【技术实现步骤摘要】
本专利技术涉及图像处理，更具体地说，本专利技术涉及基于数字孪生与视神经成像融合的眼底图像评价方法。
技术介绍
1、眼底图像是由专用眼底相机或光学相干断层扫描（oct）技术获取的，主要包括视网膜、视神经盘、黄斑以及视网膜血管等关键解剖结构。视神经盘是眼底图像中最为突出的亮黄色区域，位于眼底血管和视网膜神经的源头部位，常用于辅助青光眼等疾病的诊断；黄斑位于视网膜中央，是视觉最敏锐的区域，其病变可能导致视力下降和其他视觉障碍，常用于老年黄斑病变的诊断；而视网膜血管则有助于识别心血管疾病的迹象。
2、例如公告号为：cn118196218b的专利技术专利公开的一种眼底图像处理方法、装置及设备，通过对眼底图像进行第一分析处理，以计算确定所述眼底图像的清晰度；对所述眼底图像进行第二分析处理，以计算确定所述眼底图像的色度分布；获得清晰的目标场景图片；基于所述眼底图像对目标场景图片进行风格迁移处理，形成模糊版目标场景图片；基于所述清晰度、色度分布及模糊版场景图片进行处理，形成用于模拟所述患者看向目标场景时的成像效果的模拟图片。
3、眼底图像在采集过程中可能由于光照不均、运动模糊、焦距不准等因素导致图像质量下降，影响关键结构（如视神经盘、黄斑和视网膜血管等）的可见性和清晰度；此外眼底图像的不同区域可能存在质量差异，尤其是关键区域和普通区域之间。针对上述问题，本专利技术提出一种解决方案。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术的实施例提供基于数字孪生与视神经成像
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于数字孪生与视神经成像融合的眼底图像评价方法，包括如下步骤：将获取的oct和octa 眼底图像划分为若干个网格区域，计算每个网格区域的oct和octa 眼底图像的像素值并进行融合，得到眼底融合图像并进行预处理；
4、将所述眼底融合图像输入至眼底数字孪生模型中进行关键区域的叠加和特征分割得到眼底融合图像数据集，并将所述眼底融合图像数据集输入至预设的目标检测大模型中进行训练得到眼底融合关键区域检测大模型；基于所述眼底融合关键区域检测大模型检测眼底融合图像的关键区域，将眼底融合图像中划分为关键区域和普通区域，并将所述关键区域和普通区域划分为若干个关键区域网格图像和普通区域网格图像；基于图像质量评价指标计算所述若干个关键区域网格图像和普通区域网格图像的图像质量系数，并计算关键区域图像和普通区域图像之间的质量偏差系数；基于所述关键区域图像和普通区域图像之间的质量偏差系数与预设的质量阈值对眼底融合图像进行综合评价。
5、在一个优选的实施方式中，所述将获取的oct和octa 眼底图像划分为若干个网格区域，计算每个网格区域的oct和octa 眼底图像的像素值并进行融合，得到眼底融合图像并进行预处理，具体为：将获取的oct和octa 眼底图像采用配准方法进行像素对齐，得到对齐后的oct和octa 眼底图像；将所述对齐后的oct和octa 眼底图像按相同的方式划分为若干个网格区域，得到若干个对齐后的oct和octa 眼底网格图像；分别计算所述若干个对齐后的oct和octa 眼底网格图像的像素值；对所述若干个对齐后的oct和octa 眼底网格图像的像素值进行加权融合，得到若干个网格区域的融合像素值；将每个网格区域的融合像素值逐网格拼接，得到眼底融合图像。
6、在一个优选的实施方式中，所述将每个网格区域的融合像素值逐网格拼接，得到眼底融合图像，具体为：对于网格区域的每一行，按照从左到右的顺序将该行的所有网格的融合像素值进行水平拼接，得到每一行的完整融合区域；将所述每一行的完整融合区域进行垂直叠加，得到眼底融合图像。
7、在一个优选的实施方式中，将所述眼底融合图像输入至眼底数字孪生模型中进行关键区域的叠加和特征分割得到眼底融合图像数据集，并将所述眼底融合图像数据集输入至预设的目标检测大模型中进行训练得到眼底融合关键区域检测大模型，具体为：将所述眼底融合图像与患者实际图像进行结合，得到患者的眼底孪生虚拟体；采用所述患者的眼底孪生虚拟体的几何功能特征数据库，匹配所述眼底融合图像中的关键区域进行关键区域的叠加，所述关键区域指的是黄斑区域、视神经乳头区域以及血管密集区域；在眼底数字孪生模型中使用深度学习分割算法对关键区域进行细粒度分割，得到关键区域的精确边界框，并将所述关键区域的精确边界框保存为预设的训练集格式得到眼底融合图像数据集；将所述眼底融合图像数据集按照预设的比例分为训练集和测试集，将训练集输入至目标检测大模型中进行大模型的训练，得到训练后的目标检测大模型；
8、在一个优选的实施方式中，所述基于图像质量评价指标计算所述若干个关键区域网格图像和普通区域网格图像的图像质量系数，具体为：基于图像质量评价指标分别计算所述若干个关键区域网格图像和普通区域网格图像的清晰度评估值、边缘清晰度评估值、亮度评估值；将所述清晰度评估值、边缘清晰度评估值、亮度评估值进行标准化，并进行加权求和得到若干个关键区域网格图像和普通区域网格图像的图像质量系数。
9、在一个优选的实施方式中，所述计算关键区域图像和普通区域图像之间的质量偏差系数，具体为：基于若干个关键区域网格图像和普通区域网格图像的图像质量系数采用几何平均法计算得到关键区域图像的第一质量系数和普通区域的第一质量系数；基于所述关键区域图像的第一质量系数和普通区域的第一质量系数，计算得到关键区域图像的平均质量系数和普通区域图像的平均质量系数；计算所述关键区域图像和普通区域图像的图像质量相似性指数，并基于所述图像质量相似性指数得到关键区域图像和普通区域图像之间的质量偏差系数。
10、在一个优选的实施方式中，基于所述关键区域图像和普通区域图像之间的质量偏差系数与预设的质量阈值对眼底融合图像进行综合评价，具体为：当关键区域图像和普通区域图像之间的质量偏差系数小于预设的质量阈值时，图像质量合格；当关键区域图像和普通区域图像之间的质量偏差系数大于预设的质量阈值时，图像质量不合格。
11、本专利技术基于数字孪生与视神经成像融合的眼底图像评价方法的技术效果和优点：
12、1.本专利技术通过整合患者多次采集的oct和octa眼底图像及病理数据，结合深度学习大模型构建眼底数字孪生模型，具有显著优点。首先，该模型实现了患者个性化的动态建模，能够精确模拟视网膜的解剖结构及病变特征，提供个体化诊疗支持；其次，数字孪生技术生成多样化的模拟场景和数据增强，有助于提升模型的泛化能力；第三，孪生体在数据处理过程中实现了自动化标注与特征分割，显著提高了标注效率和准确性，减少人工干预；此外，该模型通过实时反馈机制优化诊断和预测结果，支持复杂病变的动态评估；最后，眼底数字孪生模型不仅提升了临床决策的科学性和可靠性，还为疾病进程监控和治疗方案设计提供了仿本文档来自技高网...
【技术保护点】
1.基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述将获取的OCT和OCTA 眼底图像划分为若干个网格区域，计算每个网格区域的OCT和OCTA 眼底图像的像素值并进行融合，得到眼底融合图像并进行预处理，具体为：
3.根据权利要求2所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述将每个网格区域的融合像素值逐网格拼接，得到眼底融合图像，具体为：
4.根据权利要求3所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述构建眼底数字孪生模型，基于预设的眼底融合关键区域检测大模型检测眼底融合图像的关键区域，具体为：
5.根据权利要求4所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述基于图像质量评价指标计算所述若干个关键区域网格图像和普通区域网格图像的图像质量系数，具体为：
6.根据权利要求5所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所
7.根据权利要求6所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，基于所述关键区域图像和普通区域图像之间的质量偏差系数与预设的质量阈值对眼底融合图像进行综合评价，具体为：
8.根据权利要求7所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，分别计算所述若干个对齐后的OCT和OCTA 眼底网格图像的像素值，具体公式为：
9.根据权利要求8所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述基于图像质量评价指标分别计算所述若干个关键区域网格图像和普通区域网格图像的清晰度评估值、边缘清晰度评估值、亮度评估值，具体公式为：
10.根据权利要求9所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，计算所述关键区域图像和普通区域图像的图像质量相似性指数，具体公式为：
...【技术特征摘要】
1.基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述将获取的oct和octa 眼底图像划分为若干个网格区域，计算每个网格区域的oct和octa 眼底图像的像素值并进行融合，得到眼底融合图像并进行预处理，具体为：
3.根据权利要求2所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述将每个网格区域的融合像素值逐网格拼接，得到眼底融合图像，具体为：
4.根据权利要求3所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述构建眼底数字孪生模型，基于预设的眼底融合关键区域检测大模型检测眼底融合图像的关键区域，具体为：
5.根据权利要求4所述的基于数字孪生与视神经成像融合的眼底图像评价方法，其特征在于，所述基于图像质量评价指标计算所述若干个关键区域网格图像和普通区域网格图像的图像质量系数，具体为：
6.根据...
【专利技术属性】
技术研发人员：强京灵，张蓓，张欣，王金志，张江波，吴宁勇，杨永利，
申请(专利权)人：延安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。