基于人工智能眼科白内障筛查方法及系统

1.本发明涉及白内障筛查智能检测技术领域，特别是涉及一种基于人工智能眼科白内障筛查方法及系统。


背景技术：

2.一般的白内障检测依靠的是医师经验或者依靠视网膜电图(erg)，但是，在白内障的前期，其并没有晶体状变化，一般仅有黄斑或者视网膜脱落的微小现象，一般的人工检测很难进行辨别，且黄斑也容易和器脏受损和病变进行混淆，比如乙肝的前期症状就是眼球中布有黄斑。而一般的，白内障的初期是多种病症齐发，比如黄斑和视网膜中出现肿物、视网膜有细微脱落，眼球晶体发生点状浑浊(不明显，一般靠眼睛不能判断)，前期白内障可以很好的治愈，后期治疗就必须依靠手术来治疗。因此，白内障早发现早预防。但是现有的医师经验或者依靠视网膜电图(erg)很容易疏忽早期的病症，给患者造成一定的治疗延误。


技术实现要素：

3.有鉴于此，本发明的主要目的在于提供一种基于人工智能眼科白内障筛查方法及系统。本发明采用的技术方案如下：
4.基于人工智能眼科白内障筛查方法，包括如下步骤：
5.获取白内障的检测图像，将检测图像按照设定规则划分为多个子图像，从每一子图像中筛选出疑似白内障的影像特征并进行标注；
6.将具有影像特征的子图像混入至少一个标准图像组合形成组合图像；
7.将具有影像特征的每一子图像依次输入至第一神经网络单元基于历史特征库来对比查看每一子图像中是否具有白内障表征，每一子图像中识别出的白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；
8.将检测图像和组合图像分别随第一神经网络单元输入至独立的第二神经网络单元，每一第二神经网络单元获取标注特征并将标注特征加入特征选择器，以所述特征选择器为学习任务训练因子对检测图像和组合图像分别进行迭代训练来获取第二筛查结果，且，以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，并基于指示结果作为白内障筛查结果。
9.本发明还提供了一种基于人工智能眼科白内障筛查系统，包括：
10.图像采集部，用于获取眼部的多组检测图像；
11.样本识别器，用于对多组检测图像进行初步识别，以获取一个清晰度符合设定要求的检测图像作为样本图像；
12.分割矩阵，具有多个分割单元和纠偏部，将样本图像载入至标准模板中，纠偏部以眼球为中心将所述样本图像进行纠正，纠正后按照分割规则将样本图像分割为多个子图像；
13.人工智能系统具有筛查器、组合部、任务流管理器、指示单元、第一神经网络单元
以及以第一神经网络单元为任务流流通构建的至少两个第二神经网络单元，
14.所述筛查器用于依次接收每一子图像并对所述子图像进行识别处理，以筛选出疑似白内障的影像特征并进行标注；
15.所述组合部用于将具有影像特征的子图像混入至少一个标准图像组合形成组合图像；
16.所述任务流管理器将具有影像特征的每一子图像依次输入至第一神经网络单元基于历史特征库来进行对比，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；
17.所述任务管理器将样本图像和组合图像随第一神经网络单元分别输入至对应的第二神经网络单元，每一第二神经网络单元获取标注特征并将标注特征加入特征选择器，以所述特征选择器为学习任务训练因子对检测图像和组合图像分别进行迭代训练来获取第二筛查结果；
18.所述指示单元用于以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，并基于指示结果作为白内障筛查结果。
19.进一步地，所述样本识别器具有：
20.滑动窗口，用于对检测图像分别进行扫描，以剔除不完整或不清晰的检测图像；
21.放大器，将滑动窗口检测合格的检测图像按照设定的比例进行放大，然后利用检测窗口进行二次检测，以对图像品质质控，以获取一个清晰度符合设定要求的检测图像作为样本图像。
22.进一步地，所述分割矩阵具有：
23.m
×
m个分割单元，其中，m≥2，且m为整数；
24.所述分割单元为正方形的框体；
25.将所述分割矩阵嵌入在标准模板中，分割单元构成的分割矩阵的中心和标准模板的中心重合；
26.在标准模板的中心处设置有一浮动的纠偏光标，将样本图像载入至标准模板中，纠偏部先对所述样本图像进行扫描定位，以获取样本图像中眼球的中心位置，并以眼球的中心位置向光标处移动进行纠正，纠正后按照分割规则以每一分割单元为分割单位将样本图像分割为多个子图像。
27.进一步地，所述筛查器具有：
28.识别部，与分割矩阵中的每一分割单元分别连接，基于所述分割单元来获取所述子图像的区域；
29.比较器，所述比较器耦合一取图器，所述取图器用于从所述子图像中依次获取图像子单元，比较器加载识别库将图像子单元和识别库存储的标准图集进行一一比对，以获取图像子单元是否具有黄斑、晶体、异物、肿物中的任意一个疑似白内障的影像特征；若有，标注所述图像子单元并存储在存储模块中。
30.进一步地，所述组合部具有：
31.排序单元，用于获取标注的至少一个图像子单元，基于所述标注将图像子单元在子图像中的进行位置复原，形成初始组合图像；
32.组合单元，用于将初始组合图像中缺失的部分用标准图像填充组合形成组合图
像。
33.进一步地，所述第一神经网络单元从存储模块中加载具有影像特征的每一子图像并基于历史特征库进行迭代训练，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征。
34.进一步地，所述第二神经网络单元依据任务的开展以第一神经网络单元为任务流通而进行建立。
35.进一步地，所述第二神经网络单元与第一神经网络单元之间能够进行标注特征的交换。
36.本技术中，通过获取眼部的多个检测图像，利用滑动窗口扫描以不完整或不清晰的检测图像，然后将检测图像再进行按照设定的倍数放大，以对检测图像品质质控，以获取一个清晰度最好的符合设定要求的检测图像作为样本图像。样本图像利用分割矩阵分割成多个大小一致的子图像，然后将每一子图像利用取图器从所述子图像中依次获取图像子单元，比较器加载识别库将图像子单元和识别库存储的标准图集进行一一比对，以获取图像子单元是否具有黄斑、晶体、异物、肿物中的任意一个疑似白内障的影像特征；若有，标注所述图像子单元并存储在存储模块中。其中，标准图集是经过专家判定的符合白内障表征的位于眼睛不同部位且属于不同白内障时期的图像的集合；将具有疑似白内障表征的图像子单元筛选出来后，基于所述标注将图像子单元在子图像中的进行位置复原，形成初始组合图像；将初始组合图像中缺失的部分用标准图像填充组合形成组合图像。
37.所述任务流管理器将具有影像特征的每一子图像依次输入至第一神经网络单元基于历史特征库来进行对比，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；所述任务管理器将样本图像和组合图像随第一神经网络单元分别输入至对应的第二神经网络单元，每一第二神经网络单元获取标注特征并将标注特征加入特征选择器，以所述特征选择器为学习任务训练因子对检测图像和组合图像分别进行迭代训练来获取第二筛查结果；所述指示单元用于以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，并基于指示结果作为白内障筛查结果。
38.上述中，先通过白内障表征的初步筛查，初步筛查过程中将疑似都进行标注，然后将具有疑似白内障表征的子图像在第一神经网络单元中基于历史特征库进行迭代训练，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；
39.然后将样本图像、组合图像输入至第二神经网络单元，并基于特征选择器在第二神经网络单元中进行迭代训练，获取第二筛查结果，以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，以相同部分数量来分析是否具有白内障表征。一般的，如果没有相同的部分，其发生白内障的可能性比较小，小于万分之三，可以忽略，如果至少有一个相同，那么发生白内障的可能性就增大到百分之六十；如果这些表征中具有多种齐发，一般都是至少进入白内障中期。本技术利用人工智能系统对图像识别的方法对白内障进行筛查，具有非常高的可信度，有助于医师的对白内障的断定，特别是能够极大的发现早期白内障的表征，做到早预防早治疗的目的。
附图说明
40.以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：
41.图1为本发明的方法流程图；
42.图2为本发明中步骤1的详细过程图；
43.图3为本发明的框架原理图。
具体实施方式
44.为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
45.参照图1至图3，本发明提供了基于人工智能眼科白内障筛查方法，包括如下步骤：
46.步骤1：获取白内障的检测图像，将检测图像按照设定规则划分为多个子图像，从每一子图像中筛选出疑似白内障的影像特征并进行标注；
47.参照图2，所述步骤1具体包括：
48.①
：获取白内障的检测图像，用于对检测图像分别进行扫描，以剔除不完整或不清晰的检测图像；利用放大器将检测图像按照设定的比例进行放大，然后利用检测窗口进行二次检测，以对图像品质质控，以获取一个清晰度符合设定要求的检测图像作为样本图像；
49.②
：将所述分割矩阵嵌入在标准模板中，使得分割单元构成的分割矩阵的中心和标准模板的中心重合；在标准模板的中心处设置有一浮动的纠偏光标，将样本图像载入至标准模板中，纠偏部先对所述样本图像进行扫描定位，以获取样本图像中眼球的中心位置，并以眼球的中心位置向光标处移动进行纠正，纠正后按照分割规则以每一分割单元为分割单位将样本图像分割为多个子图像；
50.③
：基于所述分割单元来获取所述子图像的区域；利用取图器从所述子图像中依次获取图像子单元，比较器加载识别库将图像子单元和识别库存储的标准图集进行一一比对，以获取图像子单元是否具有黄斑、晶体、异物、肿物中的任意一个疑似白内障的影像特征；若有，标注所述图像子单元并存储在存储模块中。
51.步骤2：将具有影像特征的子图像混入至少一个标准图像组合形成组合图像；所述步骤2具体包括：
52.a:获取标注的至少一个图像子单元，利用排序单元并基于所述标注将图像子单元在子图像中的进行位置复原，形成初始组合图像；
53.b：将初始组合图像中缺失的部分用标准图像填充组合形成组合图像。
54.步骤3：将具有影像特征的每一子图像依次输入至第一神经网络单元基于历史特征库来对比查看每一子图像中是否具有白内障表征，每一子图像中识别出的白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；
55.步骤4：将检测图像和组合图像分别随第一神经网络单元输入至独立的第二神经网络单元，每一第二神经网络单元获取标注特征并将标注特征加入特征选择器，以所述特征选择器为学习任务训练因子对检测图像和组合图像分别进行迭代训练来获取第二筛查结果，且，以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，并基于指示结果作为白内障筛查结果。
56.本发明还提供了一种基于人工智能眼科白内障筛查系统，包括：
57.图像采集部，用于获取眼部的多组检测图像；
58.样本识别器，用于对多组检测图像进行初步识别，以获取一个清晰度符合设定要求的检测图像作为样本图像；
59.分割矩阵，具有多个分割单元和纠偏部，将样本图像载入至标准模板中，纠偏部以眼球为中心将所述样本图像进行纠正，纠正后按照分割规则将样本图像分割为多个子图像；
60.人工智能系统具有筛查器、组合部、任务流管理器、指示单元、第一神经网络单元以及以第一神经网络单元为任务流流通构建的至少两个第二神经网络单元，
61.所述筛查器用于依次接收每一子图像并对所述子图像进行识别处理，以筛选出疑似白内障的影像特征并进行标注；
62.所述组合部用于将具有影像特征的子图像混入至少一个标准图像组合形成组合图像；
63.所述任务流管理器将具有影像特征的每一子图像依次输入至第一神经网络单元基于历史特征库来进行对比，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；
64.所述任务管理器将样本图像和组合图像随第一神经网络单元分别输入至对应的第二神经网络单元，每一第二神经网络单元获取标注特征并将标注特征加入特征选择器，以所述特征选择器为学习任务训练因子对检测图像和组合图像分别进行迭代训练来获取第二筛查结果；
65.所述指示单元用于以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，并基于指示结果作为白内障筛查结果。
66.在上述中，第一神经网络单元迭代训练的结果作为第二神经网络单元的部分训练因子，特征选择器期内包含了历史特征库，还包含了第一神经网络单元不断进行迭代训练的结果，使得特征选择器的智能经验更加的丰富。
67.在上述中，所述样本识别器具有：
68.滑动窗口，用于对检测图像分别进行扫描，以剔除不完整或不清晰的检测图像；
69.放大器，将滑动窗口检测合格的检测图像按照设定的比例进行放大，然后利用检测窗口进行二次检测，以对图像品质质控，以获取一个清晰度符合设定要求的检测图像作为样本图像。
70.上述中，滑动窗口仅用于识别检测图像的质量，对检测图像的灰度不进行检测，这是由于当为白内障中晚期时，获取的检测图像具有晶体存在，其灰度值比较高，检测灰度会将这类情况直接排除。因此，只需要利用滑动窗口扫描以不完整或不清晰的检测图像，然后将检测图像再进行按照设定的倍数放大，以对检测图像品质质控，以获取一个清晰度最好的符合设定要求的检测图像作为样本图像。
71.在上述中，所述分割矩阵具有：
72.m
×
m个分割单元，其中，m≥2，且m为整数；
73.所述分割单元为正方形的框体；具体的，可以采用2-5mm边长构成的正方形的框体；作为优选的方案，m为3、4、5中的任意一个。
74.将所述分割矩阵嵌入在标准模板中，分割单元构成的分割矩阵的中心和标准模板的中心重合；
75.在标准模板的中心处设置有一浮动的纠偏光标，将样本图像载入至标准模板中，纠偏部先对所述样本图像进行扫描定位，以获取样本图像中眼球的中心位置，并以眼球的中心位置向光标处移动进行纠正，纠正后按照分割规则以每一分割单元为分割单位将样本图像分割为多个子图像。
76.在上述中，所述筛查器具有：
77.识别部，与分割矩阵中的每一分割单元分别连接，基于所述分割单元来获取所述子图像的区域；
78.比较器，所述比较器耦合一取图器，所述取图器用于从所述子图像中依次获取图像子单元，比较器加载识别库将图像子单元和识别库存储的标准图集进行一一比对，以获取图像子单元是否具有黄斑、晶体、异物、肿物中的任意一个疑似白内障的影像特征；若有，标注所述图像子单元并存储在存储模块中。标准图集是经过专家判定的符合白内障表征的位于眼睛不同部位且属于不同白内障时期的图像的集合。
79.在上述中，所述组合部具有：
80.排序单元，用于获取标注的至少一个图像子单元，基于所述标注将图像子单元在子图像中的进行位置复原，形成初始组合图像；
81.组合单元，用于将初始组合图像中缺失的部分用标准图像填充组合形成组合图像。
82.在上述中，所述第一神经网络单元从存储模块中加载具有影像特征的每一子图像并基于历史特征库进行迭代训练，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征。
83.在上述中，历史特征库是基于确诊的白内障前、中、晚期不同时期的大量的检测图像先进行人工专家标注获取，包含了白内障不同时期的大量的表征图像，便于进行经验学习。
84.在上述中，所述第二神经网络单元依据任务的开展以第一神经网络单元为任务流通而进行建立。
85.在上述中，所述第二神经网络单元与第一神经网络单元之间能够进行标注特征的交换。
86.本技术原理如下：通过获取眼部的多个检测图像，利用滑动窗口扫描以不完整或不清晰的检测图像，然后将检测图像再进行按照设定的倍数放大，以对检测图像品质质控，以获取一个清晰度最好的符合设定要求的检测图像作为样本图像。样本图像利用分割矩阵分割成多个大小一致的子图像，然后将每一子图像利用取图器从所述子图像中依次获取图像子单元，比较器加载识别库将图像子单元和识别库存储的标准图集进行一一比对，以获取图像子单元是否具有黄斑、晶体、异物、肿物中的任意一个疑似白内障的影像特征；若有，标注所述图像子单元并存储在存储模块中。其中，标准图集是经过专家判定的符合白内障表征的位于眼睛不同部位且属于不同白内障时期的图像的集合；将具有疑似白内障表征的图像子单元筛选出来后，基于所述标注将图像子单元在子图像中的进行位置复原，形成初始组合图像；将初始组合图像中缺失的部分用标准图像填充组合形成组合图像。
87.所述任务流管理器将具有影像特征的每一子图像依次输入至第一神经网络单元基于历史特征库来进行对比，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；所述任务管理器将样本图像和组合图像随第一神经网络单元分别输入至对应的第二神经网络单元，每一第二神经网络单元获取标注特征并将标注特征加入特征选择器，以所述特征选择器为学习任务训练因子对检测图像和组合图像分别进行迭代训练来获取第二筛查结果；所述指示单元用于以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，并基于指示结果作为白内障筛查结果。
88.上述中，先通过白内障表征的初步筛查，初步筛查过程中将疑似都进行标注，然后将具有疑似白内障表征的子图像在第一神经网络单元中基于历史特征库进行迭代训练，以查看每一子图像中是否具有白内障表征，依据白内障表征建立第一筛查结果，并以白内障表征在第一筛查结果中建立标注特征；
89.然后将样本图像、组合图像输入至第二神经网络单元，并基于特征选择器在第二神经网络单元中进行迭代训练，获取第二筛查结果，以所述第一筛查结果作为指示，以指示第二筛查结果中与第一筛查结果相同的部分，以相同部分数量来分析是否具有白内障表征。一般的，如果没有相同的部分，其发生白内障的可能性比较小，小于万分之三，可以忽略，如果至少有一个相同，那么发生白内障的可能性就增大到百分之六十；如果这些表征中具有多种齐发，一般都是至少进入白内障中期。本技术利用人工智能系统对图像识别的方法对白内障进行筛查，具有非常高的可信度，有助于医师的对白内障的断定，特别是能够极大的发现早期白内障的表征，做到早预防早治疗的目的。
90.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。