一种基于人工智能的白内障严重程度分层方法、装置、计算机设备及介质制造方法及图纸

本发明专利技术公开了一种基于人工智能的白内障严重程度分层方法、装置、计算机设备及介质，该方法包括：获取视网膜图像并进行预处理，获得经过预处理后的视网膜眼后段图像；对经过预处理后的视网膜眼后段图像进行特征提取，所述特征提取包括以人工智能模型为依据进行特征提取；以人工智能模型和分类概率结果为依据获取与所述分类概率结果对应的疾病类型。与所述分类概率结果对应的疾病类型。与所述分类概率结果对应的疾病类型。

【技术实现步骤摘要】
一种基于人工智能的白内障严重程度分层方法、装置、计算机设备及介质


[0001]本专利技术属于医疗领域，涉及医学图像处理、图像算法等领域，具体而言，涉及一种基于人工智能的白内障严重程度分层方法、装置计算机设备及介质。

技术介绍

[0002]白内障是全球首位致盲疾病，预计2022年底，全世界盲人的数量将达到8300万。统计数据表明，全世界近半数失明患者由白内障导致。现有技术中，已经提出了白内障发生过程中可能存在的风险因素，但迄今为止，还没有一种明确的方法来预防白内障的发生。虽然，通过使用人工晶状体的白内障手术可以恢复大多数患者的正常视功能。然而，准确的诊断和及时治疗仍然对白内障患者的预后至关重要。
[0003]白内障是眼球晶状体的混浊或不透明。白内障的主要症状是视物模糊。临床上根据晶状体浑浊的部位又将白内障进行如下分类，即核性白内障、皮质性白内障和后囊下白内障。这些分类主要基于白内障浑浊的位置、透光度、外观等。核性白内障常位于晶状体的中心区，皮质性白内障常发生于晶状体皮质区，而后囊下白内障常发生于晶状体的后部。核性白内障是三种类型的白内障中最常见的。临床上，常通过裂隙灯对核性白内障进行诊断，具体内容是，将裂隙灯图像与标准图像进行比较来指定等级，以确定白内障严重程度，进而进行诊断。然而，现有技术中针对白内障患者的监测和分类过程具有操作繁琐，诊断时间长，精度低等缺陷，难以快速准确地给予患者关于白内障严重程度的准确诊断，从而难以给予患者白内障手术时机的准确判断以及术后预后的预测。

技术实现思路

[0004]本申请实施例的目的在于提出为一种基于人工智能的白内障严重程度分层方法、装置、计算机设备及介质，克服了在白内障检测分类过程中，诊断时间长，精度低等缺陷，提高了白内障诊断检测的效率。
[0005]为了解决上述技术问题，本申请实施例提供了一种基于人工智能的白内障严重程度分层方法，包括：获取视网膜图像并进行预处理，获得经过处理后的视网膜眼后段图像；
[0006]进步一地，所述预处理包括获取视网膜RGB图像，所述视网膜RGB图像包括m
×
n
×
3的数据数组，其中，m、n分别为图像的行列数，数组中的元素为每个单独像素的红色、绿色和蓝色成分；RGB图像中的每个像素的颜色由像素位置上红色、绿色和蓝色亮度的组合确定。RGB图像是24位图像，其中红色、绿色和蓝色组分均为8位；对获取的红、绿、蓝三种颜色图像进行比较，选取目标灰度图像作为后续处理对象；其中根据血管轮廓与背景颜色差异明显程度、有效信息以及对比度选取目标灰度图像。
[0007]进一步地，对所述目标灰度图像进行均衡化处理，其中所述均衡化处理包括对所述目标灰度图像的每个像素进行均衡化处理：
[0008][0009]其中，M为期望的平均灰度值；f
W
(r,c)为窗口W内的图像灰度平均值；f(r，c)为原始图像的绿色通道倒置变换之后在(r，c)处的灰度值；f
eq
(r，c)为进行光照均衡化后图像在(r，c)处的灰度值，r、c是在图像尺寸中的具体位置坐标。
[0010]进一步地，对经过均衡化处理的所述目标灰度图像进行，进行图像平滑处理，所述图像平滑处理包括所述图像进行滤波去噪，获取经过滤波后的视网膜眼后段图像。
[0011]进一步地，所述滤波去噪具体包括：使用多分辨滤波器对获取的目标图像进行多尺度多方向的处理，具体处理方式为将所述目标灰度图像经过复数正弦函数调制的高斯函数进行变换。所述复数正弦函数调制的高斯函数的表达式为：
[0012][0013]其中，f(x，y)表示所述高斯函数，x
θ
、y
θ
表示如下：x和y代表了空间坐标；θ为所述滤波器的方向；x
θ
、y
θ
为滤波器在θ方向上的空间坐标，f为滤波的中心频率，其决定了滤波器带通中心在频域中的位置σ
x
和σ
y
是沿x轴和y轴高斯包络的空间常量，用来确定感受视野的大小；与此同时，令σ
x
＝σ
y
＝σ，并带入所述高斯函数，通过设置不同的方向参数来提取所述图像中各方向的所述图像细节，得到优化滤波公式，所述优化滤波公式如下：
[0014][0015]进一步地，并根据所述优化滤波公式对所述目标图像进行处理，得到多方向滤波后的目标图像。
[0016]进一步地，将目标图像设为I(x,y)，并以15度为角分辨率，构造出12个不同方向的滤波器来处理所述视网膜图像，用以提取血管信息，所述目标图像中的视网膜图像的血管尺寸为2～12个像素；I(x,y)分别与上述12个滤波器组做卷积，进行多方向滤波，所述多方向滤波具体为：
[0017]Q(x,y,θ)＝I(x,y)*Φ(x,y,θ)；
[0018]其中Q(x,y,θ)表示经过多方向滤波后的视网膜图像；针对各个像素点，所述像素点进行所述多方向滤波，获取该像素点在各个方向滤波后的图像值，对所述各方向滤波后的图像值进行比对，获取图像值最大时的像素点作为多方向滤波后的像素值，并根据所述多方向滤波后的像素值获取相应的图像I1(x,y)。
[0019]进一步地，对获得的图像I1(x,y)的灰度进行优化处理。
[0020]进一步地，所述灰度进行优化处理具体为：获取所述图像I1(x,y)中像素的灰度值μ，图像I1(x,y)的大小为m
×
n，并设置灰度值的阈值，所述灰度值的阈值为μ
T
，将获取的灰度值μ与所述灰度值的阈值μ
T
进行比较，获取图像I1中像素的灰度值小于阈值的像素个数N1，以及像素灰度值大于阈值的像素个数N2，并分别计算图像的第一像素点数量以及第二像素点数量占整幅图像的比例，并根据所述第一像素点数量以及第二像素点数量占整幅图像的比例获取灰度分割阈值，根据获取的灰度分割阈值对图像进行灰度优化处理；
[0021]进一步地，所述根据所述第一像素点与第二像素点占整幅图像的比例获取灰度分割阈值，根据获取的灰度分割阈值对图像进行灰度优化处理具体为：获取第一像素点数占
整幅图像的比例并获取第一像素点数的平均灰度μ1；获取第二像素点数占整幅图像的比例并获取第一像素点数的平均灰度μ2，其中N1+N2＝m
×
n，ω1+ω2＝1；并计算图像的总平均灰度μ
v
＝μ1×
ω1+μ2×
ω2，根据所述总平均灰度计算灰度方差g，其中g＝ω1×
(μ
v
‑
μ1)2+ω2×
(μ
v
‑
μ2)2；当所述g最大时得到最佳灰度分割阈值，并根据获取的最佳灰度分割阈值来调整灰度图像的对比度完成对图像灰度的优化处理；得到经过预处理后的视网膜眼后段图像。
[0022]进一步地，对经过预处理后的视网膜眼后段图像进行特征提取，所述特征提取包括以人工智能模型为依据，对经过预处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的白内障严重程度分层方法，其特征在于，包括以下步骤：获取视网膜图像并进行预处理，获得经过预处理后的视网膜眼后段图像，所述预处理包括获取视网膜RGB图像，并根据获取的视网膜RGB图像获取目标灰度图像，对所述目标灰度图像进行均衡化处理，其中所述均衡化处理包括对所述目标灰度图像的每个像素进行均衡化处理：其中，M为期望的平均灰度值；f
w
(r,c)为窗口W内的图像灰度平均值；f(r，c)为原始图像的绿色通道倒置变换之后在(r，c)处的灰度值；f
eq
(r，c)为进行光照均衡化后图像在(r，c)处的灰度值，r、c是在图像尺寸中的具体位置坐标；对经过均衡化处理的目标灰度图像进行图像平滑处理，所述图像平滑处理包括所述图像进行滤波去噪，获取经过滤波后的视网膜眼后段图像，所述滤波去噪具体包括使用多分辨滤波器对获取的目标图像进行多尺度多方向的处理，具体处理方式为将所述目标灰度图像经过复数正弦函数调制的高斯函数进行变换。所述复数正弦函数调制的高斯函数的表达式为：其中，表示所述高斯函数，x
θ
、y
θ
表示如下：x和y代表了空间坐标；θ为所述滤波器的方向；x
θ
、y
θ
为滤波器在θ方向上的空间坐标，f为滤波的中心频率，其决定了滤波器带通中心在频域中的位置σ
x
和σ
y
是沿x轴和y轴高斯包络的空间常量，用来确定感受视野的大小；与此同时，令σ
x
＝σ
y
＝σ，并带入所述高斯函数，通过设置不同的方向参数来提取所述图像中各方向的所述图像细节，得到优化滤波公式，所述优化滤波公式如下：其中，σ是与预设的空间常量，并根据所述优化滤波公式对所述目标图像进行处理，得到多方向滤波后的目标图像；将所述多方向滤波后的目标图像设为I(x,y)，并以15度为角分辨率，构造出12个不同方向的滤波器来处理所述视网膜图像，用以提取血管信息，所述目标图像中的视网膜图像的血管尺寸为2～12个像素；I(x,y)分别与上述12个滤波器组做卷积，进行多方向滤波，所述多方向滤波具体为：Q(x,y,θ)＝I(x,y)*Φ(x,y,θ)；其中Q(x,y,θ)表示经过多方向滤波后的视网膜图像；针对各个像素点，所述像素点进行所述多方向滤波，获取该像素点在各个方向滤波后的图像值，对所述各方向滤波后的图像值进行比对，获取图像值最大时的像素点作为多方向滤波后的像素值，并根据所述多方向滤波后的像素值获取相应的图像I1(x,y)；对获得的图像I1(x,y)的灰度进行优化处理；得到经过预处理后的视网膜眼后段图像；将经过预处理后的视网膜眼后段图像进行特征提取，所述特征提取包括以人工智能模型为依据，对经过预处理后的视网膜眼后段图像进行特征提取，得到相应的特征信息，以人工智能模型中的softmax分类器为依据，对所述特征信息进行综合分类，得到分类概率结果；以人工智能模型和分类概率结果为依据获取与所述分类概率结果对应的疾病类型；所述疾病类型至少包括白内障患病与否以及白内障患病
严重程度。2.根据权利要求1所述的基于人工智能的白内障严重程度分层方法，其特征在于，所述根据获取的视网膜RGB图像获取目标灰度图像包括：RGB图像是24位图像，其中红色、绿色和蓝色组分均为8位；对获取的红、绿、蓝三种颜色图像进行比较，选取目标灰度图像作为后续处理对象；其中根据血管轮廓与背景颜色差异明显程度、有效信息以及对比度选取目标灰度图像。3.根据权利要求1所述的基于人工智能的白内障严重程度分层方法，其特征在于，所述灰度进行优化处理具体为：获取所述图像I1(x,y)中像素的灰度值μ，图像I1(x,y)的大小为m
×
n，并设置灰度值的阈值，所述灰度值的阈值为μ
T
，将获取的灰度值μ与所述灰度值的阈值μ
T
进行比较，获取图像I1中像素的灰度值小于阈值的像素个数N1，以及像素灰度值大于阈值的像素个数N2，并分别计算图像的第一像素点数量以及第二像素点数量占整幅图像的比例，并根据所述第一像素点数量以及第二像素点数量占整幅图像的比例获取灰度分割阈值，根据获取的灰度分割阈值对图像进行灰度优化处理。4.根据权利要求1所述的基于人工智能的白内障严重程度分层方法，其特征在于，所述疾病类型可以包括是否有白内障、白内障范围大小、严重程度、白内障位置。5.根据权利要求1所述的基于人工智能的白内障严重程度分层方法，其特征在于，所述softmax分类器是指包括softmax函数的一层神经网络。6.一种基于人工智能的白内障严重程度分层装置，其特征在于，所述白内障分类装置包括：图像预处理模块，用于获取视网膜图像并进行预处理，获得经过预处理后的视网膜眼后段图像，所述预处理包括获取视网膜RGB图像，并根据获取的视网膜...

【专利技术属性】
技术研发人员：龙尔平，
申请(专利权)人：中国医学科学院基础医学研究所，
类型：发明
国别省市：