本发明涉及医学图像处理，具体涉及一种基于深度学习的角膜局域交联照射位置的确定方法及装置。
背景技术：
：：1、近视是指因眼轴过长或屈光力相对过强,在调节静止时,平行光线进入眼内聚焦于视网膜前,使所视物像模糊不清,造成视力下降；现阶段近视矫正技术有光学矫正、激光角膜屈光手术以及可植入式隐形眼镜(implantable collamer lens，icl)等；而早期的300度以下的近视，往往采用胶原交联技术来完成对近视的早期矫正；紫外光核黄素胶原交联技术(collagen cross-linking，cxl)是以核黄素为光敏剂，应用紫外光进行照射，介导胶原纤维相互交联，提高机械硬度和生物力学稳定性，从而阻止角膜等扩张性疾病的一种新的治疗方法。2、为实现紫外光核黄素胶原交联，在相关技术方案中所涉及的光源是均匀的对整个角膜进行照射，从而实现交联。该种方式难以精准地确定对应角膜照射位置，无法实现角膜的局域交联，从而无法实现针对患者的特定手术参数调节。技术实现思路1、因此，本发明要解决的技术问题在于克服现有技术中的无法精准确定角膜局域交联照射位置缺陷，从而提供一种基于深度学习的角膜局域交联照射位置的确定方法及装置。2、根据第一方面，本发明实施例提供了一种基于深度学习的角膜局域交联照射位置的确定方法，包括以下步骤：获取目标对象的角膜地形图像；将角膜地形图像进行区块分割，得到多个图像块区域；分别将图像块区域输入至预设的图像分类模型，确定各图像块区域的角膜凸起区域与非凸起区域；预设的图像分类模型是基于标记有角膜凸起区域图片和非凸起区域图片进行训练生成的；基于预设约束条件对角膜凸起区域与非凸起区域进行图像分割，确定目标对象的角膜局域交联的照射位置。3、可选地，分别将图像块区域输入至预设的图像分类模型，确定各图像块区域的角膜凸起区域与非凸起区域，包括：对输入的图像块区域进行特征提取与池化处理；将特征提取与池化处理的结果输入到图像分类器，确定角膜凸起区域与非凸起区域。4、可选地，将特征提取与池化处理的结果输入到图像分类器，确定角膜凸起区域与非凸起区域，包括：基于特征提取与池化处理的结果中包含的预设的图像标记，识别图像块区域中的凸起区域与非凸起区域，并获取凸起区域与非凸起区域的坐标信息；将凸起区域及非凸起区域的坐标信息分别转换为高维度坐标信息；根据高维度坐标信息，对图像块区域的角膜凸起区域与非凸起区域进行分类，确定图像块区域的角膜凸起区域与非凸起区域。5、可选地，基于预设约束条件对角膜凸起区域与非凸起区域进行图像分割，确定目标对象的角膜局域交联的照射位置，包括：基于预设区域约束条件、角膜凸起区域与非凸起区域的对应关系进行图像分割，获得第一图像分割结果；根据第一图像分割结果与预设位置约束条件的对应关系，获得第二图像分割结果，并基于第二图像分割结果作为目标对象的角膜局域交联的照射位置。6、可选地，基于区域约束条件、角膜凸起区域与非凸起区域的对应关系进行图像分割，获得第一图像分割结果，包括：根据区域约束条件，确定角膜凸起与非凸起分别对应的形态学参数；根据确定的各形态学参数、角膜凸起区域与非凸起区域的对应关系，确定角膜凸起区域的位置信息，并基于位置信息进行图像分割，将图像分割结果作为第一图像分割结果。7、可选地，根据第一图像分割结果与预设位置约束条件的对应关系，获得第二图像分割结果，包括：获取角膜图像中心点位置信息与各角膜凸起区域中心点位置信息；根据预设位置约束条件、角膜图像中心点位置信息与各角膜凸起区域中心点位置信息的对应关系，确定与角膜中心相对应的凸起区域的位置，并基于位置进行图像分割，将图像分割结果作为第二图像分割结果。8、可选地，本发明实施例提供了一种基于深度学习的角膜局域交联照射位置的确定方法，可以包括：获取可调光源的信息；根据可调光源的信息与目标对象的角膜局域交联的照射位置的对应关系，确定可调光源参数，并基于可调光源参数作为角膜局域交联参数。9、根据第二方面，本发明实施例提供了一种基于深度学习的角膜局域交联照射位置的确定装置，包括：角膜地形图像获取单元，被配置为获取目标对象的角膜地形图像；图像分割单元，被配置为将角膜地形图像进行区块分割，得到多个图像块区域；角膜区域确定单元，被配置为分别将图像块区域输入至预设的图像分类模型，确定各图像块区域的角膜凸起区域与非凸起区域；预设的图像分类模型是基于标记有角膜凸起区域图片和非凸起区域图片进行训练生成的；照射位置确定单元，被配置为基于预设约束条件对角膜凸起区域与非凸起区域进行图像分割，确定目标对象的角膜局域交联的照射位置。10、根据第三方面，本发明实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机指令，计算机指令被处理器执行时，实现如第一方面任一实施方式所述的基于深度学习的角膜局域交联照射位置的确定方法。11、根据第四方面，本发明实施例提供了一种计算机设备，包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被所述至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如第一方面任一实施方式所述的基于深度学习的角膜局域交联照射位置的确定方法。12、本发明技术方案，具有如下优点：13、本发明提供的一种基于深度学习的角膜局域交联照射位置的确定方法及装置，该方法包括：获取目标对象的角膜地形图像；将角膜地形图像进行区块分割，得到多个图像块区域；分别将图像块区域输入至预设的图像分类模型，确定各图像块区域的角膜凸起区域与非凸起区域；预设的图像分类模型是基于标记有角膜凸起区域图片和非凸起区域图片进行训练生成的；基于预设约束条件对角膜凸起区域与非凸起区域进行图像分割，确定目标对象的角膜局域交联的照射位置。本发明实施例通过图像分类模型将进行区块分割后的角膜地形图像进行角膜凸起区域与非凸起区域的划分，并通过增加预设约束条件，实现角膜凸起区域与非凸起区域的图像分割，从而更加精确地确定目标对象的角膜局域交联的照射位置，保证角膜局域交联的实现。技术特征：1.一种基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，包括如下步骤：2.根据权利要求1所述的基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，所述分别将所述图像块区域输入至预设的图像分类模型，确定各所述图像块区域的角膜凸起区域与非凸起区域，包括：3.根据权利要求2所述的基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，所述将特征提取与池化处理的结果输入到图像分类器，确定角膜凸起区域与非凸起区域，包括：4.根据权利要求1所述的基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，所述基于预设约束条件对所述角膜凸起区域与非凸起区域进行图像分割，确定所述目标对象的角膜局域交联的照射位置，包括：5.根据权利要求4所述的基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，所述基于预设区域约束条件、角膜凸起区域与非凸起区域的对应关系进行图像分割，获得第一图像分割结果，包括：6.根据权利要求5所述的基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，所述根据所述第一图像分割结果与预设位置约束条件的对应关系，获得第二图像分割结果，包括：7.根据权利要求1所述的基于深度学习的角膜局域交联照射位置的确定方法，其特征在于，在所述基于预设约束条件对所述角膜凸起区域与非凸起区域进行图像分割，确定所述目标对象的角膜局域交联的照射位置之后，还包括：8.一种基于深度学习的角膜局域交联照射位置的确定装置，其特征在于，包括：9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的角膜局域交联照射位置的确定方法。10.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-7中任一项所述的基于深度学习的角膜局域交联照射位置的确定方法。技术总结本发明实施例提供了一种基于深度学习的角膜局域交联照射位置的确定方法及装置，该方法包括：获取目标对象的角膜地形图像；将角膜地形图像进行区块分割，得到多个图像块区域；分别将图像块区域输入至预设的图像分类模型，确定各图像块区域的角膜凸起区域与非凸起区域；基于预设约束条件对角膜凸起区域与非凸起区域进行图像分割，确定目标对象的角膜局域交联的照射位置。本发明实施例通过图像分类模型将进行区块分割后的角膜地形图像进行角膜凸起区域与非凸起区域的划分，并通过增加预设约束条件，实现角膜凸起区域与非凸起区域的图像分割，从而更加精确地确定目标对象的角膜局域交联的照射位置，保证角膜局域交联的实现。技术研发人员：吉彦平,刘文涛,王雨琪受保护的技术使用者：超目科技（北京）有限公司技术研发日：技术公布日：2024/1/15