一种基于瞳孔变化的疼痛评估方法、系统及设备

本申请涉及智能医疗领域，具体涉及一种瞳孔变化的疼痛评估方法、系统、设备、计算机可读存储介质。

背景技术：

1、随着计算机视觉技术的飞速发展，图像处理和分析在医疗领域得到了广泛的应用。瞳孔是人体的重要组织之一，其形状、大小和动态变化可以反映出人体的健康状况，特别是与某些疾病和生理反应相关的信息。因此，对瞳孔图像的精确分割和分析对于临床诊断和治疗具有重要意义。然而，由于瞳孔图像的特点，如微小的细节、边界模糊以及可能的噪声干扰，使得对其进行准确分析变得非常困难。传统的图像处理方法往往无法满足高精度和实时性的需求。此外，瞳孔的微小变化可能与疼痛、疲劳等生理状态有关，因此，开发一种能够准确评估疼痛的方法也是研究的重要方向。

技术实现思路

1、为了解决这些问题，本发明结合计算机视觉和深度学习技术，提出了一种基于瞳孔变化的疼痛评估方法，具体包括：

2、获取眼部图像；

3、将所述眼部图像输至分割网络进行分割得到瞳孔分割图像，其中，所述分割网络分为特征编码、特征解码两个阶段；所述特征编码是对图像特征进行编码，包括一个卷积块、n个编码块，所述编码块由多方向感受野卷积模块、聚合嵌入信息注意力模块组成；所述特征解码是对图像特征进行解码，包括n-1个解码块、一个卷积块，所述解码块由上采样模块、u-net卷积块组成；编码阶段与解码阶段串行相连，编码阶段的n-1个编码块通过跳跃连接将当前层的图像特征输至解码阶段相同维度的n-1个解码块中，所述眼部图像依次经过编码阶段与解码阶段得到所述瞳孔分割图像，n为大于1的自然数；

4、将所述眼部图像与所述瞳孔分割图像输至特征融合网络进行特征融合得到融合特征；

5、基于所述融合特征进行评估得到疼痛评分。

6、进一步，所述多方向感受野卷积模块对眼部图像进行特征提取，模块依次通过深度卷积层、偏移量计算层得到特征偏移量，同时通过卷积层、逐点卷积层得到卷积后的特征，将所述特征偏移量与所述卷积后的特征融合得到多方向感受野卷积特征图；其中，所述深度卷积层和所述逐点卷积层解耦空间与通道的相关性，分别处理通道信息和空间信息。

7、进一步，所述多方向感受野卷积特征图的表示公式为：

8、

9、其中，x为输入特征，d表示在模型训练期间卷积核的感受野，代表目标像素点，表示目标像素点落入感受野中的位置，表示卷积学习到的权重，代表学习偏移量。

10、所述聚合嵌入信息注意力模块采用聚合嵌入信息注意力机制将通道注意力分解为两个并行的一维特征，所述一维特征通过逐点像素值加和求平均融合后输至1×1逐点卷积层得到水平方向、垂直方向的空间特征图，所述空间特征图沿空间方向聚合特征得到一对注意特征图，通过残差连接将所述一对注意特征图与所述聚合嵌入信息注意力模块的输入图点乘融合得到融合特征图。

11、进一步，所述聚合嵌入信息注意力的计算公式为：

12、

13、其中，为输入权重矩阵，为h方向的权重矩阵，为w方向的权重矩阵。

14、所述特征融合网络采用多层神经网络进行特征融合，所述多层神经网络中基于趋光性融合原理进行参数优化，所述参数包括权重和偏置；所述权重和偏置视为多维空间的生物体，目标函数的值视为所述多维空间的光线，通过生物趋光性迭代优化得到目标函数的最小权重和偏置。

15、所述评估采用极限学习机进行疼痛等级评估，所述极限学习机基于分块矩阵求逆优化输出层的权重，所述输出层的权重矩阵表示为：

16、

17、其中，为隐藏层与隐藏层之间的相关矩阵的求逆，为隐藏层输出矩阵的转置矩阵，为目标输出矩阵。

18、本申请的目的在于提供一种基于瞳孔变化的疼痛评估系统，包括：

19、数据获取单元：获取眼部图像；

20、图像分割单元：将所述眼部图像输至分割网络进行分割得到瞳孔分割图像，其中，所述分割网络分为特征编码、特征解码两个阶段；所述特征编码阶段是对图像特征进行编码，包括一个卷积块、n个编码块，所述编码块由多方向感受野卷积模块、聚合嵌入信息注意力模块组成；所述特征解码阶段是对图像特征进行解码，包括n-1个解码块、一个卷积块，所述解码块由上采样模块、u-net卷积块组成；编码阶段与解码阶段串行相连，编码阶段的n-1个编码块通过跳跃连接将当前层的图像特征输至解码阶段相同维度的n-1个解码块中，所述眼部图像依次经过编码阶段与解码阶段得到所述瞳孔分割图像，n为大于1的自然数；

21、图像融合单元：将所述眼部图像与所述瞳孔分割图像输至特征融合网络进行特征融合得到融合特征；

22、疼痛评估单元：基于所述融合特征进行评估得到疼痛评分。

23、本申请的目的在于提供一种基于瞳孔变化的疼痛评估设备，包括：

24、存储器与处理器，所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现任意一项上述的一种基于瞳孔变化的疼痛评估方法。

25、本申请的目的在于提供一种计算可读存储介质，其上存储有计算机程序，包括：

26、所述计算机程序被处理器执行时实现任意一项上述的一种基于瞳孔变化的疼痛评估方法。

27、本申请的优势：

28、1. 提出多方向感受野卷积模块自适应调整采样点的偏移，使卷积形变为不规则形状以达到适应精细化特征的瞳孔形状的目的，同时为了解决增加偏移量带来的参数冗余和训练困难的问题，本申请使用深度卷积和逐点卷积对卷积的空间和通道相关性进行解耦，在保证卷积层特征提取能力的同时降低参数量和计算量，提高模型的推理速度。

29、2. 提出聚合嵌入信息注意力模块，该模块融合了空间和通道信息，通过聚焦于重要区域，有助于提高模型的特征识别能力和鲁棒性。

30、3. 采用趋光性融合原理用于模型参数优化，通过模拟生物对光线的反应进行参数优化，避免了陷入局部最优的问题，模型对输入噪声和局部最优的鲁棒性。

31、4. 基于分块矩阵求逆的极限学习机提供了一种高效的方式来进行疼痛评估，其隐藏层的权重和偏置是随机初始化的，简化了学习过程，优化的参数更新策略，大大提高了模型的计算效率。

技术特征：

1.一种基于瞳孔变化的疼痛评估方法，其特征在于，具体方法包括：

2.根据权利要求1所述的基于瞳孔变化的疼痛评估方法，其特征在于，所述多方向感受野卷积模块对眼部图像进行特征提取，模块依次通过深度卷积层、偏移量计算层得到特征偏移量，同时通过卷积层、逐点卷积层得到卷积后的特征，将所述特征偏移量与所述卷积后的特征融合得到多方向感受野卷积特征图；其中，所述深度卷积层和所述逐点卷积层解耦空间与通道的相关性，分别处理通道信息和空间信息。

3.根据权利要求2所述的基于瞳孔变化的疼痛评估方法，其特征在于，所述多方向感受野卷积特征图的表示公式为：

4.根据权利要求1所述的基于瞳孔变化的疼痛评估方法，其特征在于，所述聚合嵌入信息注意力模块采用聚合嵌入信息注意力机制将通道注意力分解为两个并行的一维特征，所述一维特征通过逐点像素值加和求平均融合后输至1×1逐点卷积层得到水平方向、垂直方向的空间特征图，所述空间特征图沿空间方向聚合特征得到一对注意特征图，通过残差连接将所述一对注意特征图与所述聚合嵌入信息注意力模块的输入图点乘融合得到融合特征图。

5.根据权利要求4所述的基于瞳孔变化的疼痛评估方法，其特征在于，所述聚合嵌入信息注意力的计算公式为：

6.根据权利要求1所述的基于瞳孔变化的疼痛评估方法，其特征在于，所述特征融合网络采用多层神经网络进行特征融合，所述多层神经网络中基于趋光性融合原理进行参数优化，所述参数包括权重和偏置；所述权重和偏置视为多维空间的生物体，目标函数的值视为所述多维空间的光线，通过生物趋光性迭代优化得到目标函数的最小权重和偏置。

7.根据权利要求1所述的基于瞳孔变化的疼痛评估方法，其特征在于，所述评估采用极限学习机进行疼痛等级评估，所述极限学习机基于分块矩阵求逆优化输出层的权重，所述输出层的权重矩阵表示为：

8.一种基于瞳孔变化的疼痛评估系统，其特征在于，包括：

9.一种基于瞳孔变化的疼痛评估设备，其特征在于，包括：

10.一种计算可读存储介质，其上存储有计算机程序，其特征在于，包括:

技术总结
本申请涉及智能医疗领域，具体涉及一种基于瞳孔变化的疼痛评估方法、系统及设备。包括获取眼部图像；将所述眼部图像输至分割网络进行分割得到瞳孔分割图像；将所述眼部图像与所述瞳孔分割图像输至特征融合网络进行特征融合得到融合特征；基于所述融合特征进行评估得到疼痛评分。本申请采用可变形卷积进行眼部图像分割，适应性调整并计算偏移量，能够很好的提取瞳孔变化特征，同时通过空间和通道解耦策略减少冗余信息，节约内存资源，增强模型准确识别瞳孔区域和评估疼痛指数性能，该方法具有重要的临床诊断和治疗价值。

技术研发人员：田晴,王传跃,毛珍,薄奇静,范玉
受保护的技术使用者：首都医科大学附属北京安定医院
技术研发日：
技术公布日：2024/1/15