對選擇的圖片進行k-means聚類分割,經過k-means聚類分割後得到兩張圖片;
(4)設計一個自定義判定算法計算兩張圖片中的白色像素點的個數,若其中一張圖片的白色像素點的個數為0,則選擇這張圖片進行區域的提取,否則選擇白色像素點較少的圖片進行區域的提取。
優選地,所述特徵提取模塊對受損區域提取的具體特徵有:受損面積、受損面積佔對應角膜面積的百分比、顏色rgb分布直方圖。
優選地,所述診療模塊根據受損特徵進行受損分級的具體依據如下:
受損面積<角膜區域30%的面積,則確認受損級別為輕度;
角膜區域30%的面積≤受損面積≤角膜區域60%的面積,則確認受損級別為中度;
受損面積>角膜區域60%的面積,則確認受損級別為重度。
與現有技術相比,本發明的有益效果是:
本發明提供的系統通過圖像處理技術與專家意見來進行角膜受損的智能診斷,其診斷的效率與現有技術相比得到了提高,且能夠有效的解決現有技術對角膜受損分析不夠精準量化的問題,提高醫療服務質量與效率。
附圖說明
圖1為系統的工作流程圖。
圖2為提取角膜區域的示意圖。
圖3為利用k-means聚類分割方法和自定義判定算法提取區域的示意圖。
具體實施方式
附圖僅用於示例性說明,不能理解為對本專利的限制;
以下結合附圖和實施例對本發明做進一步的闡述。
實施例1
本發明提供的智能診斷系統主要包括圖像採集模塊、角膜區域提取模塊、前期處理模塊、角膜受損區域提取模塊、特徵提取模塊和診療模塊,其中,圖像採集模塊用於採集患者角膜螢光染色圖像,角膜區域提取模塊用於在採集的角膜染色圖像中提取角膜區域,前期處理模塊用於對提取的角膜區域進行前期處理,角膜受損區域提取模塊用於對經過前期處理的角膜區域進行受損區域提取,特徵提取模塊用於對提取的受損區域進行受損特徵提取,診療模塊用於根據提取的受損特徵進行受損分級及分類,然後給出對應的診療意見。其具體的工作流程如圖1所示。
在具體的實施過程中,所述圖像採集模塊為照相機,所述照相機在裂隙燈的鈷藍光下進行患者角膜螢光染色圖像的採集。
在具體的實施過程中,所述在採集得到患者角膜螢光染色圖像後,採用手動標示的方式在角膜的最左端點、最右端點、最上端點、最下端點進行標示,所述角膜區域提取模塊根據標示的四個端點確定角膜所在的橢圓區域,然後在角膜染色圖像中對橢圓區域進行扣取;所述扣取的橢圓區域即為角膜區域。具體如圖2所示。
在具體的實施過程中,所述前期處理模塊對角膜區域進行前期處理具體包括以下步驟:
(1)選用卷積濾波算法對角膜區域進行去噪濾波;
(2)將經歷過去噪濾波的角膜區域從rgb轉化到lab彩色空間。
在具體的實施過程中,所述角膜受損區域提取模塊對角膜區域進行受損區域提取的具體過如下:
(1)利用k-means聚類分割方法和自定義判定算法從角膜區域中提取出顏色特徵符合角膜潰爛顏色特徵的區域,然後對提取的區域進行輸出;
(2)醫生通過醫學經驗確定區域生長的起始點,然後利用區域生長的圖像分割算法在步驟(1)提取的區域中選取出符合角膜受損特徵的區域;選取出的區域即為受損區域。
在具體的實施過程中,所述利用k-means聚類分割方法和自定義判定算法提取區域的具體過程如下:
(1)提取出角膜區域lab彩色空間的a分量和b分量,進行k-means聚類分割;經過k-means聚類分割後得到兩張圖片;
(2)設計一個自定義判定算法分別讀取兩張圖片的rgb通道信息中的g通道信息,然後分別計算兩張圖片中g值大於200的像素點的個數,選擇兩張圖片中g值大於200的像素點個數較多的圖片進行步驟(3);
(3)對選擇的圖片進行k-means聚類分割,經過k-means聚類分割後得到兩張圖片;
(4)設計一個自定義判定算法計算兩張圖片中的白色像素點的個數,若其中一張圖片的白色像素點的個數為0,則選擇這張圖片進行區域的提取,否則選擇白色像素點較少的圖片進行區域的提取。具體如圖3所示。
在具體的實施過程中,所述特徵提取模塊對受損區域提取的具體特徵有:受損面積、受損面積佔對應角膜面積的百分比、顏色rgb分布直方圖。
在具體的實施過程中,所述診療模塊根據受損特徵進行受損分級的具體依據如下:
受損面積<角膜區域30%的面積,則確認受損級別為輕度;
角膜區域30%的面積≤受損面積≤角膜區域60%的面積,則確認受損級別為中度;
受損面積>角膜區域60%的面積,則確認受損級別為重度。
顯然,本發明的上述實施例僅僅是為清楚地說明本發明所作的舉例,而並非是對本發明的實施方式的限定。對於所屬領域的普通技術人員來說,在上述說明的基礎上還可以做出其它不同形式的變化或變動。這裡無需也無法對所有的實施方式予以窮舉。凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等,均應包含在本發明權利要求的保護範圍之內。